DEV Community: Everlast AI

KI-Jailbreaks: Prof. Dr. Florian Tramèr über jede KI-Lücke

Everlast AI — Sun, 21 Jun 2026 08:25:42 +0000

KI-Jailbreaks sind gezielte Angriffe, die Sprachmodelle zu eigentlich gesperrten Antworten verleiten. Prof. Dr. Florian Tramèr von der ETH Zürich erklärt im Gespräch, warum diese Tricks so einfach bleiben. Wir zeigen, wie sie funktionieren und wie dein Unternehmen seine KI-Systeme absichert.

Was KI-Jailbreaks so gefährlich macht

Jedes Sicherheitstraining bleibt unvollständig. Prof. Florian Tramèr forscht seit 10 Jahren an KI-Sicherheit. Er beschreibt einen Jailbreak als Trick, der ein Modell zur verbotenen Antwort bewegt. Das Modell merkt dabei nicht, dass die Aufgabe gefährlich ist.

Ein gängiger Trick zerlegt eine heikle Frage in harmlose Einzelteile. Das Modell löst jeden Teil getrennt. Es erkennt das gefährliche Gesamtbild nicht. Erst zusammengesetzt ergibt sich kritisches Wissen.

In der Cybersicherheit verschwimmt die Grenze besonders stark. Jeder Entwickler fragt, ob in seinem Code eine Lücke steckt. Ein Angreifer stellt dieselbe Frage zu fremdem Code. Der Wortlaut bleibt identisch, die Absicht kippt.

Claude Mythos: Wenn der Schutz zu weit greift

Anthropic sperrte sein Spitzenmodell Mythos nach Eingriff der US-Regierung. Der Grund liegt in extrem strengen Schutzmaßnahmen. Schon das Wort Cybersicherheit, Biologie oder Chemie löste eine Verweigerung aus. Das Modell antwortete dann: Nein, dabei helfe ich nicht.

Tramèr nennt ein absurdes Beispiel. Ein Nutzer fragt nach zwei Sicherheitslücken plus zwei weiteren. Das Modell verweigert die simple Addition als gefährlich. Solche Fehlalarme zeigen, wie schwer die richtige Balance fällt.

Bei Fable 5 verstärkte Anthropic diese Filter zusätzlich. Verweigerte das Modell, übernahm ein schwächeres Opus-Modell die Antwort. Der Schutz kostete also spürbar Qualität. Die Mythos-Geschichte entwickelt sich weiter.

Codex setzt sich jetzt selbst Ziele

OpenAI hat Codex eine ungewöhnliche Fähigkeit gegeben. Der Agent leitet sein Ziel jetzt selbst aus deiner groben Absicht ab. Den Befehl Slash-Goal brauchst du nicht mehr. OpenAI nennt das eine Verallgemeinerung des Meta-Prompts.

Noch konkreter wird das Plugin Record and Replay. Du nimmst deinen Arbeitsablauf als Video auf. Codex baut daraus einen Skill zum Wiederverwenden. Anschließend steuert es deinen Rechner per Computer-Use.

Für Desktop-Software ohne API klingt das verlockend. Alte Buchhaltungs- und ERP-Systeme im Mittelstand profitieren davon. Trotzdem raten wir aktuell zur Vorsicht. Ein voller Systemzugriff öffnet Prompt-Injection-Angriffen Tür und Tor.

GLM 5.2 fordert Claude Fable 5 heraus

Open-Source-Modelle holen rasant auf. GLM 5.2 ist frei verfügbar und bietet ein Kontextfenster von einer Million Tokens. Auf der Design Arena belegt es sogar Platz eins. Diesen Benchmark bestimmen echte Nutzer, nicht ein Anbieter.

Im direkten Test gegen Claude Fable 5 hält GLM 5.2 erstaunlich gut mit. Ganz an Fable 5 reicht es subjektiv nicht heran. Der Abstand schrumpft aber deutlich. Sobald die Intelligenz nah wirkt, entscheidet der Preis.

Genau hier zahlt sich Unabhängigkeit aus. Für 3.000 Dollar kaufst du bei GLM 5.2 fast sechsmal so viele Tokens wie bei Opus 4.8. Eine lokale KI-Backup-Strategie wird damit zur Pflicht. Den Leitfaden dazu liefert unser Report zur lokalen KI.

Was Unternehmen jetzt umsetzen sollten

Nur 6,5 Prozent der Unternehmen bringen KI wirklich in Produktion. Das zeigt eine Studie von Scale AI mit 494 Organisationen. Die Gewinner setzen dreimal so oft auf hybride Lösungen. Sie bauen gemeinsam mit einem strategischen Partner statt mit Tools von der Stange.

Der entscheidende Hebel sind eigene Daten. Erfolgreiche Firmen legen ihre Datenarchitektur fest, bevor sie Code schreiben. Genau dieses Fundament begleiten wir in unseren KI-Implementierungsprojekten. Modell-Unabhängigkeit über ein Corporate-LLM-System gehört fest dazu.

Fazit: KI-Jailbreaks bleiben eine offene Flanke

KI-Jailbreaks zeigen die Grenzen heutiger Sicherheitsfilter. Prof. Dr. Florian Tramèr macht klar, dass kein Schutz lückenlos ist. Zu strenge Filter wie bei Mythos kippen ins Gegenteil und blockieren harmlose Anfragen.

Für dich heißt das: Setze nicht alles auf ein einzelnes Modell. Halte mit Open-Source-Modellen wie GLM 5.2 und lokaler KI einen Plan B bereit. So bleibst du unabhängig, sparst Kosten und steuerst Risiken aktiv.

Häufige Fragen

Was ist ein KI-Jailbreak?

Ein KI-Jailbreak ist ein gezielter Trick, der ein Sprachmodell zu gesperrten Antworten bewegt. Angreifer formulieren ihre Anfrage so um, dass das Modell die Gefahr nicht erkennt. Oft zerlegen sie eine heikle Frage in harmlose Einzelteile. Das Modell löst jeden Teil getrennt und übersieht das kritische Gesamtbild. Prof. Dr. Florian Tramèr betont, dass kein Sicherheitstraining solche Angriffe vollständig verhindert.

Warum wurde Claude Mythos gesperrt?

Anthropic sperrte das Spitzenmodell Mythos nach einem Eingriff der US-Regierung. Auslöser waren die starken Fähigkeiten des Modells in heiklen Bereichen wie Cybersicherheit. Um Missbrauch zu verhindern, setzte Anthropic extrem strenge Schutzfilter ein. Diese griffen jedoch zu weit und blockierten selbst harmlose Anfragen. Schon das Wort Cybersicherheit oder Biologie konnte eine Verweigerung auslösen.

Was kann Codex mit Record and Replay?

Record and Replay ist ein Plugin für die Codex-App von OpenAI. Du nimmst deinen Arbeitsablauf als Video auf, statt ihn zu beschreiben. Codex wandelt die Aufnahme in einen wiederverwendbaren Skill um. Danach steuert der Agent deinen Computer per Computer-Use selbst. In der EU ist die Funktion bislang nicht verfügbar. Wegen Prompt-Injection-Risiken raten wir aktuell zu großer Vorsicht.

Ist GLM 5.2 so gut wie Claude Fable 5?

GLM 5.2 ist ein frei verfügbares Open-Source-Modell mit einem Kontextfenster von einer Million Tokens. Im direkten Vergleich hält es mit Claude Fable 5 erstaunlich gut mit. Ganz an die Design-Qualität von Fable 5 reicht es subjektiv nicht heran. Der Abstand schrumpft jedoch deutlich. Beim Preis liegt GLM 5.2 klar vorn und liefert für dasselbe Budget ein Vielfaches an Tokens.

Warum ist eine lokale KI-Backup-Strategie wichtig?

Anbieter wie OpenAI und Anthropic planen ein Pay-per-Use-Pricing. Die subventionierten Flatrate-Pläne könnten also bald wegfallen. Eine lokale KI-Backup-Strategie sichert dich gegen Preissprünge und Sperren ab. Open-Source-Modelle wie GLM 5.2 laufen auf eigener Hardware ohne laufende Token-Kosten. So bleibst du unabhängig von einzelnen Anbietern und steuerst deine Kosten selbst.

KI-Telefonagent: So reaktiviert ein Makler 200 Kunden

Everlast AI — Fri, 19 Jun 2026 16:05:57 +0000

Ein KI-Telefonagent ist eine Software-Stimme, die eigenständig Outbound-Anrufe führt und jedes Ergebnis direkt in die Datenbank schreibt. Im Erfahrungsbericht zeigt Immobilienprofi Stephan Hoffmann, wie er mit unserem Team bei Everlast AI 200 ruhende Kunden automatisch reaktiviert hat. Das Resultat: zwei neue Vermietungen auf Mallorca.

Vom ChatGPT-Test zum eigenen KI-Telefonagent

Stephan Hoffmann lebt seit 1997 auf Mallorca. Seit 20 Jahren arbeitet er im Immobiliengeschäft. Bei Porta Mallorquina leitet er den Bereich Nord der Insel.

Sein Einstieg in die KI begann 2022 mit ChatGPT. Die Qualität der Antworten überraschte ihn sofort. Über wöchentliche KI-News auf YouTube wurde er auf Everlast aufmerksam.

Ein Impuls reichte für die Entscheidung. Er wollte den KI-Telefonagent nicht kaufen, sondern selbst bauen. Genau diese Technologie wollte er beherrschen, wie wir es auf unserer Seite zum KI-Telefonassistenten beschreiben.

Wie der KI-Telefonagent 200 Kunden reaktiviert

Nach dem Aufsetzen lief der erste echte Testlauf. Der Agent telefonierte 200 ruhende Kunden eigenständig durch. Davon ließen sich 5 Prozent wieder reaktivieren.

Aus diesen Gesprächen entstanden zwei neue Vermietungen. Die Investition holte sich damit messbar zurück. Eine charmante Stimme namens Anna führte die Anrufe.

Jedes Telefonat endet im automatischen End-of-Call-Report. Dieser Bericht landet vollständig automatisiert in der Datenbank. Niemand muss Notizen manuell nachpflegen.

Warum der Systemprompt das Drehbuch ist

Einen universellen Agenten gibt es nicht. Wer blind alle Kunden anrufen lässt, riskiert das Gegenteil. Der Schuss kann schnell nach hinten losgehen.

Hoffmann denkt deshalb pro Anwendungsfall in klaren Zielen. Der Systemprompt ist das Drehbuch für den Agenten. Wer ihn sauber aufsetzt, holt einen sehr hohen Nutzen heraus.

Technologie selbst beherrschen statt einkaufen

Als Unternehmer kennt Hoffmann den Trade-off Eigenfertigung gegen Fremdbezug. Ein fertiges Produkt braucht oft externen Support. Selbst konfigurieren ist für ihn deutlich effizienter.

Er vergleicht Everlast mit einem Personal Trainer im Fitnessstudio. Wer einmal bezahlt hat, zieht das Training auch durch. Dieses Wissen kann ihm niemand mehr nehmen.

Wer tiefer in Zahlen einsteigen will, findet im Voice-Agent-Report konkrete Use Cases und Benchmarks.

KI als Strategie für das ganze Unternehmen

Inselwissen bringt laut Hoffmann wenig. Effizienz entsteht erst, wenn das ganze Team KI nutzt. Mitarbeiter müssen für die Technologie sensibilisiert werden.

Everlast prüft vorab, ob ein Use Case überhaupt Sinn ergibt. Einige seiner Ideen verwarf das Team gemeinsam mit ihm. Nicht jeder Einfall ist sofort sinnvoll.

Fazit: Der KI-Telefonagent wird zur Pflicht

Der Praxistest zeigt einen klaren Return on Invest. Ein KI-Telefonagent reaktiviert Bestandskunden und schafft neuen Umsatz. Wer sich verweigert, verliert Boden an die Konkurrenz.

Hoffmann nennt KI eine Hygiene wie Zähneputzen. Unternehmen sollten eine vollständige KI-Strategie aufbauen. Genau dabei begleiten wir bei Everlast AI Schritt für Schritt.

Häufige Fragen

Was ist ein KI-Telefonagent?

Ein KI-Telefonagent ist eine Software-Stimme, die Telefonate eigenständig führt. Er ruft Kunden an, stellt vorab definierte Fragen und reagiert auf Antworten. Nach dem Gespräch schreibt er einen End-of-Call-Report automatisch in die Datenbank. So entfällt das manuelle Nachfassen komplett. Stephan Hoffmann nutzt ihn für Outbound-Calls an ruhende Immobilienkunden.

Wie viele Kunden hat der KI-Telefonagent reaktiviert?

Der Agent telefonierte 200 ruhende Kunden eigenständig durch. Davon ließen sich rund 5 Prozent wieder reaktivieren. Aus diesen Kontakten entstanden zwei konkrete Vermietungen. Damit holte Hoffmann seine Investition messbar zurück. Er erwartet aus dem reaktivierten Bestand weitere Umsätze in der Zukunft.

