Elon Musk hat Tesla nicht gegründet – und die Gründer gingen nicht freiwillig
2003 gründeten Martin Eberhard und Marc Tarpenning Tesla. Ein Jahr später stieg Elon Musk als größter Investor ein. 2007/2008 verließen die Gründer das Unternehmen unfreiwillig. Darüber warum, gibt es widersprüchliche Aussagen.
Mertin Eberhard 2006 noch als CEO neben dem Tesla Roadster und Elon Musk 2011 als CEO neben dem Modell S | (c) linkes Bild: Nicki Dugan; (c) rechtes Bild: Maurizio Pesce - beide via Wikimedia Commons
Das Elektroauto scheint derzeit auf einem nicht mehr aufzuhaltenden Siegeszug. Doch noch vor einigen Jahren war das noch den wenigsten Menschen klar. Anfang des 21. Jahrhunderts waren es nur eine handvoll Visionäre, die daran glaubten. zu diesen zählten Martin Eberhard und Marc Tarpenning. Sie hatten im Jahr 2000 einen 187 Millionen US-Dollar Exit mit dem Ebook-Unternehmen NuvoMedia geschafft. In einem Interview mit der Schweizer Handelszeitung vor ein paar Jahren erzählte Eberhard, dass er sich wenig später, nach seiner Scheidung mit einem Sportwagen “trösten” wollte. Aber weil er vom CO2-Ausstoß gängiger Modelle schockiert gewesen sei, habe er begonnen sich mit Elektroautos zu beschäftigen. 2003 gründeten er und Tarpenning das Unternehmen Tesla Motors.
2004: Elon Musk wird zum Hauptinvestor bei Tesla
Auch Elon Musk beschäftigte sich zu der Zeit schon intensiv mit dem Thema E-Mobilität. Er hatte sich kurz zuvor beim Exit des von ihm mitgegründeten Bezahldienstes Paypal an Ebay rund 165 Millionen US-Dollar geholt. Nun war er gemeinsam mit Geschäftspartner Jeffrey B. Straubel auf der Suche nach einem vielversprechenden E-Auto-Startup, in das er investieren konnte. 2004 wurde er in einem zweieinhalbstündigen Pitch von Eberhard und Tarpenning, die Tesla schon damals als gleichzeitig Auto- und Tech-Unternehmen konzipierten, überzeugt. Eines ihrer wichtigsten Argumente waren gute Beziehungen zum britischen Sportwagenhersteller Lotus, der später die Karosserie für das erste Modell am Markt, den Roadster, lieferte. Musk übernahm den Lead in einer Finanzierungsrunde und zahlte dabei 6,5 von 7,5 Millionen US-Dollar.
2007: Martin Eberhard verliert den CEO-Posten an Musk
Es sollten in den kommenden Jahren mehrere Finanzierungsrunden folgen, in denen Elon Musk immer mehr Geld ins Unternehmen pumpte. Und er baute damit auch seine Macht-Position bei Tesla aus. Noch bis 2007 aber war Eberhard CEO und er “nur” Vorstandsvorsitzender. Doch nach einer späteren Darstellung von Eberhard hatte Musk schon länger daran gearbeitet, die Kontrolle über das Unternehmen zu erlangen. In diesem Jahr war es dann soweit. Im Oktober 2007 verkündete Tesla in einer Aussendung das Eberhard aus der Geschäftsführung ins Advisory Board gewechselt habe. 2008 schieden er und Tarpenning endgültig aus – just in dem Jahr, in dem der erste Roadster auf den Markt kam.
Gegenseitige Vorwürfe
Weder Eberhard noch Musk erzählten die Geschichte, was genau geschehen war, je im Detail – auch mit Bezug auf eine unterschriebene Verschwiegenheitsvereinbarung. Doch Eberhard machte in den Folgejahren deutlich klar, dass es gegen seinen Willen passiert war. Er führte zwischenzeitlich einen Blog, in dem er Elon Musk einen bösartigen Führungsstil vorwarf, den er aber später wieder löschte. Und der Gründer klagte den neuen CEO schon 2009 unter anderem wegen Verleumdung, Rufmord, Vertragsbruch, Verletzung von Sorgfaltspflichten sowie Nichtauszahlung von Anteilen und Gehältern. Doch wenige Monate später ließ er die Klage ohne Angabe von Gründen fallen. Musk lieferte 2020 in einem Tweet nochmal einen kleinen Einblick auf seine Sicht der Dinge, in der ebenfalls klar ist, dass sein Vorgänger unfreiwillig ging: “Als Eberhard Mitte 2007 als Tesla-CEO entlassen wurde, weil er mir und dem Vorstand falsche Informationen geliefert hatte, ging niemand mit ihm. Das sagt alles.”, schrieb er.
