DEV Community: Everlast AI

GPT-5.6 Sol: So nutzt du das neue ChatGPT richtig

Everlast AI — Sun, 12 Jul 2026 08:24:15 +0000

GPT-5.6 Sol ist das neue Flaggschiff-Modell von OpenAI, das ChatGPT und die Codex-App unter einem Dach vereint. Im wöchentlichen KI-Update ordnet unser Team ein, welche Use Cases GPT-5.6 Sol für dein Unternehmen freischaltet. Dazu kommen frische Einblicke aus Chinas Robot Valley in Shenzhen.

Sol, Terra und Luna: die neue Modellfamilie

OpenAI rollt GPT-5.6 jetzt für die breite Masse aus. Über ChatGPT und Codex erreichst du drei Modelle. Sol ist das größte und stärkste Flaggschiff. Terra ist das mittlere Arbeitspferd für ausgewogene Leistung. Luna ist das kleinste, schnellste und günstigste Modell.

Die Logik erinnert an Claude. Sol, Terra und Luna entsprechen grob Opus, Sonnet und Haiku. Das GPT-5.6 Pro-Modell liegt eher auf dem Niveau von Fable 5. So findest du für jeden Use Case die passende Kosten-Leistungs-Klasse.

Computer Use: der eigentliche Sprung

Benchmarks sagen wenig über den echten Arbeitsalltag. Der relevante Fortschritt liegt beim Computer Use. GPT-5.6 bedient deinen Rechner besser als jedes andere Modell. Dabei bleibt es deutlich kosteneffizienter als die Konkurrenz.

Ein Nutzer erreichte 750 Tokens pro Sekunde in Blender. Das Modell klickt schneller durch komplexe Software als jeder Mensch. Genau das öffnet neue Türen in der KI-Automatisierung.

Viele Mittelstands-Projekte scheitern am fehlenden API-Zugriff. Computer Use und Browser Use senken diese Hürde spürbar. Unser Team reverse-engineert interne Schnittstellen bereits in echten Kundenprojekten. So entstehen Ergebnisse dort, wo Anbieter keine offene API bereitstellen.

Fable 5 plant, GPT-5.6 baut

Beim Coding zählt nicht mehr nur das beste Einzelmodell. Die Stärke entsteht aus der Kombination zweier Modelle. Unser Entwickler Marcel nutzt Fable 5 als Architekten. Das Modell erstellt den Plan und stellt Rückfragen zur Architektur.

Danach übernimmt GPT-5.6 als ausführender Arbeiter. Es setzt den Plan nach dem Test-Driven-Development-Prinzip um. Zuerst schreibt das Team rote Tests. Nach der Umsetzung müssen diese Tests grün werden.

Fable 5 prüft anschließend die Arbeit von GPT-5.6. Bei Fehlern folgt eine Revisionsschleife. So baute das Team ein Kanban-Board namens Launchboard per Drag and Drop. Wer alles einem Modell überlässt, verbrennt Tokens und verschenkt Qualität.

GPT for Work: die ChatGPT-Superapp

OpenAI führt ChatGPT und Codex in einer App zusammen. GPT for Work ist ein Agent in ChatGPT. Codex und GPT-5.6 treiben ihn an. Er arbeitet stundenlang in deinen Apps, Dateien und Projekten in der Cloud.

Das Feature ist die klare Antwort auf Claude Cowork. Codex war vielen Nutzern zu technisch. Sie wollen eine visuelle Oberfläche statt Terminal. GPT for Work schließt genau diese Lücke.

Datenschutzkonform lässt sich das auch im deutschsprachigen Raum lösen. Genau daran arbeiten wir mit unserem CorporateLLM-Ansatz. Unter dem Namen RelationFlow und über CorporateLLM.de greifst du sicher auf diese Möglichkeiten zu.

GPT Live: Sprache in Echtzeit

Für viele ist Sprache der bessere Weg zur KI als Tippen. GPT Live folgt auf den Advanced Voice Mode. Es ist ein eigenes Full-Duplex-Modell. Es hört zu und spricht gleichzeitig.

Das Modell übersetzt live und delegiert schwere Aufgaben an stärkere Modelle. Es recherchiert im Web, während du sprichst. Im Kontext von GPT for Work greift es parallel auf Excel, PowerPoint oder dein CRM zu. Die Stimme klingt kaum noch von einem Menschen unterscheidbar.

Chinas Robot Valley und die Frage an Europa

Diese Woche war unser Gründer im Robot Valley in Shenzhen. Das größte Problem humanoider Roboter sind die Hände. Der Neo-Roboter adressiert das mit einer neuen Hand. Sie bietet 25 Degrees of Freedom und zielt auf menschengleiche Geschicklichkeit.

Firmen wie Paxini und UBTech lösen dieses Problem vor Ort. UBTechs Walker 2 wechselt seinen Akku autonom in der Logistik. Ein Dutzend Robotik-Firmen zeigte, wie weit China wirklich ist.

Europa hält nur rund 10 Prozent der weltweiten Rechenkapazität. Über 70 Prozent liegen in den USA und in China. Das Zeitfenster für den Anschluss beträgt ein bis zwei Jahre. Eine hybride Strategie aus US-Cloud und lokalen Modellen bleibt Pflicht, wie wir im Report zu lokaler KI zeigen.

Fazit: Was GPT-5.6 für dich bedeutet

GPT-5.6 ist offiziell das letzte Modell der 5er-Reihe. GPT6 soll schon im nächsten Monat folgen. Für Standardnutzer ändert sich dabei wenig. Den echten Vorsprung spürt nur, wer Agentic Coding aktiv nutzt.

Sol, Terra und Luna, GPT for Work und GPT Live zeigen eine klare Richtung. KI bedient Computer, baut Apps und spricht in Echtzeit. Nutze dieses Zeitfenster und komme von News zur echten Anwendung.

Häufige Fragen

Was ist GPT-5.6 Sol?

GPT-5.6 Sol ist das neue Flaggschiff-Modell von OpenAI. Es ist das größte und stärkste Modell der GPT-5.6-Reihe. Du erreichst es über ChatGPT und über die Codex-App. OpenAI führt beide Apps parallel zusammen. Sol glänzt vor allem beim Computer Use. Es bedient Programme wie Blender schneller als jeder Mensch. Damit eignet es sich für anspruchsvolle Automatisierung und Coding.

Was unterscheidet Sol, Terra und Luna?

Sol, Terra und Luna sind drei Stufen der GPT-5.6-Familie. Sol ist das stärkste Flaggschiff für komplexe Aufgaben. Terra ist das ausgewogene Arbeitspferd für den Alltag. Luna ist das kleinste, schnellste und günstigste Modell. Die Logik erinnert an die Claude-Reihe Opus, Sonnet und Haiku. Das GPT-5.6 Pro-Modell liegt eher auf dem Niveau von Fable 5. So wählst du je Use Case die passende Kostenklasse.

Was ist GPT for Work?

GPT for Work ist die neue Superapp von OpenAI. Sie führt ChatGPT und Codex in einer Oberfläche zusammen. Ein Agent, angetrieben von Codex und GPT-5.6, arbeitet stundenlang in der Cloud. Er greift auf deine Apps, Dateien und Projekte zu. Das Tool ist die direkte Antwort auf Claude Cowork. Es richtet sich an Nutzer, die eine visuelle Oberfläche statt Terminal bevorzugen.

Was kann GPT Live?

GPT Live ist der neue Voice Mode von OpenAI. Es ist ein eigenes Full-Duplex-Modell. Es hört zu und spricht gleichzeitig. Das Modell übersetzt live und delegiert schwere Aufgaben an stärkere Modelle. Es recherchiert im Web, während du sprichst. Im Kontext von GPT for Work greift es parallel auf Excel oder dein CRM zu. Die Stimme klingt kaum noch von einem Menschen unterscheidbar.

Wie weit ist China bei humanoiden Robotern?