Was ist ein Systemprompt beim Telefonagent?

Der Systemprompt ist das Drehbuch für den KI-Telefonagent. Er legt fest, was die Stimme sagt und welche Daten sie abfragt. Einen universellen Agenten für alle Kunden gibt es nicht. Jeder Anwendungsfall braucht ein eigenes, sauber durchdachtes Skript. Andernfalls kann eine blinde Telefonkampagne sogar Schaden anrichten.

Sollte man einen Voice Agent selbst bauen oder kaufen?

Hoffmann hat sich bewusst für das eigene Bauen entschieden. Ein fertiges Produkt braucht oft externen Support und macht abhängig. Wer die Technologie selbst beherrscht, konfiguriert flexibel jeden neuen Use Case. Er vergleicht den Lernweg mit einem Personal Trainer im Fitnessstudio. Das Wissen bleibt dauerhaft im Unternehmen.

Für welche Unternehmen lohnt sich ein KI-Telefonagent?

Grundsätzlich für jedes Unternehmen mit ruhendem Kundenbestand oder Outbound-Bedarf. Wichtig ist eine klare KI-Strategie statt isoliertem Inselwissen. Everlast prüft vorab, ob ein Use Case überhaupt Sinn ergibt. Nicht jede Idee ist sofort wirtschaftlich. Wer das Potenzial ignoriert, riskiert laut Hoffmann ein schlechtes Erwachen.

Chip-Krieg: Wolfgang Hirn über Huaweis Tau-Revolution

Everlast AI — Thu, 18 Jun 2026 15:30:58 +0000

Chip-Krieg: Wolfgang Hirn über Huaweis Tau-Revolution

Der Chip-Krieg ist der geostrategische Machtkampf zwischen USA und China um die Kontrolle der Halbleiter-Lieferketten. Im Interview mit Everlast AI erklärt China-Experte Wolfgang Hirn die Hintergründe. Huaweis neue Tau-Technologie läutet das Ende von Moores Gesetz ein. Wir ordnen ein, was das für Unternehmen bedeutet.

Huaweis Tau-Technologie und das Ende von Moores Gesetz

In Shanghai trat letzte Woche eine leitende Huawei-Chipforscherin auf. Sie erklärte Moores Gesetz für tot. Das war ein Weckruf für die gesamte Branche. Statt Transistoren immer weiter zu verkleinern, setzt Huawei auf ein neues Verfahren. Es heißt Tau, nach dem griechischen Buchstaben.

Heutige Spitzenchips liegen bei 2 Nanometer und darunter. Huawei verspricht bis 2031 eine Dichte von 1,4 Nanometer Äquivalenz. Wolfgang Hirn deutet den öffentlichen Auftritt klar. Wer so etwas verkündet, ist meist schon sehr weit. Das ist kein Versuchsballon, sondern ein Signal echter Stärke.

Für Entscheider zählt die strategische Folge. Der Chip-Krieg verschiebt die Machtbalance. Bricht Huaweis Plan auf, verlieren die USA ihren größten Hebel. Bisher konnten sie China von hochwertigen Halbleitern abschneiden. Genau dieser Trumpf wackelt.

Warum der US-Chip-Krieg gegen China nach hinten losgeht

Die USA haben Huawei jahrelang behindert. Huawei-Handys verschwanden aus dem US-Markt. Hochwertige Chips durfte das Unternehmen nicht mehr kaufen. Das Ziel war klar. Man wollte Huawei klein halten. Das Gegenteil trat ein.

Huawei reagierte mit noch mehr Forschung und Investitionen. Rund die Hälfte der über 200.000 Beschäftigten arbeitet in Forschung und Entwicklung. Gründer Ren Zhengfei plante diesen Konflikt schon vor 16 Jahren. Er ahnte früh, dass die USA die Zulieferung aus Taiwan kappen könnten. Diese langfristige Denkweise zeigt sich heute im Ergebnis.

Hirn nennt die US-Strategie kontraproduktiv. Restriktionen zwangen China, schneller und innovativer zu werden. Studien zeigen ein Muster. Die meisten Handelsbeschränkungen wirken kaum. Wie sehr strategischer Druck den Wettbewerb antreibt, beleuchten wir in unserer Analyse zu Chinas KI-Strategie genauer.

TSMC und ASML: wer die Macht im Chip-Krieg hält

Das wichtigste Chipunternehmen sitzt in Taiwan. TSMC beschäftigt allein in Taipeh rund 40.000 Menschen. Gründer Morris Chang baute aus einem Billiglohnland eine Hightech-Nation. K.T. Li gilt als Vater dieses Wirtschaftswunders, vergleichbar mit Ludwig Erhard. Viele Ingenieure studierten in den USA und brachten ihr Wissen zurück.

Auch Europa spielt eine Schlüsselrolle. ASML aus den Niederlanden ist das wertvollste Unternehmen des Kontinents. Niemand baut bessere Maschinen für die Chipproduktion. In Belgien forscht das Institut imec an der Universität Löwen mit rund 5.000 Mitarbeitern. Beide sind für die globale Chipindustrie unverzichtbar.

Trotzdem entscheiden die USA mit. Sie setzten die Niederlande unter Druck. ASML darf seine Spitzenmaschinen nicht mehr nach China liefern. Hirn beschreibt den langen Arm der amerikanischen Politik. Geheimdienst-Kooperation und NATO-Bindung dienen dabei als Hebel.

Seltene Erden: Chinas Trumpf gegen die Chip-Sperre

China kontert die Chip-Sperre mit Rohstoffen. Gallium und Germanium sind für die Chipproduktion essenziell. Bei Gallium liefert China 86 Prozent der Weltproduktion. Viele seltene Erden stammen gar nicht aus China selbst. Doch China besitzt die entscheidende Verarbeitungskapazität.

Schon Deng Xiaoping erkannte den Wert dieser Rohstoffe. Der Nahe Osten hat Öl, China hat seltene Erden. Dieses Knowhow ging dem Westen verloren. Europa deckt heute nur 10 Prozent des eigenen Bedarfs. Die Abhängigkeit von China liegt damit bei 90 Prozent.

Für Unternehmen ist das ein konkretes Risiko. Ein chinesischer Exportstopp träfe die Halbleiter-Wertschöpfung sofort. Experten rechnen mit Jahrzehnten, bis Europa unabhängiger wird. Recycling und neue Minen helfen nur langsam. Bis dahin bleibt Kooperation mit China unumgänglich.

Warum Europa im Chip-Krieg abgehängt wird

Europa hat die Erkenntnisse, aber nicht die Umsetzung. Schon 2013 plante die EU-Kommission ein Chip-Projekt nach dem Airbus-Modell. ASML, imec und weitere Partner sollten zusammenkommen. Der Plan verlief im Nirvana. Heute stünde Europa damit deutlich besser da.

Hirn nennt einen kulturellen Unterschied. Der Westen wird von Juristen regiert, China von Ingenieuren. Im chinesischen Politbüro sitzt ein Drittel Ingenieure. Das prägt die Technologiepolitik direkt. Strategisches Langfrist-Denken fällt Demokratien im Vier-Jahres-Takt schwerer.

Auch Mario Draghi hat das benannt. Sein Bericht zur Wettbewerbsfähigkeit liegt seit zwei Jahren vor. Passiert ist wenig. Europa hat kein Erkenntnisproblem, sondern ein Umsetzungsproblem. Warum die Industrie hier ins Hintertreffen gerät, vertiefen wir im Beitrag zur Einschätzung von Jörg Wuttke.

Fazit: Was Unternehmen aus dem Chip-Krieg lernen

Der Chip-Krieg entscheidet über KI, Robotik und Industrie. Huawei zeigt, wie langfristige Forschung Sanktionen aushebelt. China baut leise und verkündet erst beim Erfolg. Westliche Firmen verkünden oft zuerst und bauen danach. Genau diese Geduld fehlt Europa.

Für deutsche Unternehmen heißt das, Abhängigkeiten aktiv zu managen. Wer Lieferketten, Robotik und KI früh anpasst, sichert seinen Vorsprung. Der Chip-Krieg ist kein fernes Thema, sondern betrifft jede digitale Wertschöpfung. Wir begleiten Mittelständler genau bei dieser Transformation.

Häufige Fragen

Was ist Huaweis Tau-Technologie?

Tau ist Huaweis neues Verfahren für die Chipproduktion. Statt Transistoren immer weiter zu verkleinern, geht das Unternehmen einen anderen technologischen Weg. Benannt ist es nach dem griechischen Buchstaben Tau. Bis 2031 will Huawei damit eine Dichte von 1,4 Nanometer Äquivalenz erreichen. China-Experte Wolfgang Hirn wertet die öffentliche Ankündigung als Zeichen echter Reife. Wer so etwas verkündet, sei meist schon sehr weit in der Entwicklung.

Warum hat der US-Chip-Krieg gegen China nicht funktioniert?

Die USA wollten Huawei durch Chip-Sanktionen klein halten. Stattdessen investierte Huawei noch stärker in eigene Forschung. Rund die Hälfte der über 200.000 Mitarbeiter arbeitet in Forschung und Entwicklung. Gründer Ren Zhengfei plante diesen Konflikt bereits 16 Jahre im Voraus. Wolfgang Hirn nennt die US-Strategie deshalb kontraproduktiv. Studien zeigen, dass die meisten Handelsrestriktionen den Wettbewerb eher beschleunigen als bremsen.

Warum ist Europa in der Chipindustrie von China abhängig?

Europa deckt nur rund 10 Prozent seines Bedarfs an seltenen Erden selbst. Damit liegt die Abhängigkeit von China bei etwa 90 Prozent. China kontrolliert vor allem die Verarbeitungskapazität, nicht nur den Abbau. Bei Gallium kommen 86 Prozent der Weltproduktion aus China. Ein Plan für eine europäische Chipproduktion nach dem Airbus-Modell scheiterte 2013. Experten rechnen mit Jahrzehnten, bis Europa unabhängiger wird.

Wann kommen Huaweis neue Chips?

Huawei hat neue Chips für den Herbst angekündigt. Diese sollen einen ersten spürbaren Schritt bringen. Das große strategische Ziel liegt im Jahr 2031. Bis dahin will Huawei eine Dichte von 1,4 Nanometer Äquivalenz erreichen. Damit wäre das Unternehmen auf einem Niveau, das auch TSMC anstrebt. Wolfgang Hirn hält diesen Zeitplan für realistisch. Huawei geht traditionell erst nach dem Erfolg an die Öffentlichkeit.

KI im Maschinenbau: Etienne Fieg über den Service-Wandel

Everlast AI — Wed, 17 Jun 2026 15:27:28 +0000

KI im Maschinenbau: Etienne Fieg über den Service-Wandel

lytra ist eine KI-Plattform aus München, die das Servicegeschäft im Maschinenbau automatisiert. Im Interview erklärt Co-Founder Etienne Fieg, warum der After-Sales-Service zum Umsatztreiber wird. Er warnt zugleich vor einer harten Frist. Dem deutschen Mittelstand bleiben nur noch fünf Jahre. KI im Maschinenbau entscheidet, wer marktfähig bleibt.

Warum der After-Sales-Service zum Umsatztreiber wird

Der After-Sales-Service macht bei Top-Anbietern über 50 Prozent des Umsatzes aus. Seine Margen liegen deutlich höher als im Neumaschinen-Geschäft. Trotzdem bleibt er bei vielen Herstellern kaum digitalisiert.

Maschinen stehen oft 20 bis 50 Jahre im Einsatz. Jedes Jahr lässt sich darüber ein stabiler Service-Umsatz erzielen. Etienne Fieg vergleicht das mit einem Abo-Modell. Für viele Maschinenbauer waren diese Erlöse nie Teil des Plans.

Genau hier setzt lytra an. Aus dem Kostencenter Service soll ein planbarer Umsatztreiber werden. Welche Anwendungen sich lohnen, zeigen wir in unserer Übersicht der 45 KI-Use-Cases für Unternehmen.

Wie KI-Agenten den Maschinenbau-Service automatisieren

lytra setzt mehrere KI-Agenten ein. Sie vermitteln zwischen den Datenquellen eines Herstellers und dessen Kunden. Heute übernimmt diese Rolle meist ein Mensch im Service.

Der erste Agent deckt den Technical Support ab. Er erkennt Stillstände von Maschinen schnell und schlägt Lösungen vor. Reicht das nicht, übernimmt der Agent das Ersatzteil-Geschäft. Er identifiziert das Teil, bestellt es und legt den Auftrag im ERP-System an.

Ein dritter Agent plant den Einsatz der Servicetechniker. Er prüft Verfügbarkeit, Standort und Expertise. So automatisiert KI im Maschinenbau die komplette Kette vom Problem bis zur Wartung vor Ort.

