§ Investoren
Wissenschaft, die im Browser rechnet — auf deiner eigenen GPU, auf deinen eigenen Daten, mit deinen Kolleginnen und Kollegen.
Statistisches und wissenschaftliches Rechnen ist ein Milliardenmarkt, dessen etablierte Anbieter für zweistellige Milliardenbeträge den Besitzer wechseln — allein Siemens gab in fünfzehn Monaten rund 15,7 Mrd. $ für zwei von ihnen aus. Davon unabhängig erzielt browser-native, kollaborative Software immer wieder einen Aufschlag. Scellis steht dort, wo keine der beiden Gruppen steht: ein vollständiger Trainings-Stack auf der eigenen GPU der Nutzer, in einem gewöhnlichen Tab; Daten, die das Gerät nie verlassen müssen; jedes Ergebnis aus einem Link erneut ausführbar; und viele Menschen und Geräte, die gemeinsam an einem Workflow rechnen. Jedes dieser Stücke gibt es irgendwo. Die Kombination, ausgeliefert als ein geprüftes Substrat, gibt es nicht.
§ 01 · These
Die Kombination, nicht der Trick
Ein Modell im Browser zu trainieren ist nicht neu. TensorFlow.js kann das seit 2018, auf dem älteren Grafikpfad, und hat seit rund zwanzig Monaten kein Release mehr veröffentlicht; Teachable Machine trainiert drei feste Spielaufgaben. Was es nicht gab, ist ein vollständiger Trainings-Stack auf dem modernen GPU-Pfad — automatische Gradienten, Optimizer, Scheduler, Mixed Precision, Checkpoints, Fine-Tuning —, der in einem gewöhnlichen Tab auf der Maschine vor dir läuft, als Teil eines Substrats, das du selbst erweitern kannst.
Drei Eigenschaften vervollständigen das Bild, und keine davon ist Zierrat. Weil die Berechnung auf dem eigenen Gerät läuft, müssen die Rohdaten es nie verlassen. Weil jedes committete Ergebnis über seinen Inhalt adressiert wird, ist ein Lauf aus einem Link reproduzierbar: Wer ihn öffnet, bekommt genau den Workflow, die Eingaben und die Engine-Version zurück — keinen Screenshot. Und weil Arbeit geteilt, verschickt und geprüft werden kann, rechnen viele Menschen und Geräte gemeinsam an einem Workflow — von zwei Laptops bis zum institutionellen Konsortium.
Das ist eine eng gefasste Aussage, und sie soll überprüft werden. Jede einzelne Bedingung erfüllt jemand: Browser-Runtimes führen Modelle aus, Cloud-Notebooks trainieren auf einem Server, Desktop-Frameworks trainieren auf deiner Maschine — nach der Installation. Stand Mitte 2026 erfüllt nichts alle zugleich — und das Fenster ist frisch, denn der GPU-Standard des Browsers, der all das erst möglich macht, ist erst Ende 2025 in jedem großen Browser angekommen. Als Erster in dieser Schnittmenge zu stehen, ist die These. Eine dauerhafte Garantie ist es nicht, und der Abschnitt zu den Risiken sagt das offen.
| Ecke | Was es für die Nutzenden bedeutet | Was es abschafft |
|---|---|---|
| Trainiert auf deiner eigenen GPU, im Tab | Link öffnen und trainieren — der Laptop, den du ohnehin hast, ist die Rechenleistung | Eine gemietete Cloud-GPU, eine Installation, eine Treiber-Toolchain |
| Deine Daten bleiben auf deinem Gerät | Sensible Daten lassen sich dort auswerten, wo sie liegen — offline, ohne Konto | Einen Datensatz auf fremde Maschinen hochladen, nur um damit zu rechnen |
| Jedes Ergebnis läuft aus einem Link erneut | Wer den Link anklickt, bekommt den Lauf zurück — Workflow, Eingaben, Engine-Version | Ein Screenshot, ein Methodenabsatz und eine Umgebung, die niemand rekonstruieren kann |
| Viele Menschen und Geräte, ein Workflow | Kolleginnen und Kollegen bearbeiten und rechnen gemeinsam; ungenutzte Maschinen übernehmen einen Teil der Arbeit | Die Daten an einen zentralen Server schicken — oder gar nicht zusammenarbeiten |
§ 02 · Warum jetzt
Fünf Dinge, die gerade wahr geworden sind
Der Browser hat eine GPU bekommen
Ende 2025 ist WebGPU in jedem großen Browser angekommen — rund 84 % der Nutzer haben jetzt standardmäßig eine GPU-Schnittstelle. Die Fähigkeit, die Training im Tab möglich macht, ist erst gerade zu einer belastbaren Annahme geworden.