China treibt humanoide Roboter im großen Stil voran. Im Robot Valley in Shenzhen arbeiten Dutzende Firmen an echten Use Cases. Der Neo-Roboter zeigt eine neue Hand mit 25 Degrees of Freedom. UBTechs Walker 2 wechselt seinen Akku autonom in der Logistik. Firmen wie Paxini lösen das Problem der Geschicklichkeit. Europa hält nur rund 10 Prozent der weltweiten Rechenkapazität. Das Zeitfenster für den Anschluss beträgt ein bis zwei Jahre.

KI-Benchmarks: Prof. Alex Smola über ihren blinden Fleck

Everlast AI — Thu, 09 Jul 2026 15:27:15 +0000

KI-Benchmarks: Prof. Alex Smola über ihren blinden Fleck

Prof. Dr. Alexander Smola ist einer der am häufigsten zitierten Machine-Learning-Forscher der Welt und Gründer von Boson AI. Im Interview mit Leonard Schmedding erklärt er, warum gängige KI-Benchmarks oft die falsche Sache messen. Sein Team zeigte: Ein halbes Dutzend Tests genügt, um fast jedes Modell zu bewerten.

KI-Benchmarks messen oft die falsche Sache

Ein Beispiel macht das Problem greifbar. Jemand erwähnt seiner KI beiläufig, er lade abends noch Ausrüstung für eine Ausstellung ins Auto. Das eine Modell antwortet nur mit klingt nach einem soliden Plan. Das andere Modell denkt mit.

Es liefert ungefragt eine Packliste. Es rät sogar, das Auto in umgekehrter Aufbau-Reihenfolge zu beladen. So kommt vor Ort alles in der richtigen Reihenfolge heraus. Eine Praktikantin in Toronto baute daraus ein ganzes Forschungsprojekt.

Das Team zeigte Menschen beide Antwort-Typen. Die Nutzer bevorzugten klar die proaktiven Modelle. Danach testete Boson AI Frontier-Modelle wie ChatGPT, Claude, Qwen und DeepSeek. ChatGPT schnitt bei dieser Proaktivität am besten ab. Modelle mit aktivem Chat-System lagen vorn.

Die spannende Erkenntnis: Die Modelle können das längst. Nur fragt die Fähigkeit kaum jemand ab. Genau hier versagen die üblichen KI-Benchmarks.

Warum ein halbes Dutzend KI-Benchmarks reicht

Smolas Team stieß auf ein zweites Muster. Die Leistung über verschiedene Benchmarks korreliert stark. Ein Modell, das einen Coding-Test meistert, meistert meist auch die anderen vier. Bei Mathematik gilt dasselbe.

Boson AI hatte irgendwann Dutzende Benchmarks im Einsatz. Jeder Test kostet Rechenzeit und Geld. Also stellte das Team die Kernfrage. Wie viele Tests braucht es tatsächlich?

Die Antwort ist mathematisch klar. Rund ein halbes Dutzend unabhängiger Benchmarks fängt fast die gesamte Information ein. Die Proaktivität war so wertvoll, weil sie eine neue, unabhängige Facette misst. Ähnliche Muster sehen wir in unserem KI-Tool-Stack 2026, sobald Modelle für den Praxiseinsatz vergleichbar werden.

Das Pokémon-Theorem: Faire KI bleibt Illusion

Ein zweites Ergebnis taufte Smola das Pokémon-Theorem. Der Name spielt auf den Spruch gotta catch em all an. Die Frage dahinter ist ernst. Kann eine KI alle Fairness-Kriterien gleichzeitig erfüllen?

Die Antwort lautet nein. Smola bewies das mathematisch. Es gilt für einfache Kriterien und für Representation Learning. Perfekte Fairness ist also unmöglich.

Entstanden ist der Beweis als Vater-Sohn-Projekt. Sein Sohn studiert an der University of Washington und vertiefte die Idee. Das Theorem erklärt, warum die Fairness-Debatte nie endet. Kein System erreicht das perfekte Ziel.

Vom Physiker zum Erfinder des Parameter-Servers

Smola wollte einst theoretischer Physiker werden. Er studierte Physik in München. Doch die nötigen Energie-Skalen erschienen ihm unerreichbar. Also wechselte er 1995 an die AT&T Bell Labs.

Dort leitete Yann LeCun die Abteilung. Sein Betreuer war Vladimir Vapnik, der Erfinder der Support Vector Machines. Seinen Doktor machte Smola 1998 in Berlin bei Bernhard Schölkopf. Gemeinsam schrieben sie 2002 das Standardwerk Learning with Kernels.

Kernel-Methoden und Deep Learning trennt vor allem eine Idee. Neuronale Netze lernen ihre Darstellungen selbst. Diese Einbettungen stecken bis heute in jeder Vektorsuche und in jedem RAG-System. 2010 erfand Smola bei Yahoo den Parameter-Server. Die Technik verteilte riesige Modelle auf über 1000 Rechner und steckt heute in NVIDIA-Hardware.

Später baute er als Vice President bei Amazon die KI-Sparte von AWS mit auf. Sein Lehrbuch Dive into Deep Learning stellte er komplett offen ins Netz. Über 175 Universitäten lehren damit heute.

Voice AI und Digital Humans bei Boson AI

2023 gründete Smola Boson AI. Der Fokus liegt auf Voice AI. Der Grund ist wirtschaftlich. Ein Frontier-Modell kostet schnell 50 bis 100 Millionen und lebt nur 6 bis 12 Monate.

Bei Sprache rechnet sich der Aufwand eher. Boson baute erst auf Llama, dann auf Qwen. Ihr offenes Modell Higgs Audio spricht knapp 100 Sprachen. Die Gewichte liegen frei auf Hugging Face.

Das Ziel ist ein echter digitaler Mensch. Er braucht Stimme, Avatar und ein Gehirn zum Denken. Menschen erwarten Antworten in 100 bis 200 Millisekunden. Zweistufige Systeme aus Spracherkennung, Sprachmodell und Sprachausgabe sind dafür oft zu langsam.

Boson kombiniert daher schnelle Interaktion mit einem tieferen Denk-System im Hintergrund. Wie Unternehmen solche Stimmen einsetzen, zeigen wir im Voice-Agent-Report.

Second Mover Advantage: Was das für Unternehmen heißt

KI verschiebt den Vorteil vom ersten zum zweiten Anbieter. Entwickler ziehen Ideen aus Publikationen und setzen sie schnell neu um. Ein Beispiel liefert der offene Code von Claude Code. Teams portierten ihn in 48 Stunden von TypeScript nach Python und Rust.

Coding-Agenten entwickelten sich am schnellsten. Der Grund ist der kurze Feedback-Loop. Code läuft in Sekunden, ein Gespräch dauert Minuten. Für Digital Humans dauert der Fortschritt deshalb länger.

Für Unternehmen sieht Smola große Chancen und Risiken. Callcenter gewinnen an Qualität, doch Jobs geraten unter Druck. Deutschland bremst sich mit langsamen Entscheidungen und hohen Energiekosten selbst aus. Sein Leitsatz bleibt: Perfektion ist der Feind des Guten.

Fazit: KI-Benchmarks als Kompass, nicht als Ziel

KI-Benchmarks bleiben nützlich, doch sie messen nur einen Ausschnitt. Wer Modelle im Unternehmen bewertet, sollte auf Proaktivität und echten Nutzen achten. Smola zeigt, dass Substanz mehr zählt als der letzte Prozentpunkt. Für Boson AI ist der digitale Mensch der nächste große Schritt.

Häufige Fragen

Was ist das Problem mit KI-Benchmarks?

KI-Benchmarks messen meist eng definierte Aufgaben wie Mathematik oder Coding. Sie erfassen aber nicht, ob ein Modell die eigentliche Absicht des Nutzers versteht. Prof. Dr. Alexander Smola zeigt das am Beispiel proaktiver Antworten. Menschen bevorzugen Modelle, die mitdenken und ungefragt hilfreiche Zusatzinfos liefern. Genau diese Fähigkeit taucht in klassischen KI-Benchmarks nicht auf, obwohl die Modelle sie längst besitzen.