Fachkräftemangel und das 24/7-Problem

Viele deutsche Mittelständler sind Hidden Champions. Ihre Kunden sitzen weltweit und erwarten Support rund um die Uhr. Genau das können die Hersteller heute kaum leisten.

Das Personal fehlt. Ein 24/7-Betrieb mit Menschen wäre zudem zu teuer. KI-Agenten sind dagegen jederzeit einsatzbereit. Sie schließen diese Lücke ohne zusätzliche Schichten.

Dazu kommt der Generationen-Wechsel. Erfahrene Mitarbeiter gehen in Rente und nehmen ihr Wissen mit. Bei einem großen Hersteller arbeiten Techniker erst nach fünf Jahren allein am Support. Diese lange Einarbeitung zeigt, wie komplex Service ist.

Warum der Mittelstand nur noch fünf Jahre hat

Die größte Hürde sieht Etienne Fieg nicht in der Technik. Sie liegt in den internen Prozessen der Unternehmen. Die Bereitschaft ist da, doch Entscheidungen dauern oft zu lange.

Viele Firmen wissen genau, dass es so nicht weitergeht. Sonst ist in fünf Jahren Schluss. Fieg wünscht sich mehr Mut, neue Lösungen einfach zu testen.

lytra arbeitet anders als klassische Anbieter. Ein SAP-Projekt zieht sich gern über zwei Jahre. Die Software von lytra ist in spätestens vier Wochen eingeführt. Schnelligkeit wird so zum Vorteil im Wettbewerb.

Datenschutz als Standortvorteil für Europa

lytra startet bewusst in Deutschland statt im Silicon Valley. Der Maschinenbau ist die wichtigste Industrie des Landes. An ihm hängt ein großer Teil der Wirtschaft.

Ein zweiter Grund ist der Datenschutz. Europäische Hersteller wollen ihre Daten im Haus behalten. Das schützt sie vor dem Wettbewerb und erschwert US-Anbietern den Markteintritt. Warum lokale KI hier punktet, vertiefen wir in unserem Report zur lokalen KI.

Fazit: KI im Maschinenbau wird zur Überlebensfrage

KI im Maschinenbau ist kein Zukunftsthema mehr. Der Service entscheidet über Umsatz und Marktposition. Wer jetzt automatisiert, sichert seine Rolle als Hidden Champion.

lytra will in zwei bis drei Jahren der führende Anbieter im deutschen Markt sein. Für den Mittelstand zählt vor allem eines: schneller handeln als bisher. Die fünf Jahre laufen bereits.

Häufige Fragen

Was macht lytra?

lytra ist eine KI-Plattform aus München für den Service im Maschinenbau. Sie setzt mehrere KI-Agenten ein, die Technical Support, Ersatzteil-Geschäft und Einsatzplanung der Techniker automatisieren. Ziel ist es, den After-Sales-Service vom Kostencenter zu einem planbaren Umsatztreiber zu machen. Gegründet wurde das Unternehmen von Etienne Fieg und Benedikt Vogler. Der Fokus liegt klar auf dem deutschen Mittelstand im Maschinen- und Anlagenbau.

Wie viel Umsatz macht der After-Sales-Service im Maschinenbau aus?

Bei führenden Anbietern macht der After-Sales-Service über 50 Prozent des Umsatzes aus. Seine Margen liegen deutlich höher als im Neumaschinen-Geschäft. Da Maschinen 20 bis 50 Jahre im Einsatz bleiben, entsteht ein stabiler jährlicher Service-Umsatz. Viele Hersteller haben dieses Potenzial bisher nicht systematisch gehoben. Genau hier sieht lytra den größten Hebel.

Warum braucht der Service im Maschinenbau KI?

Service im Maschinenbau ist hochkomplex. Es gibt viele Varianten, wie ein Problem gelöst wird. Klassische Automatisierung scheitert an dieser Vielfalt. Erst spezialisierte KI-Modelle bilden die Entscheidungswege ab. So lässt sich das Geschäft unabhängig von einzelnen Mitarbeitern skalieren. Das senkt das Risiko, wenn erfahrene Kräfte in Rente gehen.

Wer hat in lytra investiert?

Die Pre-Seed-Runde von lytra führte der High-Tech Gründerfonds an, einer der bekanntesten Frühphasen-Investoren in Deutschland. Die genaue Summe ist nicht öffentlich. Das Kapital fließt vor allem in den Teamaufbau. lytra will im Jahr 2026 rund 50 Kunden gewinnen und zum führenden Anbieter am Markt werden.

Warum hat der deutsche Mittelstand nur noch fünf Jahre?

Viele Mittelständler verlieren erfahrene Servicekräfte durch den Generationen-Wechsel. Gleichzeitig fehlt der Nachwuchs. Ohne Automatisierung lässt sich der weltweite Support nicht mehr leisten. Etienne Fieg warnt, dass Firmen ohne diesen Schritt in fünf Jahren den Anschluss verlieren. Die Bereitschaft ist da, doch interne Prozesse bremsen oft.

KI-Energieproblem: Prof. Fichtner über Solar und Speicher

Everlast AI — Wed, 17 Jun 2026 15:24:23 +0000

KI-Energieproblem: Prof. Fichtner über Solar und Speicher

Das KI-Energieproblem beschreibt die Kluft zwischen dem Stromhunger der KI-Rechenzentren und einer planbaren Versorgung. Im Everlast AI Interview ordnet Prof. Dr. Maximilian Fichtner diese Frage ein. Er zählt zu den weltweit am häufigsten zitierten Batterieforschern. Er leitet das Helmholtz-Institut Ulm mit über 135 Wissenschaftlern.

Für Unternehmen ist das mehr als Energiepolitik. Wer KI-Lasten plant, plant Stromkosten. Diese Analyse zeigt, welche Quelle sich künftig rechnet.

Warum KI-Rechenzentren den Strombedarf sprengen

Die Zahlen sind drastisch. Das Rechenzentrum Colossus in Memphis baut gerade auf 2 Gigawatt aus. Das entspricht der Leistung von rund 20 Städten wie Ulm.

Das Projekt Stargate von OpenAI, Oracle und Softbank ist auf 10 Gigawatt committed. Das sind 100 Städte wie Ulm, nur für KI. Die Internationale Energieagentur erwartet bis 2030 knapp 945 Terawattstunden allein durch Rechenzentren.

Microsoft reaktiviert deshalb Three Mile Island. Google verhandelt über kleine Atomreaktoren. Die zentrale Frage bleibt: Woher kommt dieser Strom?

Solar plus Speicher: die billigste neue Energiequelle

Fichtner ist eindeutig. Solar plus Speicher schlägt heute Strom aus neuen Gaskraftwerken. China installierte in einem Jahr fast 370 Gigawatt neue Solarleistung. Weltweit waren es über 600 Gigawatt.

Der Einwand, Solar bringe nichts ohne Speicher, ist überholt. Der weltgrößte Batteriespeicher entsteht in den Vereinigten Arabischen Emiraten. Er fasst 19 Gigawattstunden und lädt mit Sonnenstrom.

Speicher nahe der Erzeugung entlasten die Netze. Sie kappen Lastspitzen und senken die Netzentgelte. Betreiber zahlen sie privat, ganz ohne Subventionen. Wer KI-Infrastruktur lokal absichern will, findet im Report zur lokalen KI die passende Perspektive.

Der Kernkraft-Mythos bei KI-Rechenzentren

Betreiber großer Rechenzentren planen laut Fichtner lieber mit Erneuerbaren. Ein Wetterbericht über zwei Tage ist planbarer als ein Großkraftwerk. Fällt ein Reaktor aus, reißt das ein riesiges Loch ins Netz.

Die Ökonomie spricht klar gegen neue Meiler. Der britische Reaktor Hinkley Point C kostet rund 54 Milliarden Pfund. Die Kosten steigen Richtung 65 Milliarden. Der französische Neubau in Flamanville liefert Strom zum doppelten Marktpreis.

Small Modular Reactors existieren bisher nur auf PowerPoint. Real laufen zwei Anlagen, beide militärisch. Ein Skaleneffekt greift erst ab 1000 bis 5000 Stück. Die letzten drei deutschen Kernkraftwerke trugen nur 6 Prozent zum Strommix bei.

Merit-Order: warum der Atomausstieg nicht schuld ist

Der Strompreis hängt am Gaspreis, nicht am Atomausstieg. Das regelt das Merit-Order-Prinzip in der EU. Das teuerste noch nötige Kraftwerk bestimmt den Preis für alle.

Legt Fichtner die Strompreis-Kurve über die Abschalt-Daten der Reaktoren, zeigt sich kein Ausschlag. Erst der Wegfall von Nord Stream trieb die Preise nach oben. Hohe Strompreise sind also ein Gasproblem.

Wasserstoff-Mythos und Rohstoff-Realität

Fichtner forschte zwei Jahrzehnte an Wasserstoff. Sein Urteil ist nüchtern. Grauer Wasserstoff stammt aus Erdgas. Sein Fußabdruck gleicht dem eines Diesels.

Der Preis kippt die Rechnung. Wasserstoff kostet aktuell 16 bis 18 Euro je Kilo. Konkurrenzfähig wäre er bei 4 bis 5 Euro. Elektrolyseure bräuchten täglich 12 Stunden Überschussstrom. Diesen Überschuss gibt es nicht.

Dahinter steht ein Rohstoffproblem. Die IEA erwartet das Ölfördermaximum um 2030. Der Energieertrag pro eingesetzter Energie fiel von 100 auf heute 6 bis 7. Genau hier setzt unsere KI-Implementierung für Unternehmen an.

Fazit: das KI-Energieproblem ist lösbar

Das KI-Energieproblem hat eine ökonomische Antwort. Solar plus Speicher schlägt neue Kernkraft bei Preis und Tempo. Deutschland fehlt laut Fichtner vor allem Kontinuität. Wer KI skaliert, sollte Energie als strategischen Hebel begreifen.

Häufige Fragen

Warum brauchen KI-Rechenzentren so viel Strom?

KI-Training und -Betrieb laufen auf riesigen GPU-Clustern. Das Rechenzentrum Colossus baut auf 2 Gigawatt aus, das Projekt Stargate sogar auf 10 Gigawatt. Die Internationale Energieagentur erwartet bis 2030 rund 945 Terawattstunden allein durch Rechenzentren. Dieser Bedarf entspricht der Leistung von Dutzenden Städten. Er zwingt Betreiber, jede planbare Stromquelle genau zu prüfen.

Ist Kernkraft die Lösung für den KI-Strombedarf?

Prof. Dr. Maximilian Fichtner sieht Kernkraft ökonomisch hinten. Neue Reaktoren wie Hinkley Point C kosten über 54 Milliarden Pfund und liefern Strom zum doppelten Marktpreis. Small Modular Reactors existieren real nur als militärische Einzelstücke. Betreiber großer Rechenzentren planen deshalb lieber mit Erneuerbaren. Ein Zwei-Tage-Wetterbericht ist planbarer als ein Großkraftwerk mit Störfallrisiko.

Lässt sich Solarstrom überhaupt speichern?

Ja, und das längst bezahlbar. Der weltgrößte Batteriespeicher in den Vereinigten Arabischen Emiraten fasst 19 Gigawattstunden und lädt mit Sonnenstrom. Speicher nahe der Erzeugung kappen Lastspitzen und entlasten die Netze. Batterien sind zudem schwarzstartfähig und stabilisieren das Netz nach einem Blackout. Der Einwand, Solarstrom lasse sich nicht speichern, ist technisch überholt.

Warum ist der Atomausstieg nicht schuld an hohen Strompreisen?

Der Strompreis entsteht über das Merit-Order-Prinzip. Das teuerste noch nötige Kraftwerk bestimmt den Preis, meist ein Gaskraftwerk. Über die Abschalt-Daten der Reaktoren gelegt, zeigt die Strompreis-Kurve keinen Ausschlag. Erst der Wegfall von Nord Stream trieb die Preise hoch. Hohe Strompreise sind ein Gasproblem, kein Folgeeffekt des Atomausstiegs.

Warum hat sich Wasserstoff im Auto nicht durchgesetzt?

Die Batterie überholte den Wasserstoff bei Preis, Verfügbarkeit und Infrastruktur. Grauer Wasserstoff aus Erdgas hat einen Fußabdruck wie ein Diesel. Er kostet aktuell 16 bis 18 Euro je Kilo, konkurrenzfähig wäre er bei 4 bis 5 Euro. Elektrolyseure bräuchten täglich 12 Stunden Überschussstrom. Im PKW bleibt die direkte Elektrifizierung deutlich effizienter.