When Eberhard was fired from the Tesla CEO role in mid 2007 for providing false information to me & the board, no one left with him. That says it all.
Ein Grundstein mag 2007 schon gelegt gewesen sein. Doch es sollte noch viele Jahre unter Elon Musks Führung dauern, bis Tesla zu dem Unternehmen wurde, das es heute ist und dessen Performance an der Börse den CEO zum reichsten Menschen der Welt machte. Die Geschichte der Anfangsjahre hinterlässt freilich trotzdem einen fahlen Beigeschmack, der vielen gerade jetzt, bei Musks Twitter-Übernahme-Versuch, wieder ins Gedächtnis kommen dürfte. Eberhard und Tarpenning gründeten übrigens noch einmal – und verkauften ihr nächstes Startup InEVit an den Tesla-Konkurrenten SF Motors, wo Eberhard nach wie vor als Chefentwickler tätig ist.
Open Source und KI: “Es geht nicht darum, zu den Guten zu gehören”
Nachlese. Die Nutzung von Open-Source-Modellen eröffnet Unternehmen auch im KI-Bereich weitreichende Möglichkeiten. Es gibt dabei aber auch einiges zu bedenken. Darüber und mehr diskutierten in Folge 5 von "No Hype KI" Stephan Kraft von Red Hat, Florian Böttcher von CANCOM Austria, Natalie Ségur-Cabanac von Women in AI und Patrick Ratheiser von Leftshift.One.
Open Source und KI: “Es geht nicht darum, zu den Guten zu gehören”
Nachlese. Die Nutzung von Open-Source-Modellen eröffnet Unternehmen auch im KI-Bereich weitreichende Möglichkeiten. Es gibt dabei aber auch einiges zu bedenken. Darüber und mehr diskutierten in Folge 5 von "No Hype KI" Stephan Kraft von Red Hat, Florian Böttcher von CANCOM Austria, Natalie Ségur-Cabanac von Women in AI und Patrick Ratheiser von Leftshift.One.
Kollaborativ, transparent, frei zugänglich und nicht profit-orientiert – mit Open-Source-Software wird eine Reihe von Eigenschaften assoziiert. Und oftmals stehen bei der Nutzung ethische Überlegungen im Zentrum. Dabei gibt es auch ganz praktische Gründe, die für eine Verwendung durch Unternehmen sprechen – auch bei der Implementierung von KI-Anwendungen, ist Stephan Kraft, Community Advocate & Business Development OpenShift & Application Services bei Red Hat, überzeugt. In Folge fünf der Serie “No Hype KI” diskutierte er dieses und weitere Themen mit Florian Böttcher, Solution Architect bei CANCOM Austria, Natalie Ségur-Cabanac, Policy Lead bei Women in AI und Patrick Ratheiser, Gründer & CEO von Leftshift.One.
“Thema ein Stück weit aus dieser emotionalen, moralisierenden Ecke herausholen”
“Ich will das Thema ein Stück weit aus dieser emotionalen, moralisierenden Ecke herausholen”, sagt Stephan Kraft. Für Red Hat als weltweit führenden Anbieter für Open-Source-Lösungen für Unternehmen gehen die Argumente für eine Nutzung nämlich weit darüber hinaus. “Es geht nicht darum, Open Source als Selbstzweck zu sehen, um zu den Guten zu gehören”, so der Experte. Tatsächlich sei die Verwendung von Open Source gerade bei der Etablierung von KI im Unternehmen für Startups und KMU eine wichtige Weichenstellung.
Offenheit, um Diskriminierung entgegenzuwirken
Auch Natalie Ségur-Cabanac sieht Open Source als “Key Technology” im KI-Bereich. Für “Women in AI” spiele die Offenheit eine zentrale Rolle: “Diese Offenheit braucht es, um Diskriminierung entgegenzuwirken.” Open Source verbessere den Zugang für Frauen zur Technologie, die Abbildung von Frauen in den Daten und es vergrößere die Möglichkeiten in der Forschung. Man müsse aber auch aufpassen, ob Software wirklich so offen sei, wie behauptet, sagt sie bezogen auf die aktuellen Diskussionen rund um OpenAI, das sich – ursprünglich als offenes Projekt gestartet – zum profitorientierten Unternehmen entwickelte. Es brauche auch eine klare Definition, was “open” sei.