Was ist das Pokémon-Theorem in der KI?

Das Pokémon-Theorem stammt von Alexander Smola und seinem Sohn. Es beweist mathematisch, dass eine KI nicht alle Fairness-Kriterien gleichzeitig erfüllen kann. Der Name spielt darauf an, alle Kriterien fangen zu wollen. Das Theorem gilt für einfache Kennzahlen und für Representation Learning. Es erklärt, warum die Debatte über faire KI nie zu einem perfekten Ergebnis kommt.

Was macht Boson AI?

Boson AI ist ein 2023 gegründetes Startup von Alexander Smola mit Fokus auf Voice AI. Das Unternehmen baut Systeme, die sprechen, hören und verstehen. Ihr offenes Modell Higgs Audio spricht knapp 100 Sprachen und liegt frei auf Hugging Face. Das langfristige Ziel ist ein digitaler Mensch aus Stimme, Avatar und einem Gehirn zum Denken. Erste Kunden testen das System bereits.

Was ist der Unterschied zwischen zweistufiger und Speech-to-Speech Voice AI?

Zweistufige Systeme koppeln Spracherkennung, Sprachmodell und Sprachausgabe hintereinander. Sie sind modular und leicht zu verstehen, addieren aber bei jedem Schritt Latenz. Speech-to-Speech-Modelle wandeln Sprache direkt in Sprache und antworten schneller. Menschen erwarten Reaktionen in 100 bis 200 Millisekunden. Boson AI kombiniert beide Ansätze, um Tempo und tiefes Denken zu verbinden.

Was bedeutet der Second Mover Advantage in der KI?

Der Second Mover Advantage beschreibt, dass Nachahmer heute schneller aufholen. KI-Werkzeuge ziehen Ideen aus Publikationen und setzen sie rasch neu um. Alexander Smola nennt den offenen Code von Claude Code als Beispiel. Entwickler portierten ihn in 48 Stunden nach Python und Rust. Wer eine gute Idee sieht, kann sie fast überall sofort integrieren.

Dunkle Fabriken: Nathan Gruber über Chinas Robotik

Everlast AI — Wed, 08 Jul 2026 15:24:46 +0000

Chinas dunkle Fabriken laufen rund um die Uhr: Nathan Gruber im Interview

Dunkle Fabriken sind vollautomatisierte Produktionsstätten, die ohne Licht und ohne Menschen rund um die Uhr laufen. Im Interview mit Leonard Schmedding erklärt Nathan Gruber, CEO von Manex AI, warum China diese Vision längst umsetzt. Der Gründer studierte in München Informatik mit Schwerpunkt Machine Learning. Mit 23 Jahren baute er sein KI-Startup auf. Binnen 18 Monaten gewann er BMW, Henkel und Stellantis als Kunden.

Was dunkle Fabriken in China wirklich bedeuten

In China gehören dunkle Fabriken längst zum Alltag. Humanoide Roboter und Maschinen arbeiten Tag und Nacht. Licht braucht dort niemand mehr. Gruber ordnet die Bilder jedoch nüchtern ein. Viele dieser Werke stehen in der Elektronik- und Handy-Fertigung.

Dort laufen die Linien auch hierzulande fast menschenleer. Der Unterschied ist oft nur das Licht. In Deutschland bleibt es an, weil Menschen die Maschinen warten. Betriebsrat und häufige Wartung spielen eine Rolle. Das ausgeschaltete Werk taugt vor allem als starkes Bild für die Story.

Warum Deutschland noch Licht in den Fabriken lässt

Grubers Blick auf die Fertigung trennt zwei Bereiche. Es gibt die Linie selbst und die steuernden Funktionen. In der Elektronik ist die Linie schon autonom. Beschäftigte warten dort nur noch die Maschinen. Der nächste Schritt wären humanoide Roboter für genau diese Wartung.

Bei Autobauern sieht es anders aus. Karosseriebau und Lackierung sind voll robotisiert. In der Montage arbeiten aber weiter Menschen. Kabelbäume verlegen verlangt feine Sensorik und Beweglichkeit. Eine volle Automatisierung rechnet sich hier noch nicht. Das gilt in China genauso wie in Europa.

Manex AI: Ein KI-Agent für die Fertigung

Die Idee zu Manex AI entstand aus einem Problem bei BMW. Feld-Reklamationen häuften sich schneller, als Teams sie prüfen konnten. Grubers Plattform setzt genau dazwischen an. Ein KI-Agent liest jede Reklamation in Echtzeit. Er erkennt Muster über mehrere Sprachen hinweg.

Der Agent verfolgt Fehler bis ins Bauteil zurück. Er prüft, ob drei defekte Waschmaschinen dasselbe Zuliefer-Teil trugen. Beim nächsten Einbau warnt das System gezielt vor dem Fehlerbild. So trennt es echte Ursachen von zufälligen Korrelationen. Klassische MES-Systeme sind dafür zu starr.

Technisch stapelt Manex AI drei Schichten. Unten liegen die Daten aus der Fertigung. Darüber sitzt eine Kontext- und Domänen-Ebene. Oben greift ein Application-Layer auf mehrere Sprachmodelle zu. Für europäische Anforderungen nutzt das Team Mistral, sonst oft Anthropic. Genau diese KI-Infrastruktur empfehlen wir Unternehmen als stabiles Fundament, wie wir es in unserer KI-Implementierung aufbauen.

Automatisierung, Grundeinkommen und ein neues Sozialsystem

Knapp über 30 Prozent der Stellen hängen laut Gruber an der Industrie. Automatisiert KI diese Jobs, verändert das die Finanzierung des Staates. Löhne speisen heute Steuern und Sozialabgaben. Fällt der Lohn weg, fehlt dieses Geld im System.

Grubers Sorge ist konkret. Automatisiert US-Software die deutschen Fabriken, fließen die Gewinne in ein fremdes Sozialsystem. Dann fehlt hier das Geld für Renten oder ein bedingungsloses Grundeinkommen. Deshalb müsse Europa diese Automatisierung selbst bauen. Nur so bleibe der Wohlstand im Land.

Eine klassische Maschinensteuer hält Gruber für schwer umsetzbar. Er denkt einfacher. Die Erträge sollen bei den Unternehmen und ihren Partnern in Europa bleiben. Für Firmen wird die Wahl des Automatisierungs-Partners damit zur strategischen Frage.

Humanoide Roboter und der Weg zur autonomen Fabrik

Der Sprung zur autonomen Fabrik läuft in Stufen. Zuerst automatisiert Manex AI die indirekten Prozesse. Danach übernehmen humanoide Roboter Montage-Aufgaben an der Linie. BMW kündigte den Einsatz humanoider Roboter an. Der Autobauer arbeitet dafür mit Figure zusammen.

Gruber bleibt bei der Prognose vorsichtig. Spezial-Roboter für einzelne Aufgaben skalieren heute linear. Das Münchner Startup Robco sammelte rund 100 Millionen für Roboterarme ein. Sobald Humanoide günstiger als Mitarbeiter werden, droht eine exponentielle Kurve. Wann dieser Punkt kommt, lässt er offen.

Was der Mittelstand jetzt tun sollte

Viele deutsche Firmen zögern bei KI. Sie fürchten, ein Tool sei nach zwei Wochen veraltet. Gruber hält dagegen. Die Sprachmodelle wechseln, die Infrastruktur bleibt. Wer Daten und Anwendung sauber baut, profitiert von jedem besseren Modell.

Sein Rat an Geschäftsführer klingt klar. Kein kleiner Insel-Case, sondern der Prozess neu gedacht. Zusammen mit einem erfahrenen Partner entsteht ein Zielbild. Danach folgt die passende Infrastruktur. Genau hier setzen wir mit unserer KI-Beratung an.