Der Laptop ist die Workstation
Consumer-GPUs — integriert wie dediziert — tragen inzwischen echte Trainings-Lasten. Die Maschine, die eine Forscherin oder ein Student ohnehin besitzt, ist stark genug, um die Rechenleistung zu sein, statt nur der Client, der mit ihr spricht.
Agenten brauchen ein Instrument, keine Sandbox
Wenn Assistenten Code erzeugen und ausführen, wird die Prüfung des Ergebnisses zum Engpass — und regulierte oder private Daten dürfen die gehostete Sandbox eines Anbieters gar nicht erst betreten. Scellis wird durchgängig über eine typisierte Schnittstelle gesteuert, mit benannten, zugestimmten Effekten: das prüfbare lokale Instrument, das dieser Schicht fehlt. Genau das ist zugleich die schärfste Bedrohung — sie steht unten bei den Risiken.
Europäisches Datenrecht erzeugt die Nachfrage
Regeln verlangen zunehmend, sensible Daten auszuwerten, ohne sie zu bewegen, und der European Health Data Space stellt für die Sekundärnutzung eine Uhr auf 2029–2031. Damit wird die Nachfrage danach, dort zu rechnen, wo die Daten schon liegen, zu einer Frage der Regulierung statt der Mode — und das ist ein haltbarerer Grund.
Reproduzierbarkeit ist Pflicht, aber ohne Werkzeug
Förderer und Fachzeitschriften verlangen inzwischen verfügbare, wiederholbare Analysen, während Umfragen zeigen: Die meisten Forschenden haben dafür kein Werkzeug. Die Pflicht besteht; was fehlt, ist das Instrument. Reproduzierbarkeit wird allerdings selten für sich gekauft — sie verkauft sich eingebaut in die Rechenleistung, und genau so wird sie hier ausgeliefert.
Ein so frisches Fenster ist auch umkämpft. Inferenz im Browser wird schnell zur Massenware, und die Teams, denen sie gehört, sind eine Produktentscheidung davon entfernt, Training zu ergänzen. Die ehrliche Lesart: Das Timing ist real — und es zerfällt Monat für Monat.
§ 03 · Das Produkt
Was bereits gebaut ist
Scellis ist kein Konzept-Deck. Die kompilierte Anwendung liefert eine kleine Engine aus; alles Weitere kommt als Content aus einer Datenbank: die Blocks, die Modelle, der GPU-Code. Auf dieser Engine sind heute fünf Dinge gebaut und in Betrieb — der Trainings-Stack; der Compiler, der einen gezeichneten Workflow in Code übersetzt, den deine GPU ausführt; Live-Zusammenarbeit an einem Dokument; gebündeltes und föderiertes Rechnen über viele Geräte; und eine typisierte Schnittstelle, über die die ganze Plattform gesteuert wird, sodass Oberfläche und Assistent exakt dieselben Möglichkeiten haben. Über allem gilt: Was Nutzende schreiben, wird an derselben Messlatte geprüft wie das, was wir geschrieben haben — die Engine kann bei der Ausführung keinen Unterschied erkennen.
Die Ehrlichkeit ist strukturell. Jedes Stück GPU-Code ist mit einer Referenzimplementierung gepaart und muss ihr innerhalb deklarierter Toleranzen entsprechen — auch Code, den Nutzende geschrieben haben. Korrektheit ist damit etwas, das Fremde nachprüfen können, statt etwas, das wir behaupten. Zwei Dinge folgen daraus, und beide stehen hier, statt vergraben zu sein. Erstens: Scellis ist nicht gestartet — Pre-Launch, ohne echte Nutzer. Zweitens: Die Oberfläche, über die ein externer KI-Agent die Plattform steuert, ist ein benannter nächster Schritt, kein Feature von heute — die Roadmap unten ist der einzige Ort, an dem ihr Status steht, und kein anderer Satz auf dieser Seite darf ihr widersprechen.