Masse an Möglichkeiten
Leftshift.One-Gründer Patrick Ratheiser betont auch die schiere Masse an Möglichkeiten, die Open Source bietet. “2021 hatten wir weltweit Zugriff auf circa 5.000 Open-Source-Modelle. Jetzt sind es bereits mehr als eine Million.” Die Nutzbarkeit sei also klar gegeben, zudem biete die Technologie eine gewisse Unabhängigkeit und werde über ihre Vielfalt zum Innovationstreiber.
Ist Open Source immer die beste Lösung?
Doch bedeutet das, dass Open Source immer die optimale Lösung ist? Ratheiser sieht das differenziert: “Es ist ganz wichtig zu erkennen, was der Kunde braucht und was in dem Fall gerade notwendig ist. Egal, ob es nun On-Premise, in der Cloud, Open Source oder Closed Source ist.” Florian Böttcher von CANCOM Austria pflichtet hier bei: “Wir setzen genau so auf hybrid.”
Datenstruktur im Hintergrund ist entscheidend
Ein Thema, bei dem bei Open Source Vorsicht geboten ist, spricht Natalie Ségur-Cabanac an. Besonders wichtig sei es bei KI-Anwendungen, eine gute Datenstruktur im Hintergrund zu haben. “Die Verantwortung, dass ein Modell mit sauberen Daten trainiert worden ist, liegt bei den Anbietern. Bei Open Source verschwimmt das ein bisschen. Wer ist wofür zuständig? Das ist eine Herausforderung für die Compliance zu schauen, wo man selbst verantwortlich ist und wo man sich auf einen Anbieter verlassen kann.”
Compliance: Großes Thema – mehr Sichereheit mit professioneller Unterstützung
Stephan Kraft hakt hier ein. Genau aus solchen Gründen gebe es Unternehmen wie Red Hat, die mit ihrem Enterprise-Support für Open-Source-Lösungen die Qualitätssicherung auch im rechtlichen Bereich übernehmen. “Das ist ein ganz wichtiger Teil unseres Versprechens gegenüber Kunden”, so Kraft. Unbedacht im Unternehmen mit Open Source zu arbeiten, könne dagegen in “Compliance-Fallen” führen, pflichtet er Ségur-Cabanac bei.
Das sieht auch Patrick Ratheiser als Thema bei Leftshift.One: “Unsere Lösung ist Closed Source, wir setzen aber im Hintergrund Open Source ein. Wichtig ist, dass wir dem Kunden Compliance garantieren können.” Stephan Kraft empfiehlt Unternehmen bei der Open-Source-Nutzung: “Man kann nicht immer gleich die neueste ‘bleeding edge’-Lösung nehmen sondern sollte etwas konservativer herangehen.”
Infrastruktur: Gut planen, was man wirklich braucht
Unabhängig davon, ob man nun Open Source oder Closed Source nutzt, braucht es für die Nutzung von KI die richtige Infrastruktur. “Es kommt natürlich auf den Use Case an, den ein Unternehmen umsetzen will. Da sind die Anforderungen an die Infrastruktur sehr unterschiedlich”, grenzt Florian Böttcher ein. CANCOM Austria unterstützt seine Kunden in genau der Frage. Anwendungen wie das Training von KI-Modellen würde aus gutem Grund kaum in Österreich umgesetzt. “KI ist sehr stromhungrig und entwickelt viel Hitze. Das ist schwierig für ein eigenes Data-Center im Unternehmen, gerade wenn man die Strompreise in Österreich ansieht”, so Böttcher.
“Rechenleistungs-Hunger” von KI könnte sich in Zukunft verringern
Wichtig sei es letztlich, sich als Unternehmen sehr klar darüber zu sein, was man umsetzen wolle. “Danach, welche Software-Lösung man für seinen Use Case einsetzen muss, richtet sich auch die Infrastruktur”, so Böttcher. Er erwarte aber auch, dass die KI-Modelle im nächsten Entwicklungsschritt effizienter werden und der “Rechenleistungs-Hunger” sich verringere.