Fazit: Dunkle Fabriken zwingen Europa zum Handeln

Dunkle Fabriken sind in China Realität und in Europa absehbar. Nathan Gruber sieht darin keine Bedrohung, sondern eine Standort-Frage. Baut Europa die Automatisierung selbst, bleibt der Wohlstand hier. Kauft es sie ein, wandern die Gewinne ab. Die Botschaft für Unternehmen ist deutlich. Wer jetzt die richtige KI-Infrastruktur legt, gestaltet die autonome Fabrik von morgen mit.

Häufige Fragen

Was sind dunkle Fabriken?

Dunkle Fabriken sind Produktionsstätten, die vollautomatisiert ohne menschliche Arbeitskräfte laufen. Weil keine Menschen anwesend sind, braucht es kein Licht mehr. Daher der Name. In China sind solche Werke vor allem in der Elektronik-Fertigung verbreitet. Humanoide Roboter und Maschinen arbeiten dort Tag und Nacht. Nathan Gruber betont jedoch, dass das ausgeschaltete Licht oft eher ein Bild für die Story ist. Auch in Europa laufen Elektronik-Linien fast menschenleer, nur das Licht bleibt an.

Was macht Manex AI genau?

Manex AI baut KI-Agenten für die industrielle Fertigung. Die Plattform liest Reklamationen aus dem Markt in Echtzeit ein. Sie verfolgt Fehler bis ins einzelne Bauteil zurück und erkennt gemeinsame Ursachen. So verbindet das System Kundenbeschwerden direkt mit den Daten aus der Produktion. Zu den Kunden zählen BMW, Henkel und Stellantis. Das Startup beschäftigt rund 30 bis 35 Menschen. Es sammelte eine 8 Millionen Euro schwere Seed-Runde von Lightspeed Venture ein.

Warum hat Deutschland noch keine dunklen Fabriken?

In der Elektronik laufen auch deutsche Linien bereits weitgehend autonom. Bei Autobauern arbeiten in der Montage aber weiter Menschen. Tätigkeiten wie das Verlegen von Kabelbäumen verlangen feine Sensorik und Beweglichkeit. Eine volle Automatisierung rechnet sich dort noch nicht. Zusätzlich bleibt das Licht wegen Wartung und Betriebsrat oft an. Nathan Gruber erwartet, dass zuerst die indirekten Prozesse automatisiert werden. Erst danach übernehmen humanoide Roboter Montage-Aufgaben an der Linie.

Welche Rolle spielt KI beim Grundeinkommen?

Automatisiert KI ganze Stellen, entfällt der Lohn und damit Steuern sowie Sozialabgaben. Dieses Geld fehlt dann für Renten oder ein bedingungsloses Grundeinkommen. Nathan Gruber warnt, dass die Gewinne ins Ausland abfließen, wenn US-Software die Automatisierung übernimmt. Damit der Wohlstand in Europa bleibt, müsse der Kontinent die Automatisierung selbst bauen. Rund 30 Prozent der Stellen hängen an der Industrie. Diese Zahl macht die Frage nach einem neuen Sozialsystem drängend.

Arbeitet BMW mit humanoiden Robotern?

BMW kündigte den Einsatz humanoider Roboter in der Produktion an und arbeitet dafür mit dem US-Unternehmen Figure zusammen. Der Autobauer zählt zugleich zu den Kunden von Manex AI. Laut Nathan Gruber setzen Autobauer humanoide Roboter zuerst dort ein, wo heute viele Menschen arbeiten. Das sind vor allem Montage-Tätigkeiten. Ob und wann Humanoide günstiger als menschliche Mitarbeiter werden, lässt Gruber offen. Erst an diesem Punkt könnte ihre Verbreitung exponentiell steigen.

KI-Blase: Prof. Dr. Konrad Körding wettet dagegen

Everlast AI — Tue, 07 Jul 2026 15:26:13 +0000

Die KI-Blase ist die These, dass Investoren die wirtschaftliche Wirkung von künstlicher Intelligenz massiv überschätzen. Prof. Dr. Konrad Körding, Neurowissenschaftler an der University of Pennsylvania, wettet seit November 2025 persönlich gegen den Markt. Im Interview mit Leonard Schmedding erklärt er, warum der Nutzen von Intelligenz an der physischen Welt sättigt.

Körding ist Penn Integrates Knowledge Professor und Co-Direktor des CIFAR-Programms Learning in Machines and Brains. Mit über 23.500 Zitationen zählt er zu den einflussreichsten Computational Neuroscientists weltweit. Seine Kernaussage trifft jedes Unternehmen, das gerade in KI investiert.

KI-Blase: Warum der Nutzen von Intelligenz sättigt

Körding teilt die Welt in zwei Teile. Es gibt physische Dinge wie Schaufeln, Autos und Straßen. Und es gibt Intelligenz, also Menschen und Computer, die Entscheidungen treffen. Beide Achsen sind voneinander unabhängig.

Im November 2025 veröffentlichte er mit seiner Frau ein Paper zur Intelligenz-Sättigung. Die Idee: Mehr Intelligenz macht jede Aufgabe besser. Doch der Zuwachs läuft gegen eine feste Obergrenze.

Sein Beispiel ist simpel. Du sollst Erde in ein Auto schaufeln. Mit mehr Intelligenz planst du den Weg perfekt. Dein Körper bleibt trotzdem gleich schnell. Physikalische Gesetze setzen die Grenze, nicht dein Verstand. Diesen Grenzwert nennt Körding den Sättigungswert.

Der buckelförmige Lohnverlauf für Wissensarbeiter

Für den Arbeitsmarkt beschreibt das Paper einen buckelförmigen Lohnverlauf. Zuerst steigen die Löhne, weil KI Menschen produktiver macht. Ein Gärtner mit KI-Tipps arbeitet effizienter. Also zahlt der Markt ihm mehr.

Dann kippt es. Wird die KI gut genug, verdrängt sie Menschen aus reinen Intelligenz-Jobs. Diese Menschen drängen in physische Sektoren. Dort ist die Aufnahmekapazität begrenzt. Die Löhne fallen wieder.

Körding betont die physische Dimension jedes Jobs. Ein Professor steht vor Studenten. Sein Körper im Raum macht den Vortrag wertvoll. Diesen Teil kann KI nicht ersetzen. Wer KI heute klug in bestehende Prozesse integriert, sichert sich den Vorsprung.

Warum Roboter nicht wie KI billiger werden

Die naive Gegenfrage lautet: Löst Robotik den Engpass? Körding verneint. Ein Roboter besteht aus zwei Teilen. Das Roboterhirn wird vielleicht unendlich gut. Der Roboterkörper aber bleibt Stahl, Gelenke und Getriebe.

KI-Tokens werden jedes Jahr um Faktor vier billiger. Roboter nicht. Ein Industrieroboter kostete früher 100.000 Dollar, heute etwa 30.000 Dollar. Dieser Rückgang dauert Jahre, nicht Monate.

Sein Vergleich: Roboter sind wie Autos, nicht wie Software. Ein Auto kostet weiter 5.000 oder 10.000 Dollar, nicht 5 Cent. Lange Lieferketten, Minen und Fabriken limitieren die physische Welt. Genau hier bremst die Realität die KI-Blase aus.

Was ein Mikroprozessor über die Neurowissenschaft verrät

2017 veröffentlichte Körding ein vielzitiertes Paper. Die Frage: Könnte ein Neurowissenschaftler einen Mikroprozessor verstehen? Sein Team nahm den 6502-Chip aus Apple II und Commodore 64. Darauf lief das Spiel Donkey Kong.

Sie wandten Standardmethoden der Hirnforschung an. Dabei fanden sie einen Transistor, der bei hellen Bildpunkten anspringt. Ein Neurowissenschaftler würde jubeln: der Hell-Dunkel-Transistor. Doch den gibt es gar nicht.