§ 04 · Das Feld
Wer sonst auf diesem Feld steht
Ein Burggraben ohne benannten Gegner ist kein Argument. Hier ist das Feld — und der Punkt, an dem jeder Einzelne aufhört.
| Wer | Was sie gut können | Wo sie aufhören |
|---|---|---|
| transformers.js · ONNX Runtime Web · WebLLM | Führen große Modelle im Browser-Tab auf der GPU aus, in echter Größe | Sie führen Modelle aus. Wo es überhaupt einen Trainingspfad gibt, läuft er nur auf der CPU und wird nicht gepflegt — nie auf der GPU. Hugging Face ist hier der glaubwürdigste Fast-Follower. |
| TensorFlow.js · Teachable Machine · DISCO | Trainieren tatsächlich im Browser-Tab — das geht seit 2018 | Eine Bibliothek oder eine feste Aufgabe, auf dem älteren Grafikpfad; TensorFlow.js hatte seit rund zwanzig Monaten kein Release. |
| Google Colab · Kaggle | Eine Browser-Oberfläche auf kostenlose GPUs — so trainieren die meisten Kurse heute | Die GPU gehört Google: ein Konto, ein Kontingent, das mitten in der Stunde enden kann, ein Upload — und kein Offline. |
| MATLAB Online · jamovi Cloud | Vollwertige wissenschaftliche und statistische Werkzeuge im Browser-Tab — seit einem Jahrzehnt | Die Berechnung läuft auf dem Server des Anbieters. Genau deshalb ist „browserbasiert“ allein nicht die Aussage. |
| PyTorch · R · SPSS · Prism | Das Training und die Statistik, die Forschende tatsächlich täglich nutzen | Eine Installation, die eigene Maschine, eine Person zur Zeit — und keine Lauf-Identität, die ein Link auflösen kann. |
| Flower · NVFLARE · TRE vendors | Föderiertes Lernen und sichere Analyseräume für Institutionen | Serverseitige Frameworks für Entwicklerinnen und Entwickler, nichts, was Forschende im Tab öffnen. Eher ein Kanal zum Zusammenarbeiten als ein Rivale. |
Die Frage nach dem Fast-Follow ist die richtige, und die Antwort ist unbequem. Ein gut ausgestattetes Team könnte einer Browser-Runtime in Monaten GPU-Fine-Tuning hinzufügen — Hugging Face am ehesten. Zwei Dinge stehen dazwischen: Die Breite zu erreichen, die Scellis schon hat, ist eine Mehrjahres-Aufgabe, kein Feature; und wer GPUs vermietet, kannibalisiert mit Training, das gratis auf der Maschine der Nutzer läuft, Umsatz, den er heute schon einnimmt. Keines von beidem ist eine Mauer. Beides kauft Zeit — und aus dieser Zeit ist das Zusammengesetzte weiter unten gebaut.
§ 05 · Markt
Die Größe des Feldes, in öffentlichen Zahlen
Hier stehen ausschließlich öffentliche Zahlen Dritter — die Märkte, die dies bedient, wofür vergleichbare Unternehmen verkauft wurden, und wie belastbar jede Zahl ist.
Die messbaren Märkte
| Signal | Zahl | Quelle — und wie belastbar |
|---|---|---|
| Markt für Statistik-Software | $8–9.5B (2024) | Analystenschätzungen. Die Berichte zu diesem Markt weichen um rund das Doppelte voneinander ab — nur als Richtung zu lesen. Die Preise pro Platz, die bekannt sind, stützen die Größenordnung. |
| Software für Labor- und Forschungsinformatik | ≈$4B (2025) | Branchenanalysten, von unten verankert: Dotmatics wies 2022 über 200 Mio. $ Umsatz aus, vor dem Verkauf für 5,1 Mrd. $. |
| Menschen, die jedes Jahr mit ML beginnen | ~10–20M / year | Von unten aus Kurs- und Hochschul-Einschreibungen gerechnet; ein Näherungswert, keine Zählung. |
| Europäische Pflicht für sensible Daten | 2029 / 2031 | Der Zeitplan des European Health Data Space zur Sekundärnutzung — ein gesetzliches Datum, keine Prognose. |
| Nutzer, deren Browser eine GPU-Schnittstelle hat | ~84% (Nov 2025) | Browser-Support-Tracker — gemessen, und die härteste Zahl auf dieser Seite. |
Wofür diese Art von Unternehmen verkauft wird
| Transaktion | Wert | Was es war — und was es lehrt |