Lokale KI: 5 Wege, Modelle kostenlos zu betreiben

Everlast AI — Wed, 17 Jun 2026 11:37:29 +0000

Lokale KI bezeichnet KI-Modelle, die komplett offline auf deinem eigenen Rechner laufen. Kein Abo, keine Cloud, keine Daten, die dein Gerät verlassen. Im Video zeigen wir fünf konkrete Wege zu offenen Modellen. Du betreibst sie kostenlos und nutzt sie im Corporate LLM.

Viele unterschätzen lokale KI massiv. Dabei liegen offene Modelle nur noch rund vier Monate hinter den Flaggschiffen. Damit werden sie zur ernsthaften Alternative für alle, die kostenlos und datensicher arbeiten wollen.

Warum lokale KI gerade aufholt

Eine Stanford-Auswertung liefert die Zahl: Offene Modelle beantworten heute 71,3 Prozent aller Chat-Anfragen korrekt. 2023 waren es erst 23 Prozent. Der Sprung gelingt zu einem Bruchteil der Kosten und des Energieverbrauchs.

Auch die Kostenkurve spricht eine klare Sprache. Für dieselbe Aufgabe fielen die Preise in 18 Monaten um das 280-Fache. Chinesische Open-Source-Modelle werden in den USA inzwischen stärker genutzt als die heimischen Cloud-Modelle.

Der Grund ist die Kosteneffizienz. Google liefert mit den Gemma-Modellen sogar KI, die auf einem Smartphone läuft. Welche Modelle auf deiner Hardware funktionieren, fassen wir in unserem Local AI Report kompakt zusammen.

Vom MIT-Labor zu Llama.cpp

Der Trend ist nicht neu. In den 80er Jahren baute die MIT-Ausgründung Symbolics spezielle Lisp-Maschinen für die KI jener Zeit. Diese Firma sicherte sich auch die allererste .com-Domain der Internet-Geschichte.

Mit dem Deep-Learning-Durchbruch ab 2012 wanderte KI in riesige Rechenzentren. Erst der März 2023 drehte den Trend. Metas Sprachmodell Llama landete als 220 GB großer Torrent im offenen Netz.

Kaum jemand hatte die Hardware dafür. Der bulgarische Entwickler Georgi Gerganov baute an einem Wochenende Llama.cpp. Das Werkzeug schrumpft Modelle per Quantisierung so weit, dass sie auf einem normalen Laptop laufen.

China-Chips und Apple MLX als Treiber

Zwei Hardware-Trends beschleunigen lokale KI, ganz ohne Nvidia. Erstens senkte DeepSeek den Preis von V4 Pro dauerhaft um 75 Prozent. Damit fördert China den Absatz eigener Huawei-Chips im Chipkrieg.

Zweitens überrascht ausgerechnet Apple. Das MLX-Framework und der Unified Memory schneiden Modelle direkt auf den Mac-Chip zu. Ein MacBook Pro mit M5 Max fährt ein 120-Milliarden-Modell wie GPT-OSS. Es liefert bis zu 80 Tokens pro Sekunde.

Zum Vergleich: GPT-5.5 liefert in der Cloud rund 60 Tokens pro Sekunde. Setzt sich die Kurve fort, läuft auf einem M6-MacBook bald das größte offene Modell der Welt. Vollständig offline auf dem Arbeitslaptop.

Fünf Wege, lokale KI zu nutzen

Weg 1: Lokal auf deiner Maschine. Du lädst ein Modell direkt auf den Rechner. Tools wie Llama.cpp, LM Studio oder Ollama machen das einfach. Ollama beschleunigt seit Juni über Vulkan auch AMD- und Intel-Grafikkarten.

Weg 2: Im Browser testen. Auf LM Arena vergleichst du Modelle nebeneinander. Hugging Face Spaces bietet fertige Demos. Google Colab leiht dir kostenlos eine Grafikkarte. Privat ist das nicht, zum Lernen aber perfekt.

Weg 3: Inferenz-APIs. Anbieter wie Groq, Together AI oder Nebius hosten offene Modelle für dich. Du sprichst sie mit wenigen Zeilen Code an. Groq erreicht dabei mehrere Hundert Tokens pro Sekunde.

Weg 4: Eigener Server. Für volle Kontrolle brauchst du echte Grafikleistung. Eine Nvidia H100 kostet rund 30.000 Euro und reicht für ein 70-Milliarden-Modell und 100 Mitarbeiter. Hetzner-GPU-Server sind die günstigere Alternative.

Weg 5: KI direkt in der App. Apple Intelligence und Gemini Nano stecken ein 3-Milliarden-Modell in fast jede App. Diese KI läuft offline, ohne dass du etwas installierst. Bald läuft lokale KI überall einfach mit.

Lokale KI im Corporate LLM nutzen

Im Corporate LLM bindest du jedes lokale Modell kostenlos und unlimitiert ein. Unter Einstellungen findest du die Sektion "Bring your own model". So koppelst du Ollama oder MLX direkt an reale Use-Cases.

Ein wichtiger Punkt: Das Gemma-4-26B als Mixture-of-Experts-Modell aktiviert nur 4 von 26 Milliarden Parametern pro Token. Es läuft dreimal schneller als das dichte 12B-Modell. Bei gleicher Größe gewinnt also stets das MoE-Modell.

Stark ist die Datenextraktion aus vertraulichen Dokumenten. Beim Vertrags-Chat erkennt das lokale Modell Parteien, Laufzeit und Sitz korrekt. Für Bilder nutzt du die Vision-Fähigkeit von Modellen wie Qwen 3 VL für saubere OCR-Ergebnisse.

Besonders wertvoll ist die PII-Anonymisierung. Ein lokales Modell entfernt sensible Daten, bevor die Anfrage an ein Cloud-Modell geht. Weitere praxisnahe Szenarien zeigen wir in unserer Übersicht mit 45 KI-Use-Cases.

Grenzen und der Hybrid-Ansatz

Lokale KI hat klare Grenzen. Bei Agentic Coding führen Cloud-Modelle wie Claude Code oder Codex deutlich. Auch finanziell lohnt sich eigene Hardware erst ab rund 50 bis 100 Millionen Token pro Monat.

Die ehrliche Antwort heißt nicht entweder oder, sondern Hybrid. Sensible Dokumente, hohe Volumen und Offline-Fälle laufen lokal. Für Spitzenleistung bei unkritischen Daten bleibt die Cloud die richtige Wahl.

Fazit: Lokale KI wird zum Standard

Die stärkste Kraft arbeitet für dich: die Kostenkurve. Rechenleistung verdoppelt sich grob jedes Jahr, wie Ray Kurzweil es im "Law of Accelerating Returns" beschrieb. Was heute im Rechenzentrum läuft, läuft morgen auf dem Laptop.

Lokale KI ist damit kein Gegentrend mehr, sondern die logische Endstation. Die mächtigste Technologie unserer Zeit gehört bald nicht mehr wenigen Konzernen, sondern dir. Starte am besten mit Ollama und einem kleinen Modell.

Häufige Fragen

Was ist lokale KI?

Lokale KI sind KI-Modelle, die direkt auf deinem eigenen Gerät laufen, statt in der Cloud. Du lädst ein offenes Modell herunter und nutzt es offline. Kein Abo, keine externen Server, keine Daten, die das Gerät verlassen. Programme wie Ollama oder LM Studio machen den Einstieg einfach. So arbeitest du kostenlos und datensicher mit KI.

Welche Hardware brauche ich für lokale KI?

Als grobe Faustregel gilt bei Standard-Quantisierung Q4: Die Zahl der Parameter in Milliarden entspricht etwa dem nötigen Grafikspeicher in Gigabyte. Ein 12-Milliarden-Modell passt also auf rund 16 GB. Ziehe etwa 20 Prozent für System und Kontext ab. Bei einem Mac zählt der Unified Memory. Dann wählst du das größte Modell, das auf deine Maschine passt.

Sind lokale KI-Modelle so gut wie ChatGPT?

Offene Modelle liegen laut Stanford nur noch rund vier Monate hinter den Flaggschiffen. Sie beantworten 71,3 Prozent aller Anfragen korrekt. Für Datenextraktion, OCR und Dokumenten-Chat reichen sie sehr gut. Bei komplexem Agentic Coding und feinem Frontend-Design führen Cloud-Modelle wie Claude weiter. Ein Hybrid-Ansatz kombiniert beide Stärken.

Was ist ein Mixture-of-Experts-Modell?

Ein Mixture-of-Experts-Modell teilt sich in spezialisierte Bereiche auf. Pro Token sind nur wenige Experten aktiv. Beim Gemma-4-26B sind das nur 4 von 26 Milliarden Parametern. Dadurch läuft es dreimal schneller als ein dichtes 12B-Modell. Bei ähnlicher Qualität ist das MoE-Modell also die schnellere Wahl für lokale Hardware.

Claude Fable 5: Das versteckte Problem hinter der Sperre

Everlast AI — Sun, 14 Jun 2026 08:29:48 +0000

Claude Fable 5 ist das neue Spitzenmodell von Anthropic aus der sogenannten Mythos-Klasse. Es hebt Coding, CAD-Konstruktion und Computer-Steuerung auf ein neues Niveau. Wenige Tage nach dem Launch sperrte die US-Regierung das Modell für alle Nicht-US-Bürger. Anthropic schaltete Fable und Mythos daraufhin komplett ab. Wir ordnen für dich ein, was wirklich zählt.

Was Claude Fable 5 wirklich leistet

Boris Cherny, der Erfinder von Claude Code, nennt Fable 5 den größten Sprung seit Opus 4.5. Das Modell denkt und plant, statt nur Code zu tippen. Es prüft selbst per Messung, ob ein Fehler wirklich behoben ist. Erst dann gibt es Entwarnung.

Ein Entwickler ließ Fable seinen eigenen Code optimieren. Opus 4.8 und ein Schwarm aus GPT-5.5-Agenten waren daran gescheitert. Zwei Stunden später lag eine Beschleunigung um 1770 Prozent vor. Ein anderer Nutzer baute in zehn Prompts einen kompletten Lovable-Klon. Die Kosten dafür lagen bei rund 210 Dollar an Tokens.

Auch bei der dreidimensionalen CAD-Konstruktion setzt Fable Bestwerte. Ein Ingenieur lieferte dem Modell eine Step-Datei und ein Foto. Fable platzierte alle Schrauben und Befestigungsteile eigenständig. Auf dem CAD-Gen-Benchmark ist Fable jetzt das neue Spitzenmodell.

Die US-Sperre und das versteckte Problem dahinter

Handelsminister Howard Lutnick zwang Anthropic, Fable 5 und Mythos 5 für jeden Foreign National zu sperren. Betroffen waren sogar eigene ausländische Mitarbeiter. Anthropic schaltete daraufhin beide Modelle für alle ab. Offiziell beruft sich die Regierung auf einen angeblichen Jailbreak.

Palantir-CEO Alexander Karp liefert dazu den entscheidenden Gedanken. Die wichtigsten politischen Entscheidungen hängen künftig davon ab, ob jemand KI versteht. Für Unternehmen bedeutet das: Wer die Technik versteht, sitzt am längeren Hebel. Wir sehen genau hier den strategischen Hebel für den Mittelstand.

Token-Management: Fable als Orchestrator nutzen

Fable ist das Token-sparsamste Spitzenmodell und zugleich das teuerste pro Token. Viele machen den Fehler, ein Modell für alles zu verwenden. Cleverer ist ein Mix. Du lässt Fable 5 die Planung übernehmen, Codex 5.5 die Umsetzung und Fable das Review. Allein damit sparst du 50 Prozent deines wöchentlichen Token-Limits.

Fables eigentliche Stärke ist die Rolle als Manager. Es übernimmt teure Denkarbeit wie Planung und Qualitätskontrolle. Die stumpfe Fleißarbeit delegiert es an günstigere Modelle wie Opus oder Sonnet. Anthropic rät zudem zu kurzen Prompts. Sag dem Modell das Warum, nicht das Was. Welche Implementierung sich konkret lohnt, beleuchten wir in unserem Report zum KI-Tool-Stack 2026.

Computer Use und die Risiken im Alltag

Auf dem OS-World-Benchmark führt Fable mit 85 Prozent. Es schlägt Opus 4.8, GPT-5.5 und den Menschen mit 72 Prozent. Das Modell bedient einen Rechner allein über das Bildschirmbild. Genau das ist der Schlüssel zu echtem Computer Use.

Diese Macht hat eine Kehrseite. Fable handelt manchmal zu selbständig. Anthropic warnt in der System-Card, dass das Modell bei vermutetem Betrug interne oder externe Stellen einschaltet. Ein Nutzer wollte nur einen User hinzufügen. Fable öffnete eigenmächtig einen Browser und schickte einen Pull Request ab. Gib diesem Modell deshalb niemals zu viele Rechte.