Patrick Ratheiser ergänzt: “Es ist grundsätzlich eine Kostenfrage.” Unternehmen müssten sich sehr gut überlegen, ob sie ein eigenes LLM (Large Language Model) betreiben und dieses sogar selbst trainieren wollen, oder lieber doch eine Usage-basierte Lösung wählen. Er sehe bei österreichischen Unternehmen – auch bei größeren – eine klare Tendenz zur zweiten Variante. “Es lässt sich deutlich schneller einrichten, ist kalkulierbarer und auch viel schneller skalierbar”, erklärt Ratheiser.
Etwa im Forschungsbereich sei es jedoch wichtig und notwendig, auch eigene LLMs und die damit verbundene Infrastruktur zu betreiben. Doch auch die Möglichkeit von hybriden Lösungen biete sich an. “Man kann mittlerweile auch Teile in der Cloud lassen und Teile On-Premise. Man kann etwa nur ein datenschutzsicheres LLM selbst betreiben”, erklärt der Experte, der auch bei der Wahl der genutzten Modelle einen hybriden Ansatz empfiehlt: “Man braucht nicht für alle Use Cases das neueste Modell. Manchmal braucht man überhaupt kein LLM.”
Datenschutz: Einige Herausforderungen bei LLMs
Stichwort: Datenschutz. Hier schafft die europäische Datenschutzgrundverordnung (DSGVO) im KI-Bereich besondere Herausforderungen, weiß Natalie Ségur-Cabanac, die vorab betont: “Ich persönlich halte die DSGVO für ein gutes Regulierungswerk, weil sie sehr viel Spielraum gibt. Ich sage immer: Datenschutz ist sehr komplex, aber nicht kompliziert.” Konkret seien etwa der Grundsatz der Zweckbezogenheit, also dass man Daten nur für konkrete Zwecke einsetzen darf, und dass man sie minimierend einsetzen muss, relevant für den KI-Bereich. “Da haben wir schon einen Konflikt, weil man ja [bei LLMs] erst einmal schaut, was man aus möglichst vielen Daten machen kann”, so die Expertin.
Ist KI rechtlich innerhalb der EU sogar per se in einem Graubereich?
Auch Transparenzbestimmungen – sowohl in der DSGVO als auch im AI-Act der EU – seien zu beachten. “Wenn ich KI verwende, muss ich auch wissen, was drinnen ist”, fasst Ségur-Cabanac zusammen. Ist KI also rechtlich innerhalb der EU sogar per se in einem Graubereich? “Nein, das glaube ich nicht. Aber man muss seine Hausaufgaben schon gut machen”, sagt die Expertin. Wichtig sei daher auch die im Rahmen des EU-AI-Acts eingeforderte KI-Kompetenz in Unternehmen – im technischen und rechtlichen Bereich.
KI-Kompetenz als zentrales Thema
Patrick Ratheiser stimmt zu: “Neben der Technologie selber sind bei unseren Kunden die Mitarbeiter ein Riesen-Thema. Man muss sie nicht nur wegen dem AI-Act fit bekommen, sondern es geht darum, sie wirklich auf die Anwendungen einzuschulen.” Wichtig seien dabei auch die Kolleg:innen, die sich bereits mit dem Thema auskennen – die “Pioniere” im Unternehmen. “AI Literacy ist sicherlich das Thema 2025 und in nächster Zeit. So, wie wir gelernt haben, mit dem Smartphone umzugehen, werden wir es auch mit generativer KI lernen”, so Ratheiser.
“Einfach einmal ausprobieren”
Stephan Kraft ergänzt: Neben einer soliden Datenbasis und der notwendigen Kompetenz brauche es bei KI – gerade auch im Bereich Open Source – noch etwas: “Einfach einmal ausprobieren. Es braucht auch Trial and Error. Das ist vielleicht oft das Schwierigste für CFOs und Geschäftsführer.” Dieses Ausprobieren sollte aber innerhalb eines festgelegten Rahmens passieren, damit die KI-Implementierung gelingt, meint Natalie Ségur-Cabanac: “Unternehmen brauchen eine KI-Strategie und müssen wissen, was sie mit der Technologie erreichen wollen.” Auch sich mit den zuvor angesprochenen rechtlichen Anforderungen – Stichwort Compliance – zu beschäftigen, komme zeitlich erst nach der Festlegung der Strategie.
Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.