|---|---|---|
| Ansys → Synopsys (2025) | ≈$35B · ~14× revenue | Simulationssoftware |
| Altair → Siemens (2025) | ≈$10.6B · ~16× revenue | Engineering und Data Science |
| Dotmatics → Siemens (2025) | $5.1B | Wissenschaftliche F&E-Software — die Werkzeuge, in denen Forschende täglich arbeiten |
| Alteryx → Clearlake / Insight (2024) | $4.4B · ~4.5× revenue | Die Untergrenze im Notverkauf. Gesunde Verkäufe dieser Klasse liegen bei ~14–17× Umsatz; ein Geschäft, mit dem der Markt die Geduld verloren hat, bei ~4–5×. |
| Overleaf | 25M+ users | Browser-native akademische Verbreitung, die in Institutslizenzen übergeht — die Vorlage von unten nach oben |
| Figma | $749M rev. (FY24) · IPO 2025 | Browser-native Kollaboration erzielt einen Aufschlag — und wird neu bewertet, sobald sie sich beweisen muss: rund 68 Mrd. $ am ersten Tag, rund 10–11 Mrd. $ Mitte 2026. Beide Hälften gehören auf diese Seite. |
Jede Zahl oben stammt aus einem öffentlichen Bericht, einer Einreichung oder einer Ankündigung Dritter — und trägt ihre Einschränkung mit, nicht nur ihre gute Hälfte. Diese Seite veröffentlicht keine interne Prognose zu Scellis' eigenen Zahlen; diese Zurückhaltung ist Absicht und dieselbe Disziplin, die die Plattform an einen GPU-Kernel anlegt.
§ 06 · Geschäftsmodell
Wie eine Plattform, die Rechenleistung verschenkt, ein Geschäft ist
Scellis gibt ein Versprechen, das seine Preise niemals brechen dürfen: Berechnung wird nie abgerechnet. Wer kein Konto hat, kann auf dem eigenen Gerät jede Berechnung schreiben und ausführen, ohne Limit, in jedem Tarif — auch im kostenlosen. Das steht als Regel in der Architektur, es ist keine Werbeaktion, die man wieder einkassiert. Das ist nicht das verschenkte Geschäft, sondern das Vertrauen, auf dem es ruht.
Verkauft wird das, was um diesen freien Kern herum liegt — und jeder Punkt der Liste ist etwas, das passiert, wenn Arbeit dein Gerät verlässt oder in eine Institution einzieht: gehostete Dienste — Speicher, Teilen in großem Maßstab, weitergeleitete und gebündelte Rechenkapazität, Kollaborations-Plätze; kommerzielle Nutzungslizenzen der quelloffen veröffentlichten Engine; Lizenzen für Lehre und Campus; und Konsortial-Deployments auf regulierten Daten mit validierten Content-Packs. Bezahlter Content beschränkt die *Auslieferung*, nie die Ausführung: Sind die Bytes einmal auf dem Gerät, laufen sie als gewöhnlicher, einsehbarer Content — ohne jeden Kopierschutz-Anspruch.
Die Ökonomie ist strukturell. Weil Nutzende ihre eigene Rechenleistung mitbringen, sind die Grenzkosten einer Berechnung nahe null — Scellis verkauft keine GPUs weiter, die es mieten müsste, und genau darum ist der kostenlose Tarif günstig genug, um ihn zu verschenken. Und der Weg in den Markt ist eine Abfolge, kein Sprung: Lehre und individuelle Verbreitung bauen das Publikum auf; regulierte Arbeit und Konsortien erkaufen den Nachweis und das Ansehen, das daraus folgt; und dieses Ansehen ist es, was das Substrat als Standard durchsetzbar macht. Jede Stufe finanziert das Recht, die nächste zu versuchen.
Eines wird bewusst nicht mitgezählt. Die Architektur kann einen Rechenmarkt nach verifizierter Arbeit statt nach der Uhr abrechnen, und die Buchführung dafür läuft heute — aber die öffentliche Bilanz offener GPU-Marktplätze trägt kein Geschäft. Also hat er hier kein Gewicht und taucht in keiner Rechnung auf. Er bleibt in der Plattform, weil das Bündeln von Rechenleistung mit Menschen, denen man vertraut, für sich schon nützlich ist.
§ 07 · Burggraben
Fünf Vermögenswerte, die einander verstärken
Fünf sich verstärkende Vermögenswerte — und, im selben Atemzug, was wir einräumen.