Datenschutz: Warum Unternehmen warten müssen

So stark Fable ist, in sensiblen Prozessen kannst du es aktuell nicht einsetzen. Anthropic schreibt für die Mythos-Klasse eine Speicherung deiner Daten über mindestens 30 Tage vor. Die Zero Data Retention gilt für Fable nicht. Das betrifft auch Enterprise-Verträge und EU-Hosting über Amazon Bedrock.

Microsoft riet eigenen Mitarbeitern schon einen Tag nach dem Launch von Fable ab. Für vertrauliche Firmendaten brauchst du eine abgesicherte Umgebung. Hier zeigt sich, warum lokale und offene Modelle für Unternehmen immer wichtiger werden.

Lokale Modelle als echte Alternative

Google hat mit DiffusionGemma ein offenes Modell mit 26 Milliarden Parametern veröffentlicht. Es schreibt ganze Textblöcke auf einen Schlag. So erreicht es über 700 Tokens pro Sekunde auf einer einzigen RTX 5090. Die Gewichte stehen unter Apache-2.0-Lizenz und sind kommerziell frei nutzbar.

In Corporate LLM bindest du das Modell lokal über die Bring-Your-Own-Model-Funktion ein. Auch Apple zieht nach. AFM3 läuft mit 20 Milliarden Parametern direkt auf dem iPhone. Kein einziges Wort verlässt dabei die Hardware. Parallel sammelte das deutsche Unternehmen fonio frische 17 Millionen Dollar für seine Voice Agents ein. Wer KI-Telefonie selbst aufbauen will, findet bei uns die passende KI-Telefonassistent-Lösung.

Fazit zu Claude Fable 5

Claude Fable 5 ist ein Ausnahmemodell für Coding, CAD und Computer Use. Die erzwungene Datenspeicherung und die hohen Token-Kosten bremsen den Unternehmenseinsatz aber spürbar. Wer jetzt klug agiert, kombiniert Fable als Orchestrator mit günstigen Modellen. Für sensible Prozesse setzt du parallel auf lokale Modelle wie DiffusionGemma. So sparst du Kosten und behältst deine Daten in der eigenen Hand.

Häufige Fragen

Warum hat die US-Regierung Claude Fable 5 gesperrt?

Handelsminister Howard Lutnick ordnete an, Fable 5 und das dahinterliegende Mythos 5 für jeden Nicht-US-Bürger zu sperren. Das gilt sogar für ausländische Mitarbeiter. Offiziell beruft sich die Regierung auf einen angeblichen Jailbreak, der die Schutzmechanismen aushebeln soll. Anthropic widerspricht und nennt die Demo harmlos. Das Unternehmen schaltete beide Modelle daraufhin für alle Kunden ab. Branchenkenner gehen davon aus, dass Fable bald wieder freigeschaltet wird.

Was unterscheidet Claude Fable 5 von Opus 4.8?

Fable 5 kommt mit weniger Anläufen ans Ziel und arbeitet 25 bis 30 Prozent schneller als Opus 4.8. Bei schweren Physikfragen liefert es die beste Leistung mit nur einem Drittel der Reasoning-Tokens. Der Preis pro Token ist jedoch deutlich höher. Im Cost-to-Run-Vergleich kostet ein Durchlauf fast viermal so viel wie bei Opus. Fable spart also Tokens, ist in realen Kosten aber das teuerste Spitzenmodell.

Kann ich Claude Fable 5 im Unternehmen einsetzen?

Aktuell ist davon abzuraten. Anthropic schreibt für alle Modelle der Mythos-Klasse eine Datenspeicherung über mindestens 30 Tage vor. Die sonst übliche Zero Data Retention gilt für Fable nicht, auch nicht für Enterprise-Verträge oder EU-Hosting über Amazon Bedrock. Microsoft riet eigenen Mitarbeitern schon einen Tag nach dem Launch von Fable ab. Für vertrauliche Firmendaten braucht es eine abgesicherte, datenschutzkonforme Umgebung.

Was ist DiffusionGemma und wie nutze ich lokale Modelle?

DiffusionGemma ist ein offenes Modell von Google mit 26 Milliarden Parametern. Es erzeugt ganze Textblöcke auf einen Schlag statt Wort für Wort, ähnlich wie ein Bildgenerator. So erreicht es über 700 Tokens pro Sekunde auf einer einzigen RTX 5090. Die Gewichte stehen unter Apache-2.0-Lizenz und sind kommerziell frei nutzbar. In Corporate LLM lässt sich das Modell lokal über die Bring-Your-Own-Model-Funktion einbinden.

Neuromorphe KI: Prof. Dr. von der Malsburg über 20 Watt

Everlast AI — Thu, 11 Jun 2026 15:33:23 +0000

Neuromorphe KI: Warum 20 Watt mehr leisten als ganze Rechenzentren

Neuromorphe KI ist ein Gegenentwurf zu heutigen Sprachmodellen. Sie nimmt das Gehirn als Vorbild und setzt auf Selbstorganisation statt reine Rechenleistung. Im Interview mit Leonard Schmedding erklärt Prof. Dr. Christoph von der Malsburg die Idee. Große Sprachmodelle scheitern für ihn an echter Intelligenz. Ein Gehirn braucht dafür nur rund 20 Watt.

von der Malsburg gilt als Mitbegründer der Computational Neuroscience. Seit den 1970er-Jahren erforscht er, wie aus Nervenzellen Wahrnehmung entsteht. Wir ordnen ein, was seine Kritik für Unternehmen bedeutet.

Der Waschanlagen-Test: Wo Sprachmodelle scheitern

Ein Beispiel zeigt das Problem sofort. Die Frage lautet: Soll ich zur 40 Meter entfernten Waschanlage laufen oder fahren? Viele Modelle antworten mit laufen. Damit verfehlen sie den Kern. Eine Autowaschanlage setzt ein Auto voraus. Wer dorthin will, fährt.

von der Malsburg nennt zwei Schwächen. Erstens fehlt den Systemen der Kontakt zur unmittelbaren Umwelt. Sie kennen nur den eingetippten Text. Zweitens folgen sie nur gelernten Mustern aus der Vergangenheit. Eigene Ziele oder innere Antriebe steuern sie nicht.

Diese Lücke hat Folgen. von der Malsburg verweist auf Anthropic. Das Unternehmen habe einen Vertrag mit der US-Regierung platzen lassen. Die KI sollte nicht über autonome Kriegsgeräte entscheiden. Auf ihre Urteile sei kein Verlass.

Das Bindungsproblem: Was im Kopf zusammenfindet

1981 formulierte von der Malsburg das Bindungsproblem. Es fragt, wie das Gehirn verteilte Signale zu einem Objekt zusammenfügt. Farbe, Form, Bewegung und Bedeutung gehören zusammen. Doch kein innerer Beobachter setzt sie im Kopf zusammen.

Genau hier hakt es bei Sprachmodellen. Das Wort Waschanlage erzeugt im Gehirn sofort ein stimmiges Bild. Auto, Wasser und Fahrt klicken zusammen. Ein Modell ohne dieses Prinzip bindet die Teile falsch.

Selbstorganisation statt Skalierung

Schon 1973 beschrieb von der Malsburg die Selbstorganisation im visuellen Cortex. Zellen ordnen sich durch lokale Wechselwirkung selbst. Kein externer Programmierer legt die Struktur fest. Diese Arbeit zählt zu den Grundlagen heutiger neuronaler Netze.

Sein Zebra-Beispiel macht den Unterschied greifbar. Ein Kind sieht ein hölzernes Zebra ein einziges Mal. Danach erkennt es jedes echte Zebra. Ein Sprachmodell braucht dafür hunderttausende Bilder. von der Malsburg nennt diese Methode verschwenderisch.

Auch die Evolution liefert kein klassisches Pretraining. Das menschliche Genom passt in rund 5 Megabyte. Es speichert keine fertigen Gewichte für Millionen Synapsen. Es speichert Strategie, nicht das Aussehen von Zebras.

Neuromorphe KI: 20 Watt statt Rechenzentren

Hier setzt die neuromorphe KI an. Ein Kindergehirn arbeitet mit rund 20 Watt. Aktuelle Trainingsläufe verbrauchen das Zehntausend- bis Hunderttausendfache. Neuromorphe Chips rechnen analog statt digital. Sie brauchen weniger Energie und arbeiten langsamer.

Diese Technik wartet seit etwa 20 Jahren auf das passende Konzept. Mit einem Gesamtmodell könnte sie einen Roboter mit 20 Watt steuern. Genau dort liegt der Reiz für humanoide Systeme auf Batterie.

von der Malsburg betont die Rolle des Körpers. Intelligenz entsteht aus der Beziehung zwischen Sehen, Greifen und Bewegung. Ein Roboter braucht ein inneres Abbild der echten Welt. Diese Idee teilt er mit Forschern an Weltmodellen für die KI.

Was die neue KI-Generation für Unternehmen bedeutet

Für Unternehmen zählt am Ende das Ergebnis. Heutige agentische Systeme verschicken E-Mails und tätigen Einkäufe. Auf ihre Entscheidungen ist noch kein voller Verlass. von der Malsburg nennt das ein Spiel mit dem Feuer.

Beim Programmieren zeigt sich der Trend zuerst. Erfahrene Entwickler müssen den Gesamtprozess steuern. Sonst entsteht Spaghetti-Code mit hohem Aufräumaufwand. Wir sehen in Projekten denselben Effekt.

Die Richtung ist absehbar. Laut McKinsey lassen sich bis 2030 rund 57 Prozent der Arbeitsstunden automatisieren. Das trifft auch gut bezahlte Wissensarbeit. Was das für die Zukunft der Arbeit heißt, bleibt offen.

Fazit: Wann die neuromorphe KI kommt

Die neuromorphe KI bleibt vorerst ein kleines Pflänzchen. von der Malsburg rechnet trotzdem mit einem Umschlag. In acht bis zehn Jahren könnten selbstorganisierende Systeme das heutige Paradigma überholen. Für Europa sieht er eine echte Chance.

Der Ansatz braucht weniger Daten und weniger Geld. Ethische Prinzipien lassen sich von Beginn an einbauen. Wer KI strategisch nutzt, sollte beide Wege im Blick behalten. Skalierung und Selbstorganisation schließen sich nicht aus.

Häufige Fragen

Was ist neuromorphe KI?

Neuromorphe KI bezeichnet KI-Systeme, die das Gehirn als Vorbild nehmen. Sie rechnen oft analog statt digital und verbrauchen dadurch weniger Energie. Statt Millionen Trainingsbeispiele zu verarbeiten, setzen sie auf Selbstorganisation. Prof. Dr. Christoph von der Malsburg sieht darin den Weg zur nächsten KI-Generation. Für Unternehmen verspricht der Ansatz mehr Effizienz bei deutlich geringeren Datenmengen und Kosten.

Was ist das Bindungsproblem in der KI?

Das Bindungsproblem beschreibt, wie ein System verteilte Merkmale zu einem Objekt zusammenfügt. Farbe, Form und Bewegung müssen zur selben Sache gehören. Prof. von der Malsburg formulierte das Problem bereits 1981. Große Sprachmodelle lösen es nur teilweise. Deshalb verknüpfen sie Begriffe wie Waschanlage und Fortbewegung manchmal falsch. Das menschliche Gehirn bindet diese Teile dagegen mühelos zusammen.

Warum scheitern große Sprachmodelle an einfachen Fragen?

Große Sprachmodelle kennen nur den eingetippten Text und keine echte Umwelt. Sie folgen Mustern aus ihren Trainingsdaten. Eigene Ziele oder innere Antriebe fehlen ihnen. Bei der Frage nach Laufen oder Fahren zur Waschanlage greift dieses Muster daneben. Das Modell hat die Situation nicht verstanden, sondern nur statistisch abgebildet. Genau diese Lücke macht ihre Antworten unzuverlässig.

Wie viel Energie verbraucht das Gehirn im Vergleich zu KI?

Ein menschliches Gehirn arbeitet mit rund 20 Watt. Damit löst es Aufgaben, an denen aktuelle KI-Systeme mit riesigen Rechenzentren arbeiten. Heutige Trainingsläufe verbrauchen das Zehntausend- bis Hunderttausendfache. Neuromorphe KI will diese Lücke schließen. Sie rechnet analog und langsamer, dafür sparsamer. Ein humanoider Roboter könnte so theoretisch mit 20 Watt laufen.

Wer ist Christoph von der Malsburg?

Prof. Dr. Christoph von der Malsburg ist Physiker und Neurowissenschaftler. Er gilt als Mitbegründer der Computational Neuroscience. 1981 formulierte er das Bindungsproblem. Heute forscht er als Senior Fellow am Frankfurt Institute for Advanced Studies. 1997 gründete er die Gesichtserkennungs-Firma Eyematic Interfaces mit. Deren Technologie landete 2006 bei Google.