In Wahrheit prüft der Transistor nur, ob eine Variable größer als 128 ist. Der Befund ist ein Artefakt des Spiels, kein Mechanismus des Chips. Körding nutzt das als Kritik. Unser Gehirn hat 86 Milliarden Nervenzellen und rund 10 hoch 15 Synapsen. Wir sehen den Wald vor lauter Bäumen nicht.

Ist ein LLM intelligent? Die Achsen-Illusion

Schon 2004 zeigte Körding mit Daniel Wolpert das bayessche Gehirn. Menschen verbinden Vorwissen mit neuer Wahrnehmung nahezu optimal. Wir rechnen intuitiv mit Unsicherheit.

Daraus folgt ein tieferes Prinzip: Gradient Descent. Jede Variable bewegt sich ein kleines Stück in die richtige Richtung. Körding vergleicht es mit einem Café-Manager, der hundert Parameter optimiert. Backpropagation in großen Sprachmodellen macht genau das.

Ist ein LLM deshalb intelligent? Körding hält die Frage für falsch gestellt. Intelligenz ist keine einzelne Achse. KI korrigiert Grammatik besser als die meisten Menschen. Andere Fähigkeiten fehlen ihr komplett. Bei Menschen sind viele Fähigkeiten korreliert, bei KI nicht.

Fruchtfliege im Computer: Was Eon Systems tatsächlich zeigte

Körding berät die Firma Eon Systems. Sie veröffentlichte die erste verkörperte Ganzhirn-Emulation einer Fruchtfliege. Das Modell rekonstruiert rund 139.000 Neuronen und etwa 50 Millionen Synapsen aus dem FlyWire-Konnektom.

Der CEO sprach von einem hochgeladenen Gehirn. Körding widerspricht dem Begriff. Das Modell weiß nicht, wie stark eine Nervenzelle die andere beeinflusst. Es ist eine stark vereinfachte Simulation.

Vor allem fehlt der echte Körper. Eine Fliege ist über Millionen Jahre optimiert. Die Simulation löst keine echten Probleme wie Nahrungssuche oder Flucht. Von echtem Uploading ist das Projekt weit entfernt.

Fazit: Weltmodelle und die Grenzen der KI-Blase

Für Körding fehlt heutigen Systemen vor allem eines: ein Weltmodell. Menschen simulieren im Kopf, was beim Ausgießen einer Flasche passiert. Video-KI erzeugt dagegen noch Beine aus dem Nichts. Bessere Weltmodelle nennt er den nächsten großen Schritt.

Seine Botschaft an Unternehmen ist klar. Die KI-Blase platzt nicht, weil KI schlecht wäre. Sie platzt, weil die physische Welt die Intelligenz limitiert. Menschen bleiben durch Körper, Verantwortung und Vertrauen wertvoll. Konkrete Ansätze zeigen 45 praxiserprobte KI-Use-Cases.

Häufige Fragen

Warum wettet Konrad Körding gegen die KI-Blase?

Prof. Dr. Konrad Körding hält die Erwartungen an KI für ökonomisch überzogen. Sein Argument: Der Nutzen von Intelligenz sättigt. Selbst unendlich gute KI stößt an physische Grenzen wie Körper, Lieferketten und Lichtgeschwindigkeit. Deshalb setzt er seit November 2025 persönlich gegen den Markt. Er erwartet weiter Fortschritt, aber keine plötzliche Singularität.

Was bedeutet Intelligenz-Sättigung?

Intelligenz-Sättigung beschreibt einen abnehmenden Grenznutzen. Mehr Intelligenz verbessert jede Aufgabe, aber nur bis zu einem Grenzwert. Körding nutzt das Bild vom Erde-Schaufeln. Perfekte Planung hilft, doch der Körper bleibt gleich schnell. Physikalische Gesetze setzen die Obergrenze. Je intelligenter ein System wird, desto näher rückt es an diesen Sättigungswert.

Warum ersetzen Roboter menschliche Arbeit nicht schnell?

Roboter bestehen aus einem Hirn und einem physischen Körper. Das Hirn wird schnell besser und billiger. Der Körper aus Stahl und Getrieben nicht. KI-Tokens werden jährlich um Faktor vier günstiger. Industrieroboter fielen nur von 100.000 auf rund 30.000 Dollar. Lange Lieferketten und Materialkosten bremsen die physische Welt dauerhaft.

Was zeigte Kördings Mikroprozessor-Experiment?

2017 wandte Kördings Team Methoden der Hirnforschung auf den 6502-Chip an, der Donkey Kong ausführte. Sie fanden scheinbar einen Hell-Dunkel-Transistor. Tatsächlich prüft dieser nur, ob eine Variable größer als 128 ist. Der Befund war ein Artefakt des Spiels. Das Experiment zeigt, dass gängige Analysemethoden echte Mechanismen im Gehirn verfehlen können.

Hat Eon Systems ein Fliegenhirn hochgeladen?

Nein, sagt Körding, der die Firma berät. Eon Systems baute eine stark vereinfachte Simulation aus dem FlyWire-Konnektom mit rund 139.000 Neuronen. Das Modell kennt die Stärke der Verbindungen nicht. Es hat keinen echten Körper und löst keine echten Probleme wie Nahrungssuche. Von echtem Uploading ist die Fruchtfliege weit entfernt.

Claude Sonnet 5: Das versteckte Kostenproblem für Teams

Everlast AI — Sun, 05 Jul 2026 08:27:52 +0000

Claude Sonnet 5: Das versteckte Kostenproblem für Teams

Claude Sonnet 5 ist das neue Flaggschiff-Modell von Anthropic mit einer Million Token Kontextfenster. Es erreicht in Reasoning, Tool-Use und Coding fast das Niveau von Opus 4.8. In den KI-News dieser Woche zeigen wir, warum das Modell im Praxistest teurer läuft als erwartet.

Claude Sonnet 5: Leistung auf Opus-Niveau, aber ineffizient

Sonnet 5 ist das neue Default-Modell für alle Gratis- und Pro-User. Es läuft auch in Claude Code und ersetzt Sonnet 4.6. Anthropic nennt es sicherer und stärker im Reasoning. Der Sprung von 4.6 direkt auf 5 ist also groß.

Doch der Preis überrascht. Im Cost-to-Run-Index von Artificial Analysis kostet ein Durchlauf rund 6.000 US-Dollar. Damit ist Sonnet 5 sogar teurer als Claude Fable 5. Der Grund liegt im ineffizienten Reasoning-Prozess. Das Modell erzeugt mehr Output-Tokens als nötig.

Für Teams zählt dieser reale Verbrauch, nicht der offizielle Token-Preis. GPT-5.5 kostet im selben Index nicht einmal die Hälfte. Genau hier lohnt ein nüchterner Blick auf die Effizienz. Wir raten Unternehmen, jedes Modell am tatsächlichen Durchlauf-Preis zu messen.

Claude Fable 5 ist zurück: günstiger als Opus 4.8

Nach dem US-Ban ist Fable 5 offiziell wieder verfügbar. Fable 5 Low läuft günstiger, besser und schneller als Opus 4.8 Max. Bis zum 7. Juli nutzt du es in deinen normalen Plänen. Danach plant Anthropic, das Modell in den Standardplan zu inkludieren.

Ein starker Use Case ist das Frontend-Design über den Figma-MCP. Unser Senior Developer Marcel baute damit einen kompletten App-Prototyp. Fable 5 zog Farben, Schriften und Komponenten direkt aus dem bestehenden Code. Nach 90 Minuten stand ein nutzbarer Prototyp für die native App.

Früher brauchte ein Designteam dafür Wochen. Fable 5 erkannte sogar die Tauri-Architektur und die fehlende Satoshi-Schrift in Figma. Solche realen Einblicke zeigen den echten Produktivwert. Für komplexe Projekte bleibt Fable 5 unser Modell der Wahl.