Die Engine
Der Trainings-Compiler, die automatischen Gradienten und die handgeschriebene GPU-Kernel-Bibliothek sind die am wenigsten kopierbare Schicht — Jahre an Arbeit, die ein Drei-Monats-Demo nicht nachbaut.
Korrektheit als öffentlicher Standard
Jedes Stück GPU-Code — unserer wie der von Nutzenden — muss innerhalb deklarierter Toleranzen mit einer Referenzimplementierung übereinstimmen. Der wachsende Bestand dieser Prüfungen ist ein Wert, den man nicht fälschen kann und den jeder nachrechnen darf, auch ein Wettbewerber.
Ergebnisse, die das Teilen überstehen
Ein Lauf hat eine Identität, die ein Link auflöst, und Modelle wie Datensätze werden als signaturgeprüfte Packs ausgeliefert. Das ist der Unterschied zwischen „ich schicke dir ein Ergebnis“ und „ich schicke dir die Möglichkeit, es selbst zu erhalten“.
Rechenleistung, die viele teilen
Ein Workflow, viele Maschinen: Arbeit wird zerlegt, verschickt und geprüft, bevor sie akzeptiert wird, statt ihr zu vertrauen — erst das macht einen Pool aus Fremden überhaupt brauchbar. Dasselbe Verfahren läuft über deine eigenen Geräte, ein zugelassenes Konsortium oder einen offenen Pool; föderiertes Lernen ist eine seiner Konfigurationen: Viele Standorte lernen ein gemeinsames Modell, während die Rohdaten bei jedem einzelnen bleiben. Für Institutionen, deren Daten nicht wandern dürfen, ist das kein Feature, sondern die Erlaubnis, überhaupt mitzumachen.
Content-Packs erreichen ein neues Feld
Die Umsatzschicht erreicht jede Disziplin ohne Änderung an der Engine: Ein neuer regulierter Markt ist signierter Content, kein Plattform-Release. Deshalb kann ein Team Felder bedienen, die es selbst nicht beherrscht.
Keiner davon ist für sich genommen unkopierbar — ein gut finanziertes Team könnte jede einzelne Ecke in Monaten nachbauen, und die Seite zu den ehrlichen Grenzen sagt genau das. Der Burggraben ist das Zusammengesetzte: eine Engine, deren Nutzende ihre Kernels selbst schreiben, ein Bestand an Korrektheitsprüfungen, der Richtigkeit zu etwas Nachprüfbarem macht, Ergebnisse, die das Teilen überstehen, die Konsortial-Beziehungen, auf denen regulierte Arbeit ruht, und das Tempo eines Systems, das bis in die Grundfesten kohärent ist. Ein Fast-Follow kopiert ein Feature. Das Zusammengesetzte kopiert er nicht.
Was Scellis schriftlich einräumt: Ein Browser-Tab gewinnt kein Rennen gegen eine gemietete Rechenzentrums-GPU, und es versucht es auch nicht — den rohen Durchsatz überlassen wir den Runtimes, die sich darauf spezialisieren. Die Aussagen hier sind enger und fester: nichts zu installieren, die eigene Maschine, Betrieb offline, kostenlose lokale Berechnung, Ergebnisse, die erneut laufen, und Menschen, die zusammenarbeiten. Die Grenzen genau zu benennen, hält alles andere glaubwürdig.
§ 08 · Risiken
Was das hier widerlegen würde
Fünf Dinge, die eine ernsthafte Leserin ohnehin findet. Jedes steht erst da und wird dann beantwortet — denn es selbst zu entdecken, nachdem eine Seite ihre Ehrlichkeit betont hat, ist schlimmer, als es hier zu lesen.
Die Nachfrage nach Training im Browser ist unbewiesen
Das ist der schärfste der fünf Punkte. Maschinelles Lernen im Browser hat echte, schnell wachsende Nachfrage — aber fast nur fürs Ausführen von Modellen, nicht fürs Trainieren: Die verbreitete Browser-Trainingsbibliothek liegt seit rund zwanzig Monaten still. Scellis ist seiner Nachfragekurve voraus — und genau deshalb ist das Feld frei. Die Antwort: dort anfangen, wo die Alternative nichts ist — Lehre, abgeschottete Institutsflotten, Daten, die sich nicht bewegen dürfen —, statt Leute umzustimmen, deren Installation läuft und die keinen Schmerz spüren.