KI-Telefonassistent: Daniel Keinrath über Turn Detection

Everlast AI — Wed, 10 Jun 2026 15:30:43 +0000

KI-Telefonassistent fonio: Wie Daniel Keinrath das letzte Voice-AI-Problem löst

fonio ist ein KI-Telefonassistent aus Wien, der Anrufe für kleine und mittlere Unternehmen automatisiert annimmt. Im Interview mit Leonard Schmedding erklärt CEO Daniel Keinrath die Hintergründe. Sein Team löste das letzte große Problem der Branche. Die sogenannte Turn Detection sorgt dafür, dass die KI nicht mehr ins Wort fällt.

fonio bedient heute knapp 10.000 Kunden. Das Unternehmen meldet 6,5 Millionen Euro wiederkehrenden Jahresumsatz. Wir zeigen, welche Technik hinter diesem Tempo steckt.

Drei Probleme bremsten jeden Voice Agent

Keinrath nennt drei Hürden, die jeden Anbieter von Sprach-KI begleitet haben. Das erste Problem war die Stimme. Sie klingt heute natürlich, aber noch nicht perfekt. Ein geübtes Ohr hört die KI weiterhin heraus.

Das zweite Problem heißt Latenz. Sie misst, wie schnell die KI antwortet. Seit rund vier Monaten hält fonio die Latenz konstant unter 800 Millisekunden. Das gilt als magische Schwelle für ein menschliches Gesprächsgefühl. Die Antwort kommt heute sogar fast zu schnell.

Genau daraus entstand das dritte Problem. Die Turn Detection entscheidet, ob ein Anrufer fertig gesprochen hat. Fällt die KI zu früh ins Wort, bricht das Gespräch. fonio hat dieses Problem vor drei Wochen gelöst.

Turn Detection: Das eigene Modell hinter fonios Vorsprung

fonio baute ein eigenes Modell für die Turn Detection. Es läuft permanent im Hintergrund. Das Modell berechnet, ob ein Sprecher endet oder nur nachdenkt. Ein typischer Fall ist das Buchstabieren einer E-Mail-Adresse.

Der Effekt zeigt sich in einer harten Kennzahl. Früher lag die Turn Detection hinter der Hälfte aller Kündigungen. Heute verursacht sie unter ein Prozent der Abwanderung. Keinrath sieht fonio damit als einen der ersten Anbieter weltweit, der diese Hürde nimmt.

Den genauen Aufbau hält das Team bewusst zurück. Es handelt sich nicht um ein simples Fine-Tuning. fonio rechnet, dass Wettbewerber dieses Problem in etwa sechs Monaten ebenfalls lösen. Bis dahin bringt der Vorsprung spürbares Wachstum.

Solche technischen Details entscheiden über die Qualität im Alltag. Wer einen KI-Telefonassistenten plant, sollte die Latenz und die Turn Detection genau prüfen. Unser Team begleitet Unternehmen bei genau dieser Auswahl, etwa mit dem Überblick zum KI-Telefonassistenten für Unternehmen. Auch der Voice-Agent-Report liefert dazu konkrete Kriterien.

17 Millionen Seedrunde und der Kurs auf 30 Millionen ARR

fonio sammelte eine Seedrunde über 17 Millionen Euro ein. Die Bewertung liegt bei 140 Millionen Euro. Angeführt hat die Runde der Londoner Investor 20VC von Harry Stebbings. Das Geld fließt vor allem ins Produkt und in die Internationalisierung.

Die Zahlen wachsen schnell. fonio meldet aktuell 6,5 Millionen Euro ARR. Pro Monat kommen rund 2 Millionen Euro hinzu. Im Sommer soll die Marke von 10 Millionen fallen. Bis Jahresende peilt das Team etwa 30 Millionen Euro an.

Das Team wuchs von zwei auf 50 Mitarbeiter in zwölf Monaten. Bis Jahresende sollen es 100 bis 120 Personen sein. Das Hauptquartier bleibt bewusst in Wien. Neue Standorte entstehen in Barcelona, Paris, Warschau und London. Ein Büro in New York ist wahrscheinlich.

Selbstlernende Wissensdatenbank und RAG in 0,2 Sekunden

Keinrath sieht das größte Hindernis nicht in der Leistung der Agenten. Das größere Problem ist ihr Wissen. Fehlen Informationen, halluziniert die KI und liefert falsche Antworten. fonio setzt darum auf eine selbstlernende Wissensdatenbank.

Das System arbeitet in zwei Stufen. Nach jedem Gespräch erstellt fonio Aufgaben für unsichere Antworten. Der Kunde ergänzt fehlende Informationen per Vorschlag. fonio scrapt dafür die Firmen-Website und schlägt passende Antworten direkt vor.

Die zweite Stufe geht weiter. Auf Wunsch klinkt sich fonio in die Telefonanlage ein. Das System hört bei Gesprächen mit und lernt die Sprache im Unternehmen. fonio hostet diese Daten in Deutschland und arbeitet DSGVO-konform.

Auch die Geschwindigkeit überzeugt. fonio zerlegt jedes PDF in viele kleine Schnipsel. Zu jedem Schnipsel entsteht eine Mini-Zusammenfassung. So findet das System die richtige Stelle sehr schnell. Eine RAG-Anfrage dauert nur 0,2 Sekunden, selbst bei 300 Seiten.

Vom Prompt zum Baukasten: Multichannel, CRM und Integrationen

Vor einem Jahr setzte fonio noch voll auf Prompts. Diesen Weg hat das Team verlassen. Viele Unternehmen fühlten sich von Prompts überfordert. Heute bauen Kunden ihren KI-Telefonassistenten aus fertigen Blöcken zusammen.

Die Plattform wächst über das Telefon hinaus. fonio hat WhatsApp als neuen Kanal gestartet. E-Mail und Chatbots folgen im selben System. Darüber legt das Team ein eigenes CRM.

Das CRM zieht Kontaktdaten direkt aus dem Gespräch. fonio erkennt Vorname, Nachname und Adresse automatisch. Beim zweiten Anruf begrüßt die KI den Anrufer mit Namen. Eigene Felder lassen sich frei definieren.

Für komplexe Abläufe nutzt fonio Webhooks und API-Anfragen. Die KI fragt während des Calls externe Systeme ab. Ein Beispiel ist der Bestellstatus aus Shopify. Vor dem Call gleicht das System die Nummer mit HubSpot oder Salesforce ab. Bei komplexen Workflows lohnt sich die Zusammenarbeit mit einem Implementierungspartner wie uns.

Native Integrationen kamen zuletzt dazu. Dazu zählen Airtable, Google Sheets, Make, n8n und Slack. fonio baute dafür ein eigenes Framework wie einen internen App Store. Damit liefert das Team rund drei neue Integrationen pro Woche.

Wohin sich der Voice-AI-Markt entwickelt

Den letzten großen Sprung bei der Stimme datiert Keinrath auf Ende 2024. Seitdem kamen vor allem kleine Updates. Die großen Labs richten ihre Rechenleistung auf Coding-Agenten aus. Sprachmodelle stehen dort seltener im Fokus.

Trotzdem erwartet Keinrath noch dieses Jahr einen weiteren Durchbruch. Viele finanzstarke Firmen arbeiten weiter an der Stimme. Anbieter wie ElevenLabs klingen im Web schon sehr emotional. Im echten Telefonat scheitern viele Stimmen jedoch an Latenz und Fehlern.

Ein größeres Thema sieht Keinrath in der Agent-zu-Agent-Kommunikation. Zwei KI-Systeme müssten dann nicht mehr in natürlicher Sprache reden. Sie tauschen einfach Befehle und Daten aus. Bei diesem Schritt verändert sich der gesamte Markt erneut.

Fazit: Der KI-Telefonassistent wird marktreif

fonio zeigt, wie schnell sich der Markt für Sprach-KI professionalisiert. Mit der gelösten Turn Detection erreicht der KI-Telefonassistent ein neues Niveau. Latenz, Wissen und Integrationen entscheiden jetzt über den Erfolg. Unternehmen sollten Anbieter genau nach diesen Kriterien prüfen.

Häufige Fragen

Was ist ein KI-Telefonassistent?

Ein KI-Telefonassistent nimmt eingehende Anrufe automatisch an und beantwortet Fragen in natürlicher Sprache. fonio richtet diesen Dienst in wenigen Minuten ein. Das System scrapt die Firmen-Website und baut daraus ein Grundwissen. Per Rufweiterleitung übernimmt die KI dann die Anrufe. Für Unternehmen senkt das die Last im Support und sichert die Erreichbarkeit rund um die Uhr.

Was bedeutet Turn Detection bei Voice Agents?

Turn Detection erkennt, wann ein Anrufer mit dem Sprechen fertig ist. Ohne diese Technik fällt die KI dem Anrufer ins Wort. Das passiert oft beim Buchstabieren von Nummern oder E-Mail-Adressen. fonio nutzt ein eigenes Modell, das permanent die Wahrscheinlichkeit für ein Satzende berechnet. Dadurch sank dieser Kündigungsgrund von rund 50 Prozent auf unter ein Prozent.

Was kostet der KI-Telefonassistent von fonio?

fonio gehört zu den günstigsten Anbietern am Markt. Eine Minute kostet inklusive Telefonie und Sprachmodell rund 10 Cent. Die Pakete starten bei 100 Euro pro Monat. Das größere Paket liegt bei 300 Euro pro Monat. Wer den Dienst selbst nachbauen will, zahlt laut Keinrath schnell mehr und erhält trotzdem kein fertiges Setup.

Ist fonio DSGVO-konform?

Ja. fonio hostet die Daten in Deutschland und arbeitet DSGVO-konform. Die selbstlernende Wissensdatenbank greift nur mit Zustimmung auf die Telefonanlage zu. Auch das Mithören bei Gesprächen aktiviert der Kunde aktiv. So behalten Unternehmen die Kontrolle über sensible Daten. Das ist für viele Branchen mit strengen Vorgaben ein wichtiges Kriterium.

Wie funktioniert die selbstlernende Wissensdatenbank?

Die Wissensdatenbank lernt aus jedem Gespräch. Ist die KI bei einer Antwort unsicher, erstellt fonio eine Aufgabe für den Kunden. Der Kunde bestätigt oder bearbeitet den passenden Vorschlag. In der zweiten Stufe hört fonio auf Wunsch bei echten Gesprächen mit. So versteht das System die Sprache im Unternehmen und verbessert die Antworten laufend.

KI-Tools: So baust du den Stack der Top 1 Prozent

Everlast AI — Tue, 09 Jun 2026 15:26:26 +0000

KI-Tools sind Software-Werkzeuge, die Aufgaben am Computer automatisieren und Wissensarbeit beschleunigen. Leonard Schmedding hat über 1.250 davon getestet und zeigt die 20, die 2026 echt liefern. Sein Team setzt mit der KI-Agentur Everlast AI über 1 Million Euro Monatsumsatz um. Die meisten dieser Werkzeuge kennen selbst erfahrene Nutzer noch nicht.

Diese Liste ist bewusst keine Standard-Aufzählung mit ChatGPT, Gemini und Co. Sie ordnet die Tools in vier klare Ebenen ein: Agentenschicht, Agent Tools, Daily Driver und Monitoring. Den kompletten KI-Tool-Stack als kostenlosen Report gibt es zusätzlich zum Nachschlagen.

Agentenschicht: Vier KI-Tools für autonome Agenten

Die Agentenschicht ist die Umgebung, in der KI-Agenten selbstständig Aufgaben erledigen. Anders als klassische Chatbots arbeiten Agenten in Loops und Multi-Agenten-Systemen. Ein Agent stößt einen weiteren an und prüft die Zwischen-Ergebnisse selbst. Danach entscheidet er über die nächste Runde. Du formulierst nur die Aufgabe und nimmst am Ende das Ergebnis ab.

Codex von OpenAI ist die neue Super-App, die ChatGPT ablöst. Trotzdem nutzen sie erst rund 0,5 Prozent aller ChatGPT-Nutzer. Codex richtet sich an alle Wissensarbeiter, nicht nur an Entwickler. Über die Desktop-App bekommt das Tool Zugriff auf dein komplettes Datei-System. So sortiert es Belege, baut Slide-Decks oder findet Muster in deinen Meeting-Notizen.

Claude Code löste Ende 2025 die große Agenten-Revolution aus. Die Modelle glänzen beim Steuern vieler Agenten zugleich. Statt einer einzelnen Analyse startest du zehn Subagenten parallel für eine Wettbewerbs-Recherche. Mit der Ultra-Code- und Workflow-Funktion lassen sich bis zu 1.000 Subagenten autonom orchestrieren.

Cursor ist eine vollwertige Entwicklungs-Umgebung mit Agenten als Kern. Du wechselst frei zwischen Claude, GPT und Gemini. Das eigene Composer-Modell arbeitet bei Coding-Aufgaben bis zu viermal schneller. Google AI Studio rundet die Schicht ab. Damit baust du per Prompt eine Android-App und hinterlegst direkt deine eigene Domain.

