Nachdem Wix Base44 gekauft hat, nutzt Base1 echte UI-Daten, um führende LLMs herauszufordern

Alle wollen das größte Modell, bis das große Modell deinen Onboarding-Ablauf wie ein Steuerformular mit Turnschuhen gestaltet. Base44s neues Base1 ist interessant, weil es nicht versucht, jedes Frontier-Lab in allem zu übertrumpfen. Es zielt auf ein chaotisches, wertvolles Problem: bessere App-UIs innerhalb eines Vibe-Coding-Workflows zu erzeugen. Das ist weniger Sci-Fi-Oper, sondern eher ein extrem eigensinniger Toaster, und genau dort lebt nützliche Software oft tatsächlich.

Was Base44 tatsächlich gestartet hat

Laut Let’s Data Science hat Base44, die zu Wix gehörende Vibe-Coding-Plattform, mit der Einführung von Base1 begonnen, einem proprietären Modell, das auf Basis eines Open-Source-Grundmodells mit Daten aus den App-Building-Sitzungen der eigenen Nutzer feinabgestimmt wurde. Der Bericht führt den Zeitpunkt auf den Blogbeitrag von Gründer Maor Shlomo vom 29. Juni 2026 zurück und sagt, Base44 sei 2025 für mindestens 80 Millionen US-Dollar von Wix übernommen worden.

Base1 erscheint nun in Base44s Modellauswahl neben GPT-5.5 und Claudes Opus 4.8, was im Modellmenü ungefähr so ist, als würde man sein Haus-Chili neben Michelin-Köche stellen und sagen: Eigentlich kennt unseres die Nachbarschaft. The Next Web berichtet, dass Base1 bereits in Produktion ist und Nutzer bedient, und dass Base44 behauptet, die erste App-Erstellungsplattform zu sein, die ein eigenes proprietäres Modell ausliefert, statt nur bei OpenAI oder Anthropic zu mieten.

Diese Behauptung ist weniger als Trophäe wichtig, sondern mehr als Strategie: Wenn alle Zugriff auf dieselben allgemeinen Modelle haben, sieht die Produktschicht irgendwann aus wie identische Müslischachteln mit unterschiedlichen Maskottchen. Base44 wettet darauf, dass workflowspezifische Daten zum Unterscheidungsmerkmal werden können.

Warum Produktdaten der Burggraben sind, den Base44 will

The Next Web sagt, Base44 habe Base1 auf einem Datensatz trainiert, der aus „zig Millionen echten Nutzerinteraktionen“ auf seiner Plattform stammt. Das ist der pikante Teil. Generalistische Frontier-Modelle werden darauf trainiert, breit kompetent zu sein, was großartig ist, bis man von ihnen einen Login-Bildschirm braucht, der nicht aussieht, als wäre er von einem Ausschuss heimgesuchter Dropdown-Menüs zusammengebaut worden.

Let’s Data Science berichtet, dass Shlomo das Ziel als ein kleineres, spezialisiertes Modell beschrieben habe, das allgemeine Frontier-Modelle bei einer Aufgabe übertreffen kann: Apps bauen, und dabei günstiger und schneller läuft. Das ist eine sinnvolle technische These, kein Zauberstaub. Engere Modelle können gewinnen, wenn die Aufgabenverteilung begrenzt ist, die Feedbackschleife eng ist und das Produkt beobachten kann, was Nutzer tatsächlich akzeptieren, überarbeiten, verwerfen oder veröffentlichen.

In ML-Begriffen versucht Base44, Produktabgase in Supervision zu verwandeln; menschlich gesagt lernt es aus all den Momenten, in denen jemand gerufen hat: Nein, der Button gehört da hin.

Die Builder-Lektion unter dem Hype-Konfetti

Let’s Data Science merkt außerdem an, dass Base44 nach eigenen Angaben auf 2 Millionen Nutzer und eine Annual-Recurring-Revenue-Run-Rate von 150 Millionen US-Dollar gewachsen ist. Diese Zahlen sind wichtig, weil spezialisierte Modelle spezialisierte Daten brauchen, und spezialisierte Daten sammeln sich nur an, wenn genug Menschen das Produkt nutzen, um nützliche Signale zu erzeugen. Ein winziges Workflow-Modell ohne Nutzungsdaten ist nur ein Bonsai-Frontier-Modell: niedlich, teuer und wahrscheinlich überwässert.

Für Builder lautet die Erkenntnis nicht, dass jedes Produkt bis Dienstag ein eigenes LLM braucht. Die Lektion ist, zu fragen, ob dein Workflow wiederholbare Struktur, messbare Ergebnisse und genug Interaktionsdaten hat, um einem Modell etwas beizubringen, das ein allgemeines LLM immer wieder übersieht. UI-Generierung ist ein guter Kandidat, weil Nutzer ihre Präferenzen durch Bearbeitungen, erneute Durchläufe, akzeptierte Layouts und abgebrochene Versuche offenlegen.

Wenn dein Produkt eine solche Schleife hat, kann Spezialisierung Qualität, Latenz und Kosten verbessern, ohne so zu tun, als würde sie in der Kaffeepause Proteinfaltung lösen.

Worauf man als Nächstes achten sollte

The Next Web rahmt Base44s Schritt als Wette darauf, dass der Besitz des Modells, statt es bei OpenAI oder Anthropic zu mieten, in der App-Erstellung zu einem Burggraben werden kann. Let’s Data Science fügt eine geopolitische Nuance hinzu und berichtet, dass Base44 kleinere spezialisierte Modelle teilweise als Absicherung gegen zunehmende US-Beschränkungen beim Zugang zu Frontier-Modellen sieht.

Das bedeutet nicht, dass Frontier-Modelle plötzlich die Reste von gestern sind. Es bedeutet, dass der Stack vielfältiger wird: allgemeine Modelle für Breite, spezialisierte Modelle für wiederkehrende Produktarbeit und Routing-Logik, die entscheidet, welches Gehirn ans Steuer darf.

Für Leser, die KI-Produkte bauen, lohnt es sich zu beobachten, ob Base1 die Qualität generierter UIs sichtbar verbessert, Wartezeiten reduziert oder den Preisdruck innerhalb von Base44s Workflow verändert. Achte auch darauf, ob Wettbewerber mit eigenen vertikalen Modellen reagieren oder einfach nur einen weiteren Frontier-API-Tab und eine motivierende Landingpage hinzufügen. Das Frontier-Modell ist immer noch das Schweizer Taschenmesser, aber Base44 argumentiert, dass man manchmal einen Schraubenzieher braucht, keinen Löffel mit Venture-Finanzierung.