KI-Assistenten könnten die Arbeit aufsaugen
Genau für die Aufgaben, die diese Plattform zeigt — Tabelle laden, kleines Modell trainieren, Kurve zeichnen —, ist „auf Englisch beschreiben, Code generieren lassen und in einer gehosteten Sandbox ausführen“ heute eine Nachricht entfernt, gratis, inklusive der ganzen wissenschaftlichen Python-Welt. Die Antwort: Wenn das Erzeugen gratis ist, wird das Prüfen zum Engpass — und eine Wegwerf-Sandbox in der Cloud hat kein Gedächtnis, keine Herkunft und keinen Zugang zu Daten, die das Haus nicht verlassen dürfen. Genau dieses Instrument ist Scellis. Dieselbe Verschiebung steht oben als Chance, ehrlicherweise, denn sie ist beides.
Das Fenster ist umkämpft — und es schließt sich
Inferenz im Browser wird zur Massenware, und die Teams, denen sie gehört, sind eine Produktentscheidung davon entfernt, Training zu ergänzen. Als Erster in der Schnittmenge zu stehen, ist die These — keine Garantie. Die Antwort: das Zusammengesetzte im Burggraben oben, und Tempo. Deshalb ist jeder Monat, bevor ein Fremder das hier benutzt, ein ausgegebener Monat, kein gesparter.
Wer am schnellsten wechselt, ist nicht, wer den Schmerz spürt
Forschende, die morgen wechseln könnten, haben eine laufende Installation und spüren keinen Schmerz; die Institutionen, die ihn spüren — reguliert, hinter der IT-Sperre —, kaufen in Zyklen von achtzehn bis sechsunddreißig Monaten und sind bei jungen Anbietern vorsichtig. Zwei verschiedene Probleme mit gegenläufigen Mitteln. Die Antwort: Lehre und abgeschottete Umgebungen tragen die Verbreitung, während Konsortial-Gespräche auf ihrer eigenen langen Uhr laufen — früh begonnen, nicht erst, wenn das Geld gebraucht wird.
Ein Autor ist zugleich die Kohärenz und das Klumpenrisiko
Die Engine ist bis in die Grundfesten kohärent, weil eine Person sie end-to-end entworfen und geschrieben hat. Derselbe Satz ist das größte Klumpenrisiko auf dieser Seite, und niemand sollte sich das selbst zusammenreimen müssen. Die Antwort: Das Team um die Engine herum aufzubauen, ist genau das, wofür das erste externe Kapital da ist — und die Architektur ist auf Übergabe gebaut: Jede Fähigkeit kommt als Content über einen geprüften Weg, das Gegenteil eines Systems, das nur sein Autor erweitern kann.
§ 09 · Team
Wer es baut
Gründer · CEO
Kemal İnecik
Machine-Learning-Doktorand an Helmholtz Munich und der Technischen Universität München, der tiefe generative Modelle in einem der weltweit führenden Labore für KI in der Wissenschaft entwickelt. Autor von mehr als zehn ML-Publikationen — unter anderem in Nature, Cell, ICML und NeurIPS. Er hat Scellis von Grund auf entworfen und gebaut: den Trainings-Compiler, die Bibliotheken für automatische Differenzierung und GPU-Kernels, das Korrektheitsregime, das beide gegen eine Referenzimplementierung prüft, und die Plattform darum herum.
Mitgründer · Wissenschaft
Fabian J. Theis
Professor an der Technischen Universität München und Direktor bei Helmholtz Munich. Träger des Leibniz-Preises — des renommiertesten Forschungspreises Deutschlands — und eines ERC Advanced Grant, ist er einer der meistzitierten Wissenschaftler Europas im maschinellen Lernen für die Wissenschaften. Seine Gruppe hat Pionierarbeit bei der Anwendung von Foundation Models auf wissenschaftliche Daten geleistet — der engste methodische Vorläufer dessen, was eine allgemeine, reproduzierbare Rechenplattform zur Routine macht.
Scellis wird in Deutschland gebaut. Die Engine wurde von ihrem Gründer end-to-end entworfen und geschrieben — deshalb ist sie bis in die Grundfesten kohärent statt aus Teilen zusammengesetzt — und das wissenschaftliche Urteil dahinter stammt aus einem jahrzehntelangen Forschungsprogramm zu maschinellem Lernen für die Wissenschaften. Dieses Klumpenrisiko steht offen bei den Risiken oben und wird dort beantwortet. Die vollständige Team-Seite hat die Details; die Über-uns-Seite erzählt die längere Geschichte davon, was wir bauen und warum.