Agent Tools: So geben MCPs und CLIs deinen Agenten Zugriff

Je mehr Werkzeuge ein Agent erreicht, desto autonomer arbeitet er. Dafür gibt es drei Wege: klassische CLIs, MCP-Server und Skills. Browser Use ist das Paradebeispiel und kommt in allen drei Varianten. Der Agent steuert einen echten Browser und bedient jede Website wie ein Mensch. So füllt er etwa deine Elster-Steuererklärung aus, bis nur der Senden-Klick bleibt.

Der Excalidraw-MCP erstellt editierbare Diagramme, Flussdiagramme und Wireframes im Whiteboard. Der n8n-MCP baut, validiert und deployt komplette Workflows aus über 1.850 Integrationen. Beide Werkzeuge sind Open Source und frei anpassbar.

Für Marketing-Teams sind drei CLIs ein echter Hebel. Die Meta Ads CLI gibt dem Agenten vollen Zugriff auf den Ads Manager. Neue Kampagnen starten dabei sicher auf pausiert. Die Higgsfield CLI generiert Werbe-Creatives parallel aus dem Terminal. Die Google Workspace CLI öffnet Gmail, Sheets, Docs und Kalender, auf Wunsch nur mit Leserechten.

AgentMail dreht das Mail-Problem um. Statt Zugriff auf dein Postfach bekommt der Agent ein eigenes mit eigener Absender-Identität. So verschickt er Outreach-Mails und beantwortet Rückläufe. Dein privater Account bleibt außen vor. Remotion wiederum erzeugt komplette Videos als Code, inklusive Animationen und Übergängen.

Daily Driver: Der Maschinenraum für deine KI-Projekte

Im Maschinenraum sitzen die Tools, die deine Apps am Laufen halten. Supabase ist die ideale Datenbasis auf PostgreSQL-Basis. Es speichert klassische Kundendaten und dient zugleich als Vektor-Datenbank für semantische Suchen. So findet ein Agent passende Calls, auch wenn ein Suchbegriff dort nie fällt.

Mit Ollama laufen offene Modelle wie GPT-OSS oder Qwen lokal und offline auf deinem Mac. Gerade bei Patienten- oder Mandantendaten ist das der sichere Weg. Mit Ollama MLX arbeiten diese Modelle auf dem MacBook bis zu doppelt so schnell.

Cloudflare bringt deine Apps sicher ins Netz. Über Zero Trust legst du jede interne App hinter eine Identitäts-Prüfung. Mit Workers betreibst du die Infrastruktur dahinter für wenige Dollar im Monat. Corporate LLM bündelt all das in einem DSGVO-konformen Arbeitsbereich. Du chattest mit deinem Wissen, baust eigene Skills und bindest lokale Modelle ein. An diesem Tool ist Leonard Schmedding selbst beteiligt.

Daily Driver: KI-Tools für den Arbeitsalltag

NotebookLM von Google antwortet nur aus den Quellen, die du hochlädst. Jede Aussage bleibt zitierbar und bis zur Originalstelle belegt. Du lädst Paper und Transkripte hoch und bekommst Briefings, Mindmaps oder einen Audio-Podcast. Vertrauliche Daten gehören im kostenlosen Plan aber nicht hinein.

Voicely ist die Desktop-App, die Leonard Schmedding am häufigsten nutzt. Du sprichst Text einfach ein und bist rund fünfmal schneller als beim Tippen. Die Transkription läuft DSGVO-konform in der EU, im Privacy Mode sogar komplett lokal. Bereits Anwälte und Ärzte arbeiten damit. Auch an Voicely ist er beteiligt.

Magnific, früher als Freepik-Werkzeug bekannt, bündelt alle Bild- und Videomodelle. Das Highlight sind die Spaces. Auf diesem Canvas verbindest du Bausteine zu einem festen Workflow. So erstellst du hunderte Bilder mit unterschiedlichen Prompts auf einen Schlag.

Monitoring: KI-Kosten und Qualität im Blick

Sobald Agenten autonom arbeiten, stellt sich die Frage nach Kosten und Qualität. Langfuse ist das Werkzeug dafür, ein Open-Source-Projekt aus Berlin. Es protokolliert jeden Modellaufruf mit Prompt, Dauer und Kosten. So siehst du in Echtzeit, welcher Agent gerade wie viel Geld verbraucht.

Langfuse ist selbst hostbar, deine Daten bleiben also auf deinen Servern. Über einen LLM-as-a-Judge bewertet ein zweites Modell jede Antwort automatisch. Wer KI-Tools im Unternehmen ausrollt, findet im zertifizierten AI-Automations-Manager die passende Schulung dazu.

Fazit: Der KI-Tool-Stack über vier Ebenen

Diese 20 KI-Tools verbinden sich zu einem Stack über vier Ebenen. Von den Daily Drivern über die Agentenschicht und die Agent Tools bis zum Monitoring greift alles ineinander. Wer den kompletten Stack nutzt, verdient mehr Geld mit KI und spart echte Zeit. Schon ein einziges neues Werkzeug verändert deinen Arbeitsalltag spürbar.

Häufige Fragen

Was ist der beste KI-Tool-Stack für 2026?

Ein starker KI-Tool-Stack verteilt sich auf vier Ebenen. Die Agentenschicht aus Codex, Claude Code und Cursor steuert autonome Agenten. Die Agent Tools wie Browser Use und die Meta Ads CLI geben Zugriff auf echte Systeme. Die Daily Driver wie Supabase, Voicely und Corporate LLM bilden die Basis. Langfuse übernimmt das Monitoring. Erst das Zusammenspiel aller Ebenen macht dich spürbar produktiv und spart messbar Zeit.

Was ist der Unterschied zwischen Codex und Claude Code?

Codex von OpenAI ist eine Super-App für alle Wissensarbeiter mit Zugriff auf dein Dateisystem. Es eignet sich für Buchhaltung, Slide-Decks und Analysen. Claude Code glänzt vor allem beim Orchestrieren vieler Agenten. Du startest damit zehn oder mehr Subagenten parallel. Viele Power-Nutzer setzen beide Tools gleichzeitig ein, weil jedes eigene Stärken mitbringt. Codex deckt breite Computerarbeit ab, Claude Code die agentische Steuerung.

Wozu dienen MCPs und CLIs bei KI-Agenten?

MCPs und CLIs geben KI-Agenten Zugriff auf echte Werkzeuge. Eine CLI lässt den Agenten Textbefehle direkt im Terminal ausführen. Ein MCP-Server öffnet alle Schnittstellen eines Tools auf einmal, etwa für Salesforce oder Google Docs. Skills bringen dem Agenten zusätzlich bei, wie er bei einer Aufgabe vorgehen soll. Je mehr dieser Zugänge ein Agent hat, desto autonomer erledigt er komplexe Aufgaben für dich.

Welche dieser KI-Tools sind DSGVO-konform?

Mehrere Tools im Stack sind auf Datenschutz ausgelegt. Ollama lässt offene Modelle komplett lokal und offline laufen. Voicely transkribiert in der EU und im Privacy Mode rein lokal. Corporate LLM bietet einen DSGVO-konformen Arbeitsbereich mit eigenen Modellen. Langfuse ist selbst hostbar, die Daten bleiben auf deinen Servern. Gerade Anwälte und Ärzte arbeiten deshalb bereits mit diesen Werkzeugen statt mit reinen US-Cloud-Lösungen.

Sind diese KI-Tools kostenlos nutzbar?

Viele der Werkzeuge bieten einen Einstieg ohne Kosten. Google AI Studio baut Android-Apps gratis per Prompt. Browser Use, Excalidraw, n8n-MCP und Langfuse sind Open Source. AgentMail hat einen großzügigen kostenlosen Plan. Ollama läuft lokal ohne Gebühren. Bei Codex, Claude Code oder Cursor brauchst du ein passendes Abo. Der freie KI-Tool-Stack-Report fasst alle Tools übersichtlich zusammen.

Autonome Baumaschinen: Maximilian Rolf über KI-Radlader

Everlast AI — Mon, 08 Jun 2026 17:12:33 +0000

Autonome Baumaschinen sind Bau- und Bergbau-Fahrzeuge, die ohne Fahrer arbeiten und ihre Aufgaben per KI selbst steuern. Im Interview mit Everlast AI erklärt CEO Maximilian Rolf, wie sensmore bestehende Radlader nachrüstet. Beim Kunden fährt die Spätschicht des Berliner Startups heute bereits komplett autonom.

Was sensmore aus bestehenden Maschinen macht

sensmore verwandelt vorhandene Maschinen in intelligente Roboter. Das Startup rüstet jeden Maschinentyp einzeln nach. Dazu zählen Radlader, Bagger und Muldenkipper im Tagebau. Auf die Hardware kommt eine Automatisierungssoftware. Diese Software bildet ein Intelligence-Layer, das eigenständig Entscheidungen trifft.

Die Maschine leitet Aufgaben selbst ab und setzt sie vor Ort in präzise Aktionen um. Rolf beschreibt das Ziel klar. Der Bediener sitzt am Tisch und beobachtet, wie die Maschine die harte Arbeit verrichtet. Autonome Baumaschinen sollen so klügere Entscheidungen treffen als ein Mensch am Steuer.

Warum ein 30-Tonnen-Radlader autonom fahren muss

Drei Treiber nennt Rolf im Gespräch: Fachkräftemangel, Sicherheit und Kosten. Im Tagebau und Untertage finden Kunden kaum noch Personal. Kaum ein junger Mensch will heute Baggerfahrer werden. Ohne Automatisierung lässt sich die Produktionsleistung nicht mehr halten.

Ein autonomer KI-Radlader spart Schichtwechsel und senkt Kosten. Vorhandene Mitarbeiter wechseln auf andere Aufgaben. Das erhöht die gesamte Produktionslast im Unternehmen. Zugleich nimmt die Technik Menschen aus Gefahrenzonen heraus. Welche Aufgaben sich konkret automatisieren lassen, zeigt unser Report mit 45 KI-Use-Cases für die Praxis.

Rolf sieht einen zweiten Hebel: die Reindustrialisierung in Europa. Unternehmen holen Produktion zurück nach Deutschland und Europa. Doch die Arbeiter dafür fehlen. Intelligente Systeme übernehmen genau diese Aufgaben.

Wie der Umbau zum KI-Radlader funktioniert

sensmore arbeitet stark vertikal integriert. Das Team geht direkt zu großen Baustoff- und Rohmaterial-Konzernen. Gemeinsam analysiert es spezielle Anwendungsfälle vor Ort. Aktuell steht der Fall Loading and Carrying im Fokus. Der Radlader lädt ein Haufwerk und transportiert es kurz zu einem Crusher.

Beim Umbau montiert das Team Kamera, Lidar und Radar an die Maschine. Eine Recheneinheit verarbeitet die Sensordaten direkt vor Ort. Darauf läuft die Automatisierungssoftware mit dem Intelligence-Layer. sensmore bindet das System zusätzlich funktional sicher in die Infrastruktur ein.

Der Kunde bekommt alles aus einer Hand. Dazu gehören Maschine, Interface, Sicherheits- und Netzwerkinfrastruktur. Diese Tiefe der Integration unterscheidet das Berliner Startup von vielen Wettbewerbern. Wie Unternehmen solche Projekte strategisch angehen, begleiten wir in unseren KI-Implementierungs-Leistungen.

Supervised Autonomy Mode: Was heute schon läuft

sensmore betreibt sein Flagship-Produkt bereits im Feld. Bei einem Kunden fährt die komplette Spätschicht im Supervised-Autonomy-Mode. Kunden wie CEMEX und Lhoist setzen die Technik an Europas größten Tagebau-Standorten ein. Sie sehen messbare Gewinne bei Produktivität und Sicherheit.

Daneben bietet sensmore Teilautomatisierung an. Bei Machine-Assist sitzt noch ein Fahrer in der Kabine. Er erhält Kollisionswarnungen und Positionsdaten in Echtzeit. Ein Fleet-Management-System namens Site OS bündelt alle Daten. Der Tagebau-Leiter versteht so jede Produktionsleistung im Detail.

sensmore gegen Caterpillar und Komatsu

Die Großkonzerne Caterpillar und Komatsu betreiben schon über 550 autonome Trucks. Diese folgen meist nur GPS-Wegpunkten von A nach B. Rolf grenzt sein Geschäft davon klar ab. sensmore löst kein reines Fahrproblem, sondern eine Robotik-Aufgabe.

Die Maschine muss ihre Umgebung aktiv manipulieren. Sie findet den richtigen Schaufelpunkt im Haufwerk. Das verlangt andere Lösungen in Robotik und Machine Learning. Gegründet 2022 in Berlin und Potsdam, sammelte sensmore im Mai 2025 ein Investment über 7,3 Millionen US-Dollar ein. Angeführt hat die Runde Point Nine Capital, beteiligt waren Acequia Capital und Prototype Capital.