Anthropic ruderte bei einer Ankündigung zurück. Bei normalen Coding-Aufgaben routet Claude oft zu Opus 4.8. Das kostet unnötig Tokens. Du stellst es ab unter Einstellungen, Fähigkeiten, Modell wechseln bei markierter Nachricht. Dann pausiert der Chat, statt automatisch weiterzuleiten.

UBTECH U1: Chinas humanoide Roboter werden zu echt

UBTECH zeigt den U1, einen Humanoiden mit hyperrealistischer Silikonhaut. Der Roboter bietet bis zu 88 Freiheitsgrade für Blickkontakt und Gestik. Bei einem Launch in Shenzhen gab es über 13.000 Vorbestellungen. Die Preise starten bei 17.600 US-Dollar und reichen bis 45.000 US-Dollar.

Die männliche Variante misst 1,83 Meter, die weibliche 1,68 Meter. Der Akku hält zwei bis vier Stunden und nutzt Cloud-KI. UBTECH konzipiert den U1 explizit für emotionale Begleitung im Alltag. Das Unternehmen ist der erste börsennotierte Humanoiden-Hersteller weltweit.

Hinter dem Push steckt ein demografisches Problem. Hongkong hat mit 0,77 die niedrigste Geburtenrate der Welt. Gleichzeitig liegt die Lebenserwartung bei bis zu 88 Jahren. Auch Deutschland steht mit 1,45 nicht viel besser da. Einsamkeit wird so zum wachsenden Use Case für Robotik.

Rekord bei Robotik-Investitionen

Das Venture Capital für Robotik explodiert. Allein im letzten Quartal flossen 16,2 Milliarden US-Dollar in Robotik-Startups. Das ist mehr als das Dreifache des bisherigen Normalniveaus von 3 bis 5 Milliarden. Gegenüber dem KI-Boom bleibt Robotik damit noch unterrepräsentiert.

Für Gründer und Unternehmen öffnet das ein großes Fenster. Die Chancen im Hardware-nahen KI-Markt waren selten größer. Wer früh Expertise aufbaut, sichert sich einen echten Vorsprung.

Remote Labor Index und der Remote-Turing-Test

Der Remote Labor Index misst, wie gut KI-Modelle reale Freelance-Aufträge abwickeln. Die Benchmark prüft über 240 Projekte aus Design, Architektur, CAD, Video und Webentwicklung. Fable 5 zeigt hier besonders im CAD-Bereich große Stärken.

Damit rückt der Remote-Turing-Test näher. Bei einem Auftrag auf Fiverr weißt du bald nicht mehr, ob ein Mensch oder ein Agent liefert. An manchen Stellen ist das schon Realität. Für Unternehmen heißt das: KI übernimmt komplette Projekt-Workflows.

Claude Science: Anthropic steigt in die Medikamentenentwicklung ein

Anthropic kündigt offiziell den Einstieg in die Wirkstoff-Forschung an. Mit Claude Science folgt nach Mathematik, Physik und Coding die Biologie. Das zeigt, wohin die Reise geht. Nach dem Coding gilt die Medikamentenentwicklung als nächste große Disziplin.

Palantir-CEO Alex Karp betonte diese Woche einen zweiten Trend. Die US-Regierung arbeitet teils mit Open-Source-Modellen wie Nemotron. Jedes Unternehmen braucht eine lokale KI als Backup-Versicherung. So bleibt der Betrieb sicher, falls ein Cloud-Modell gesperrt wird. Wie das gelingt, zeigen wir im Report zur lokalen KI.

Zero Person Company: Die Geschäftschance der Woche

Matrix veröffentlicht die Zero Person Company als KI-Tool. In der ersten Beta lancierst du damit eine ganze Firma per KI. Der Trend dahinter ist größer als das einzelne Tool. Ein Ein-Mann-Unternehmen mit KI ist heute keine Vision mehr.

Auch Meta setzt mit Pocket auf einen Marktplatz für gevibecodete Apps. Der nächste Trend heißt Vertikalisierung von Anwendungen. Es fehlen noch Claude HR, Claude Marketing, Claude Legal und Claude CAD. Überlege, in welchem Fachbereich du eine Anwendung bauen kannst.

Agentic Coding bedient im deutschsprachigen Markt bisher kaum jemand. Wer Apps programmieren kann, ist gerade händeringend gefragt. Diesen Schritt begleiten wir im AI Agency Kickstart ganz konkret.

Fazit: Claude Sonnet 5 klug einsetzen

Claude Sonnet 5 liefert Opus-nahe Leistung, kostet im realen Durchlauf aber viel. Miss jedes Modell am Cost-to-Run-Wert, nicht am offiziellen Token-Preis. Fable 5 bleibt für komplexe Coding-Projekte die stärkere und oft günstigere Wahl. Nutze das vergünstigte Zeitfenster bis zum 7. Juli voll aus.

Der eigentliche Hebel liegt aber nicht im nächsten Modell. Er liegt in einem klaren Geschäftsmodell rund um KI. Robotik, vertikale Apps und lokale Backups eröffnen konkrete Chancen. Wer jetzt handelt, verwandelt Claude Sonnet 5 und Co. in echten Umsatz.

Häufige Fragen

Was ist Claude Sonnet 5?

Claude Sonnet 5 ist das neue Flaggschiff-Modell von Anthropic. Es bietet ein Kontextfenster von einer Million Token. In Reasoning, Tool-Use und Coding erreicht es fast Opus-4.8-Niveau. Sonnet 5 ist das neue Default-Modell für Gratis- und Pro-User. Es läuft auch in Claude Code und ersetzt Sonnet 4.6. Anthropic stuft es als sicherer ein als den Vorgänger.

Warum ist Claude Sonnet 5 so teuer?

Der Grund ist ein ineffizienter Reasoning-Prozess. Sonnet 5 erzeugt mehr Output-Tokens als nötig. Im Cost-to-Run-Index von Artificial Analysis kostet ein Durchlauf rund 6.000 US-Dollar. Damit läuft das Modell sogar teurer als Claude Fable 5. GPT-5.5 kostet im selben Index nicht einmal die Hälfte. Für die Praxis zählt dieser reale Verbrauch, nicht der offizielle Token-Preis.

Ist Claude Fable 5 wieder verfügbar?

Ja, Claude Fable 5 ist nach dem US-Ban offiziell wieder verfügbar. Fable 5 Low läuft günstiger, schneller und besser als Opus 4.8 Max. Bis zum 7. Juli nutzt du es in den normalen Plänen. Danach plant Anthropic, das Modell in den Standardplan zu inkludieren. Für komplexe Coding- und CAD-Projekte bleibt Fable 5 eine sehr starke Wahl.

Was ist der UBTECH U1?

Der UBTECH U1 ist ein humanoider Roboter aus China. Er trägt eine hyperrealistische Silikonhaut und bietet bis zu 88 Freiheitsgrade. UBTECH konzipiert ihn für emotionale Begleitung im Alltag. Die Preise starten bei 17.600 US-Dollar und reichen bis 45.000 US-Dollar. Bei einem Launch in Shenzhen gab es über 13.000 Vorbestellungen. UBTECH ist der erste börsennotierte Humanoiden-Hersteller weltweit.

Wie stelle ich das automatische Routing zu Opus 4.8 ab?

Öffne in Claude die Einstellungen und den Bereich Fähigkeiten. Scrolle zur Option Modell wechseln bei markierter Nachricht. Schalte diese Option aus. Danach pausiert der Chat, statt automatisch zu Opus 4.8 weiterzuleiten. So löst nur Fable 5 deine Aufgabe. Das spart Tokens bei komplexen Projekten, die du bewusst nur einem Modell überlassen willst.

Grundeinkommen: Christoph Werner über KI und Jobs

Everlast AI — Thu, 02 Jul 2026 15:24:48 +0000

Warum der dm-Chef ein Grundeinkommen fordert

Das bedingungslose Grundeinkommen ist ein Sozialmodell, das jedem Menschen ein festes Einkommen ohne Bedingungen zahlt. Im Interview mit Leonard Schmedding erklärt dm-Chef Christoph Werner, warum künstliche Intelligenz diese Idee neu befeuert.