§ 10 · Roadmap
Vom Fundament zur Plattform
Vier Phasen, jede mit ihrem Horizont und dem Meilenstein, der sie beendet. Die Horizonte sind Absichten, keine Zusagen — die Meilensteine sind das, was tatsächlich wahr werden muss.
Fundament — jetzt
Das Substrat: Training auf der GPU des Browsers, Korrektheit gegen eine Referenz geprüft, Ergebnisse, die aus einem Link erneut laufen, Live-Zusammenarbeit, gebündeltes und föderiertes Rechnen — und eine typisierte Schnittstelle, die alles davon steuert.
Endet, wenn: Ein Fremder reproduziert einen echten Trainingslauf aus einem Link.
Launch und Lehre — 2027
Öffentlicher Early Access, die Bewegung ins Klassenzimmer und die Oberfläche, über die ein externer KI-Agent die Plattform per Standard-Agentenprotokoll (MCP) steuert — die erste Fähigkeit auf dieser Seite, die es noch nicht gibt. Gerichtet dorthin, wo die Alternative zu Scellis nichts ist.
Endet, wenn: Menschen ungefragt wiederkommen und die ersten Kurse es einsetzen.
Regulierte Pilotprojekte — 2027–2029
Ein Standort, dann ein Konsortium, das mit validierten Content-Packs auf sensiblen Daten arbeitet — unter dem Vertrauensregime des zugelassenen Konsortiums, also einer eingeladenen, institutionell signierten Gruppe. Verkauft wird hier die Abkürzung durch die Compliance und das Netzwerk, kein Protokoll.
Endet, wenn: Eine Institution führt eine echte sensible Arbeitslast aus, mit einem benannten Fürsprecher im Haus.
Die Plattform-Ökonomie — 2030+
Der Content-Markt dreht sich, die von den Nutzenden selbst geschriebene Fähigkeit potenziert sich, und das Substrat etabliert sich als der reproduzierbare, von Agenten steuerbare Standard, auf dem andere aufbauen.
Endet, wenn: Fähigkeit wächst ohne das Kernteam — das Rad dreht sich von selbst.
§ 11 · FAQ
Fragen, die Investoren stellen
Ist das nicht einfach TensorFlow.js?
Nein — und der Unterschied ist die ganze These. TensorFlow.js ist eine Bibliothek: Sie trainiert auf dem älteren Grafikpfad, auf einem Gerät, mit einem festen Satz von Operationen, und hat seit rund zwanzig Monaten kein Release mehr. Scellis ist ein Substrat: ein vollständiger Trainings-Stack auf dem modernen GPU-Pfad, jeder Kernel gegen eine Referenzimplementierung geprüft, Ergebnisse, die aus einem Link erneut laufen, Live-Zusammenarbeit, gebündeltes Rechnen über viele Maschinen und ein Katalog, den die Nutzenden selbst erweitern. Training im Browser ist hier die Eintrittskarte. Das Argument war es nie.
Warum kann ein großer Platzhirsch es nicht einfach kopieren?
Jede einzelne Ecke ist in Monaten kopierbar — am ehesten könnte Hugging Face einer Browser-Runtime GPU-Fine-Tuning hinzufügen, und das sagen wir hier, statt so zu tun als nicht. Das Zusammengesetzte ist es nicht: eine Engine, deren Nutzende ihre Kernels selbst schreiben, ein Bestand an Korrektheitsprüfungen, der Richtigkeit nachprüfbar macht, Ergebnisse, die das Teilen überstehen, Konsortial-Beziehungen und das Tempo eines von Grund auf kohärent gebauten Systems. Und es gibt ein Gegenargument, das man benennen sollte: Wer GPUs vermietet, verliert an Training, das gratis auf der Maschine der Nutzer läuft, Umsatz, den er heute schon einnimmt.
Warum ist gebündeltes Rechnen kommerziell wichtig?
Weil es das ist, wozu eine Institution überhaupt Ja sagen darf. Eine Klinik oder ein Forschungskonsortium kann seine Daten nirgendwohin schicken; die einzige Art, überhaupt an einer Studie teilzunehmen, ist: Die Berechnung kommt zu den Daten, und nur geprüfte Ergebnisse gehen hinaus. Scellis macht das als ein einziges Verfahren — Arbeit zerlegen, verschicken, jedes Ergebnis vor der Annahme prüfen — über eigene Geräte, ein zugelassenes Konsortium oder einen offenen Pool. Föderiertes Lernen ist eine seiner Konfigurationen. Das ist keine Funktion, sondern die Erlaubnis mitzumachen — und genau daran hängen die regulierten Pilotprojekte.