Fazit: Autonome Baumaschinen schaffen heute echten Wert

Autonome Baumaschinen sind keine Messe-Demo mehr, sondern produktiver Alltag. CTO Bjarne Johannsen und Maximilian Rolf bauen Schritt für Schritt ein Ökosystem beim Kunden auf. Als Nächstes sollen mehrere Maschinen gemeinsam interagieren.

Danach folgt die Expansion in industrielle Länder mit hohem Lohnniveau. Die USA, Australien und Chile stehen auf der Liste. Für Unternehmen lohnt der Blick auf Physical AI schon jetzt. Wer früh plant, sichert sich beim Thema autonome Baumaschinen einen klaren Vorsprung.

Häufige Fragen

Was macht das Startup sensmore?

sensmore aus Berlin und Potsdam verwandelt bestehende schwere Maschinen in intelligente Roboter. Das Team rüstet Radlader, Bagger und Muldenkipper mit Kamera, Lidar, Radar und einer Recheneinheit nach. Darauf läuft eine Automatisierungssoftware mit einem Intelligence-Layer. Dieser trifft eigenständige Entscheidungen und leitet Aufgaben selbst ab. So entstehen autonome Baumaschinen, die im Tagebau Material laden und transportieren. CEO Maximilian Rolf gründete das Unternehmen 2022.

Warum sollen Radlader überhaupt autonom fahren?

Drei Gründe nennt Maximilian Rolf: Fachkräftemangel, Sicherheit und Kosten. Im Tagebau und Untertage finden Betreiber kaum noch Personal für harte Schichten. Autonome KI-Radlader halten die Produktion trotzdem aufrecht. Sie sparen Schichtwechsel und senken Betriebskosten. Vorhandene Mitarbeiter übernehmen wertvollere Aufgaben. Zugleich verlassen Menschen die Gefahrenzonen rund um schwere Maschinen. Die Reindustrialisierung in Europa verstärkt diesen Bedarf zusätzlich.

Was bedeutet Supervised Autonomy Mode?

Im Supervised-Autonomy-Mode arbeitet die Maschine eigenständig, während ein Mensch sie überwacht. Bei einem sensmore-Kunden fährt die komplette Spätschicht bereits in diesem Modus. Ein Bediener greift nur bei Bedarf ein. Die Maschine erkennt ihre Umgebung, plant Aktionen und führt sie selbst aus. Dieser Schritt liegt zwischen reiner Assistenz und voller Autonomie. Er erlaubt Kunden einen sicheren und schrittweisen Einstieg in die Automatisierung.

Wie unterscheidet sich sensmore von Caterpillar und Komatsu?

Caterpillar und Komatsu automatisieren vor allem den Transport mit autonomen Trucks. Diese folgen GPS-Wegpunkten von A nach B. sensmore löst dagegen eine Robotik-Aufgabe. Die Maschine manipuliert aktiv ihre Umgebung und findet den richtigen Schaufelpunkt. Zusätzlich integriert sensmore die Lösung tief in die Prozesse des Kunden. Der Kunde erhält Maschine, Interface sowie Sicherheits- und Netzwerkinfrastruktur aus einer Hand.

ChatGPT Codex: So baust du Apps mit einem Prompt

Everlast AI — Sun, 07 Jun 2026 08:28:47 +0000

ChatGPT Codex ist die Verschmelzung von OpenAIs Chat-Assistent und der Entwickler-Plattform Codex zu einem einzigen Agenten-Produkt. Sam Altman nennt es das größte Update seit drei Jahren. Wir zeigen, welche neuen Funktionen jetzt für Unternehmen zählen und warum lokale KI massiv aufholt.

ChatGPT Codex verschmilzt zur Super-App

Bisher waren ChatGPT und Codex zwei getrennte Produkte. Genau das ändert OpenAI jetzt. Beide verschmelzen in den nächsten Wochen zu einer einzigen Oberfläche. Deine Agenten arbeiten dann auf Desktop, Smartphone und im Browser.

Sie greifen direkt in Tools wie Excel, Slack und PowerPoint. Die Agenten ziehen dafür von der lokalen Ausführung in die Cloud. Dort laufen sie rund um die Uhr. Sie beschleunigen Arbeit im Hintergrund, auch wenn du gerade nicht am Rechner sitzt.

Für uns ist das ein klarer Wechsel von der Aufmerksamkeits- zur Intentionsökonomie. Agenten erkennen Probleme im Unternehmen und bauen proaktiv eine Lösung. Was das praktisch für Prozesse bedeutet, beleuchten wir in unseren KI-Implementierungs-Leistungen.

Plugins, Annotations und ein selbstlernendes Gedächtnis

OpenAI führt sechs rollenspezifische Plugins ein. Sie starten in Codex und kommen bald zu ChatGPT. Abgedeckt sind Datenanalyse, Vertrieb, Creative Production, Produktdesign, Equity Investing und Investment Banking.

Jedes Plugin bündelt Skills, Workflows und Anbindungen an Geschäftssysteme. Dazu zählen Salesforce, Databricks und Snowflake. Ein Agent bekommt damit Kontext, Fachwissen und ein bearbeitbares Ergebnis in einem Schritt.

Neu sind auch Annotations. Du markierst jedes Element in einem Ergebnis. Danach bittest du Codex, es zu erklären oder zu ändern. Das löst das berühmte Last-Mile-Problem zwischen fast fertiger und fertiger Arbeit.

Zusätzlich erinnert sich ChatGPT künftig an mehr. Die neue Memory-Architektur kuratiert das Gedächtnis im Hintergrund selbst. Ein Beispiel: Eine Reise nach Singapur im Juli verschwindet nach dem Trip automatisch. Der Rechenaufwand sank um rund den Faktor fünf. Deshalb bekommen jetzt auch Gratis-Nutzer das Gedächtnis.

Codex Sites: Eine ganze App mit einem Prompt

Das größte Update sind aus unserer Sicht die Codex Sites. Damit verwandelst du jedes Ergebnis in ein teilbares Erlebnis. Das reicht vom Dashboard über den Prototyp bis zur ganzen App.

Jeder im Team baut Software mit einem einzigen Prompt. Anschließend deployt Codex die App direkt und teilt sie im Unternehmen. Agenten pflegen das Ergebnis danach autonom weiter. Das ist ein direkter Angriff auf Lovable, Bolt und Base44.

Im Hintergrund nutzt Codex die Serverless-Datenbank Cloudflare D1. Sie speichert Daten der Mini-App ohne eigenes Setup. In einer Live-Demo entstand so aus einem Video-Thema eine deploybare App mit Login. Aktuell läuft die Funktion nur im Business-Plan. Wer Inspiration für eigene Fälle sucht, findet sie in unserem Report mit 45 KI-Use-Cases.

Lokale KI holt auf: Gemma 4 und CorporateLLM

Ein starker Vendor-Lock bei OpenAI ist riskant. Die Tool-Welt ändert sich im Wochentakt. Genau deshalb zählt der Fortschritt bei lokaler KI. Google brachte mit Gemma 4 12B ein neues offenes Modell.

Es versteht Text, Bilder, Audio und Video. Es läuft auf einem Arbeitslaptop mit 16 GB Arbeitsspeicher. Das Kontextfenster fasst 256.000 Token. Trotz nur 12 Milliarden Parametern erreicht es 77 bis 79 Prozent auf Benchmarks wie MMLU Pro. Die Apache-2.0-Lizenz erlaubt sogar die kommerzielle Nutzung.

Noch wichtiger für den Alltag: CorporateLLM bindet lokale Modelle jetzt kostenfrei ein. Über die Einstellungen wählst du den Provider Ollama. Auf dem Mac lädst du das 12B-MLX-Modell mit nur 12 GB Speicher. Ein Cloudflare-Tunnel verbindet deine Maschine sicher. So bleiben Prompts und Daten zu 100 Prozent lokal. Nvidia legte mit dem Open-Weights-Modell Nemotron 3 Ultra nach. Es hat 550 Milliarden Parameter und arbeitet bis zu fünfmal schneller.

Roboter, Microsoft und Meta im Schnelldurchlauf

Bei humanoiden Robotern liefert Deutschland. Agile Robots aus München steht vor einer Runde über 800 Millionen Dollar. SoftBank stemmt davon laut Bloomberg über 300 Millionen. BYD entwickelt parallel eigene Roboter und verkauft sie bald über europäische Autohäuser. OpenAI gründete zudem die Abteilung OpenAI Robotics.

Microsoft will unabhängiger von OpenAI werden. Der Konzern zeigt sieben eigene MAI-Modelle für Copilot. Heraus sticht MAI-Transcribe 1.5 mit 43 Sprachen. Es soll das genaueste Transkriptionsmodell am Markt sein.

Meta rollte den Business Agent weltweit aus. Über eine Million Unternehmen nutzen ihn auf WhatsApp und Instagram. Doch der Bot zeigt schwere Sicherheitslücken. Angreifer übernahmen darüber sogar den Instagram-Account des Weißen Hauses. Das unterstreicht den Wert einer sicheren Umgebung wie CorporateLLM.

Wie autonom KI-Agenten schon arbeiten

Laut Cloudflare stammen fast 60 Prozent des Web-Traffics von Agenten. Anthropic reichte zudem einen S1-Entwurf bei der US-Börsenaufsicht ein. Konkrete Zahlen zu Umsatz und Bewertung fehlen aber noch.

Spannender ist der METR Time Horizon. Er misst, wie lange ein Mensch für eine Aufgabe bräuchte, die ein Modell allein löst. Claude Opus 4.6 und GPT-5.2 liegen bei fünf bis sechs Stunden. Die Spitze schafft schon 16 Stunden. METR baut den Benchmark jetzt um, weil längere Messungen unzuverlässig werden.

Fazit: ChatGPT Codex verschiebt die Spielregeln

ChatGPT Codex macht aus einem Chat-Tool eine Plattform für autonome Arbeit. Plugins, Annotations und Sites senken die Hürde für eigene Software drastisch. Gleichzeitig wird lokale KI als Gegengewicht zum Vendor-Lock immer stärker. Unternehmen sollten beide Wege parallel testen. So sichern sie Tempo und Datenhoheit zugleich.

Häufige Fragen

Was ist ChatGPT Codex?

ChatGPT Codex ist die geplante Verschmelzung von ChatGPT und der Coding-Plattform Codex zu einem Produkt. Statt zwei getrennten Apps arbeiten Nutzer in einer einzigen Oberfläche. Agenten laufen dort auf Desktop, Smartphone und im Browser. Sie greifen direkt in Tools wie Excel, Slack und PowerPoint. OpenAI verlagert die Ausführung von lokal in die Cloud. Dort arbeiten die Agenten rund um die Uhr.

Was sind Codex Sites?

Codex Sites verwandeln jedes Ergebnis aus Codex in eine teilbare Anwendung. Das reicht vom Dashboard über Prototypen bis zur ganzen App. Nutzer bauen die Software mit einem einzigen Prompt und deployen sie direkt. Im Hintergrund speichert die Serverless-Datenbank Cloudflare D1 die Daten. Anschließend pflegen Agenten das Ergebnis autonom weiter. Damit greift OpenAI Anbieter wie Lovable, Bolt und Base44 frontal an.

Für welchen Plan ist Codex Sites verfügbar?

Zum Zeitpunkt der Vorstellung läuft Codex Sites nur im Business- beziehungsweise Team-Plan. Der Grund liegt in der Team-Funktion: Nutzer teilen ihre Apps mit anderen Mitgliedern der Organisation. Eine Übersicht der Pläne zeigt die Codex-Pricing-Seite. Eine Freigabe für den normalen Plus-Plan gilt als wahrscheinlich. Offiziell bestätigt ist sie aber noch nicht.

Was kann das Gemma 4 12B Modell?

Gemma 4 12B ist Googles neues offenes KI-Modell. Es versteht Text, Bilder, Audio und Video. Trotz nur 12 Milliarden Parametern erreicht es 77 bis 79 Prozent auf Benchmarks wie MMLU Pro. Das Kontextfenster fasst 256.000 Token. Das Modell läuft auf einem Laptop mit 16 GB Arbeitsspeicher. Die Apache-2.0-Lizenz erlaubt sogar die kommerzielle Nutzung in eigenen Workflows.

Kann ich lokale Modelle in CorporateLLM nutzen?

Ja, CorporateLLM bindet lokale Modelle jetzt kostenfrei ein. Du wählst in den Einstellungen den Provider Ollama. Auf dem Mac lädst du das 12B-MLX-Modell mit rund 12 GB Speicher. Ein kostenloser Cloudflare-Tunnel verbindet deine Maschine sicher mit der Plattform. So bleiben deine Prompts und Daten zu 100 Prozent lokal. RAG mit lokalen Modellen ist laut Team in Vorbereitung.