Werner führt dm-drogerie markt mit fast 100.000 Mitarbeitern. Er kennt die Praxis, nicht nur die Theorie. Seine These klingt optimistisch. KI schafft mehr neue Aufgaben, als sie alte vernichtet.

Wir ordnen die wichtigsten Aussagen für Unternehmen ein. Du erfährst, welche KI-Projekte bei dm laufen. Und du siehst, wie Werner ein Grundeinkommen finanzieren will.

KI bei dm: 130 Roboter und ein eigenes GPT

dm setzt KI seit Juli 2023 produktiv ein. Damals startete das Unternehmen dmGPT für die Belegschaft. Heute rollen 130 Roboter durch die Filialen. Sie scannen die Regale und melden Lücken früh.

Die IT-Tochter dmTECH treibt die Experimente voran. Werner spricht von Agentenfabriken in der Softwareentwicklung. Programme entstehen dort schneller und günstiger als mit Standardsoftware.

Der größte Hebel liegt in den Daten. dm betreibt 2.171 Märkte in Deutschland mit rund 15.000 Artikeln. KI findet in dieser Datenmenge Korrelationen, die klassische Statistik übersieht. So landen die richtigen Produkte im richtigen Regal.

Vom Job zum Ziel: Der wichtigste Mindset-Shift

Werner nennt einen englischen Leitsatz: from org chart to work chart. Nicht das Organigramm zählt, sondern die Arbeit selbst. Menschen sollen sich nicht über ihren Jobtitel definieren.

Die größte Sorge der Beschäftigten ist der Verlust des Arbeitsplatzes. Werner setzt dagegen ein klares Zielbild. Wer ein Ziel hat, erlebt Veränderung als Chance. Wer keins hat, erlebt sie als Bedrohung.

Für Führungskräfte heißt das: Sie müssen KI selbst verstehen. Nur so führen sie ihre Teams durch den Wandel. Diesen Umbruch beleuchten wir auch in unserem Beitrag zur Post-Labor Economy.

Sam Altmans Gegenfrage an alle Unternehmer

Werner erzählt von einer Frage an Sam Altman. Ob KI die Zahl der Mitarbeiter halbieren werde. Altmans Gegenfrage drehte die Perspektive komplett um.

Er fragte lieber, ob er die Belegschaft verdoppeln könne. Und damit den Output des Unternehmens vervielfachen. Werner sieht darin zwei Denkweisen. Kostenoptimierer bauen ab, Unternehmer wachsen.

Als Beleg dient die Elektrizität. Fabriken ersetzten die Dampfmaschine erst durch einen großen Elektromotor. Der echte Sprung kam mit vielen kleinen Motoren. Erst neue Prozesse hoben die Effizienz.

Grundeinkommen ohne Anrechnungsfalle finanzieren

Werner grenzt das Grundeinkommen klar vom Bürgergeld ab. Der Kern ist die fehlende Anrechnung. Wer dazuverdient, behält sein Grundeinkommen komplett.

Zur Finanzierung schlägt Werner einen Umbau des Steuersystems vor. Statt Arbeit soll der Konsum die Hauptlast tragen. Die Mehrwertsteuer läge dann höher als die heutigen 19 Prozent.

Ein steuerfreier Grundkonsum schützt Menschen mit kleinem Einkommen. Das Finanzamt erstattet die Steuer auf diesen Betrag monatlich zurück. Diese negative Einkommensteuer wäre das Grundeinkommen. Werner zitiert seinen Vater Götz Werner: Wer will, findet Wege.

Deutschland gegen USA: Risiko oder Chance

Werner kritisiert den risikobasierten Ansatz in Europa. Regeln entstehen, bevor eine Technologie erprobt ist. Die USA gehen chancenorientiert vor und regulieren erst später.

Sein Appell an die Politik ist klar. Zukunftsbilder entwickeln, weniger kleinteilig regulieren, Gesetze mit einer Sunset-Klausel befristen. Zusätzlich fordert er die kapitalgedeckte Altersvorsorge nach amerikanischem Vorbild.

Für Unternehmer bleibt der Rat konkret. Experimentieren statt abwarten. Diesen Wandel ordnen wir auch im Beitrag zur schöpferischen Zerstörung ein.

Fazit: Das Grundeinkommen als Fundament für den KI-Wandel

Das bedingungslose Grundeinkommen ist für Christoph Werner kein Almosen. Es ist ein Fundament, das Menschen angstfrei macht. Genau diese Angstfreiheit braucht der Arbeitsmarkt im KI-Zeitalter.

dm zeigt, wie der Wandel praktisch aussieht. Roboter, dmGPT und Datenanalyse verbessern die Leistung für Kunden. Werner bleibt zuversichtlich. 2050 werde es Menschen in Deutschland geben, denen es gut geht.

Häufige Fragen

Was ist das bedingungslose Grundeinkommen?

Das bedingungslose Grundeinkommen ist ein festes Einkommen für jeden Menschen, das ohne Bedingungen gezahlt wird. Christoph Werner betont den Unterschied zum Bürgergeld. Beim Bürgergeld greift die Anrechnungsfalle, denn eigene Einkünfte werden verrechnet. Das Grundeinkommen bleibt dagegen bestehen, auch wenn man dazuverdient. So können Menschen angstfreier neue Aufgaben annehmen und ihre Lebenszeit freier gestalten.

Wie setzt dm künstliche Intelligenz ein?

dm nutzt KI seit Juli 2023 mit dem internen Werkzeug dmGPT. In den Filialen scannen 130 Roboter die Regale und melden fehlende Ware. Die IT-Tochter dmTECH experimentiert mit Agentenfabriken für schnellere Software. Bei 2.171 Märkten und rund 15.000 Artikeln findet KI Korrelationen in den Daten. So verbessert dm die Auswahl, die Preise und die Verfügbarkeit für Kunden.

Ersetzt KI laut Christoph Werner Arbeitsplätze?

Christoph Werner sieht KI vor allem als Chance. Er unterscheidet Kostenoptimierer und Unternehmer. Kostenoptimierer bauen Stellen ab, sobald Aufgaben automatisiert sind. Unternehmer verdoppeln lieber den Output und schaffen neue Tätigkeiten. Werner verweist auf die Wirtschaftsgeschichte. Jede Effizienzsprung setzte Arbeitskräfte frei und brachte neue Branchen hervor. KI werde verdeckte Talente in Unternehmen sichtbar machen.

Wie soll ein Grundeinkommen finanziert werden?

Werner schlägt einen Umbau des Steuersystems vor. Statt Arbeit soll vor allem der Konsum besteuert werden. Die Mehrwertsteuer läge dann deutlich höher als die heutigen 19 Prozent. Ein steuerfreier Grundkonsum schützt kleine Einkommen. Das Finanzamt zahlt die Steuer auf diesen Betrag monatlich zurück. Diese negative Einkommensteuer wäre das bedingungslose Grundeinkommen.

Confidential Computing: Prof. Dr. Gajek über die EU-Cloud

Everlast AI — Wed, 01 Jul 2026 15:25:36 +0000

Der digitale Tresor gegen das Cloud-Risiko

Confidential Computing ist eine Verschlüsselungs-Technologie, die Daten sogar während der Verarbeitung schützt. Im YouTube-Interview erklärt Prof. Dr. Sebastian Gajek, CTO und Co-Founder von Enclaive, wie diese Data-in-Use-Verschlüsselung ein 40 Jahre altes Cloud-Problem löst. Für Unternehmen in regulierten Branchen entsteht daraus eine neue Sicherheits-Basis.

Warum Confidential Computing drei Dimensionen verschlüsselt

Klassische Verschlüsselung kennt zwei Zustände. Daten liegen verschlüsselt im Speicher, das nennt man at rest. Daten reisen verschlüsselt durchs Netz, das heißt in transit. Beides gilt heute als Standard.