Ist das Open Source?
Nicht ganz, und der Unterschied ist Absicht. Der Interchange-Ring — die Spezifikationen, der Korrektheits-Korpus, die Referenzimplementierung und die Entwickler-Kits — ist permissiv lizenziert, sodass jeder, auch ein Wettbewerber, jede unserer Korrektheits-Aussagen prüfen kann. Die Engine ist quelloffen unter einer Fair-Code-Lizenz veröffentlicht: frei für Forschung, Lehre sowie persönliche und interne Nutzung. Wir nennen die Engine nie Open Source, denn das ist sie nicht, und [die Lizenzseite](/platform/openness/) nennt die genauen Bedingungen statt des schönen Etiketts. Zurückbehalten sind nur der Plattform-Dienst und unsere eigenen Content-Packs.
Wie verdient ihr Geld, wenn Rechnen gratis ist?
Lokales Rechnen ist per Regel in jedem Tarif kostenlos und bleibt es. Verkauft wird, was darum herum liegt — und jeder Punkt passiert erst, wenn Arbeit das Gerät verlässt oder in eine Institution einzieht: gehosteter Speicher und Sharing, weitergeleitete und gebündelte Rechenkapazität, kommerzielle Nutzungslizenzen der Engine, Lizenzen für Lehre und Campus, Konsortial-Deployments mit validiertem Content. Weil Nutzende ihre eigene Rechenleistung mitbringen, kostet uns eine Berechnung fast nichts — der kostenlose Tarif ist gerade deshalb günstig, weil die Mathematik auf der Maschine der Nutzenden passiert.
Warum mit der Lehre anfangen?
Weil dort die Alternative zu Scellis wirklich nichts ist. Die ehrliche Fassung des Arguments ist eng: Ein Chromebook erreicht ein Cloud-Notebook — und genau so trainieren die meisten Kurse heute. Woran es scheitert, ist die verwaltete Schulflotte: Administratoren sperren externe Dienste für Minderjährige oder machen sie altersabhängig, ein Gratis-Kontingent kann mitten in der Stunde enden, und Schülerdaten dürfen die Zuständigkeit der Schule nicht verlassen. Ein Trainer, der auf dem Gerät läuft und kein Konto braucht, ist die einzige Variante, die alle drei Hürden übersteht — und jeder geteilte Link ist eine Aktivierung, die nichts kostet.
In welcher Phase ist das Unternehmen?
Pre-Launch. Das Substrat ist gebaut und hinter automatisierter Prüfung verriegelt, es gibt noch keine echten Nutzer, und die Seite behandelt das Produkt als Early Access. Der Nachweis, auf den es uns kurzfristig ankommt, ist keine Umsatzzeile — es ist ein Fremder, der es freiwillig nutzt und wiederkommt, plus eine Institution, die eine echte sensible Arbeitslast ausführt. Gesucht wird das erste externe Kapital, um das Team um die Engine herum aufzubauen und bis zu diesen beiden Nachweisen zu kommen; das Briefing beschreibt die Form dieses Gesprächs.
Wo liegen die Nutzerdaten?
Auf dem Gerät. Lokale Ausführung ist der Standard, und jeder Abfluss ins Netz ist ein eigener, benannter, zugestimmter Schritt — die Plattform funkt nie nach Hause. Wenn viele Standorte ein gemeinsames Modell trainieren, verlassen nur Modell-Updates das Gerät, nie die Rohdaten; und weil ein Update immer noch etwas über die dahinterliegenden Daten verraten kann, hält dieser Modus standardmäßig eine Untergrenze aus bilanzierter Differential Privacy samt Clipping aktiv. „Daten verlassen das Gerät nie“ stimmt für die Bytes. Die Garantie auf Informationsebene gilt nur mit dieser Untergrenze — und das sagen wir auf jeder Seite, auf der es zählt.
§ 12 · Kontakt
Für qualifizierte Investoren
Das technische Briefing, die Architektur-Dokumentation, der Korrektheits-Korpus und der aktuelle gesellschafts-, schutzrechts- und lizenzrechtliche Stand des Unternehmens stehen qualifizierten Investoren auf Anfrage zur Verfügung. Schreib an invest@scellis.com, und wir kümmern uns um den Rest.