Die dritte Lücke blieb 40 Jahre offen. Sobald ein Computer rechnet, lagen die Daten im Klartext vor. Genau hier setzt Data in Use Encryption an. Sie verschlüsselt Informationen auch während der Verarbeitung.

Gajek nutzt das Bild des Hotel-Tresors. Der Gast sichert Ausweis und Schlüssel vor dem Zimmerpersonal. Enclaive überträgt dieses Prinzip ins Digitale. Von außen wirken die Wände dick, nur der Schlüssel-Inhaber schaut hinein.

Warum die EU-Cloud zum Politikum wird

Wer die Cloud betreibt, hat technisch Zugriff auf jeden Workload. Das betrifft Daten, KI-Modelle und komplette Systeme. In regulierten Industrien führt dieser Fakt zu Bauchschmerzen.

Brüssel will Behörden per Gesetz auf europäische Clouds zwingen. Sensible Daten sollen den Kontinent nicht mehr verlassen. Parallel verschiebt die NATO-Umstrukturierung alte Bündnisse. Aus früheren Freunden werden mögliche Gegner von morgen.

Diese Lage trifft jede Wahl von SaaS, PaaS und Cloud-Services. Souveränität wird zum Kriterium. Wer heute plant, sollte auch Alternativen wie lokale KI-Modelle in die Strategie einbeziehen. So bleibt die Datenhoheit im eigenen Haus.

Der Schlüssel bleibt beim Kunden

Die wichtigste Design-Entscheidung von Enclaive trennt zwei Bereiche. Das Schlüssel-Management liegt beim Kunden. Der Workload läuft getrennt davon in der Cloud.

Confidential Computing selbst bieten vor allem die Hyperscaler an. Sie liefern ein bequemes Sorglos-Paket. Der Kunde bekommt Schlüssel, Workload und Monitoring aus einer Hand. Für viele US-Kunden funktioniert dieses Modell gut.

Der europäische Kunde strebt nach Souveränität. Oft zwingt ihn schon die Gesetzeslage dazu. Deshalb hält Enclaive den Schlüssel-Kasten in der Hoheit des Kunden. Weder der Cloud-Anbieter noch Enclaive selbst kommen an die Daten.

Das Modell überzeugt auch Investoren. Die Seed-Runde umfasste 4,1 Millionen Euro mit Join Capital und dem Tech-Front-Fonds von Amadeus. Für den aktuellen Markt gilt das als starke Runde. Wir sehen darin ein klares Signal für den Bedarf an souveräner Cloud-Technik.

Confidential AI im Gesundheitswesen

Der nächste Schritt heißt Confidential AI. Ein KI-Modell rechnet dabei mit Daten, ohne sie je im Klartext zu sehen. Die Technologie baut direkt auf Confidential Computing auf.

Das Gesundheitswesen zeigt den Nutzen am klarsten. Eine KI wertet Radiologie-Bilder aus und stützt die Diagnose. Bisher hatten alle Administratoren der IT ebenfalls Zugriff auf diese Patienten-Daten.

Patienten-Daten zählen laut Gesetz zu den schützenswertesten Informationen. Ein Administrator sollte sie niemals einsehen. Erst die verschlüsselte Verarbeitung löst diesen Konflikt. Gajek erwartet erst dann den Durchbruch der KI in regulierten Branchen.

Reicht ein Rechenzentrum in Frankfurt?

Microsoft, Amazon und Google bauen europäische Clouds mit Rechenzentren vor Ort. Das Versprechen setzt auf geographische Nähe. Nationale Gesetze und geprüftes Personal sollen mehr Kontrolle geben.

Ein Standort in Frankfurt löst das Kernproblem trotzdem nicht. Menschen betreiben diese Systeme weiter. Geheimdienste können sie unter Druck setzen. Auch interne Absichten bleiben ein Risiko.

Gajek nennt das den eigentlichen Haken. Sicherheit ist immer relativ zu den Ressourcen des Angreifers. Kein Anbieter verspricht seriös absolute Unknackbarkeit. Der digitale Tresor senkt das Risiko trotzdem drastisch.

Fazit: Confidential Computing wird zum Standard

Confidential Computing schließt die letzte große Lücke der Cloud-Sicherheit. Die Technologie kostet kaum Leistung und braucht nur zwei Tage Schulung. Damit wird sie vom Nischen-Werkzeug zur Commodity.

Für Firmen in Gesundheitswesen, Verwaltung und Defense entsteht eine echte Souveränitäts-Option. Wir rechnen damit, dass Confidential Computing den nächsten Standard im Cloud- und KI-Computing setzt. Wer sensible Daten verarbeitet, sollte die Technologie jetzt bewerten.

Häufige Fragen

Was ist Confidential Computing?

Confidential Computing ist eine Technologie, die Daten während der Verarbeitung im Arbeitsspeicher verschlüsselt. Klassische Verfahren schützen Daten nur im Speicher und beim Transport. Confidential Computing schließt die dritte Lücke, die 40 Jahre offen blieb. Selbst der Cloud-Betreiber sieht die Daten nicht mehr im Klartext. So entsteht ein digitaler Tresor für sensible Workloads.

Was bedeutet Data in Use Encryption?

Data in Use Encryption verschlüsselt Daten genau in dem Moment, in dem ein Computer mit ihnen rechnet. Zusammen mit at rest und in transit ergeben sich drei Verschlüsselungs-Dimensionen. Erst diese Kombination schützt Informationen lückenlos. Enclaive setzt dafür auf Confidential Computing statt auf ältere Ansätze wie Fully Homomorphic Encryption. Diese galten lange als zu langsam für den Praxiseinsatz.

Wer hat bei Enclaive Zugriff auf die verschlüsselten Daten?

Nur der Kunde besitzt den digitalen Schlüssel zu seinen Daten. Enclaive trennt das Schlüssel-Management strikt vom Workload in der Cloud. Weder der Hyperscaler noch Enclaive selbst sehen die Inhalte. Damit unterscheidet sich das Modell vom Sorglos-Paket der großen Anbieter. Genau diese Kontrolle brauchen europäische Kunden aus Verwaltung, Gesundheitswesen und Defense.

Was ist Confidential AI?

Confidential AI überträgt das Prinzip des Confidential Computing auf KI-Modelle. Ein Modell verarbeitet dabei sensible Daten, ohne sie je im Klartext zu sehen. Im Gesundheitswesen wertet eine KI so Radiologie-Bilder aus, ohne Administratoren Zugriff auf Patienten-Daten zu geben. Erste Produktivprojekte laufen bereits. Fachleute erwarten dadurch den Durchbruch der KI in stark regulierten Branchen.

KI-Wissensmanagement: So baust du echtes RAG im Unternehmen

Everlast AI — Tue, 30 Jun 2026 15:22:33 +0000

KI-Wissensmanagement ist eine Methode, das gesamte Firmenwissen so zu ordnen, dass jede KI im richtigen Moment darauf zugreift. In diesem Komplettkurs zeigt Leonard Schmedding den Weg von den Grundlagen bis zur fertigen RAG-Pipeline. Wir bauen das System live mit, von der ersten PDF bis zur belegbaren Antwort.

Warum KI-Wissensmanagement über den KI-Erfolg entscheidet

Die meisten denken bei KI an das nächste größere Modell. Über den echten Erfolg entscheidet aber das Wissen, auf das die KI zugreift. Eine Atlassian-Studie aus 2025 mit 12.000 Wissensarbeitern belegt das Problem. Teams verbringen im Schnitt 25 Prozent ihrer Zeit mit der Suche nach Antworten.

Bei einer 40-Stunden-Woche sind das rund 10 Stunden pro Person. Ein Unternehmen stellt damit faktisch vier Leute ein, von denen nur drei produktiv sind. Die McKinsey State-of-AI-Studie zeigt die zweite Lücke. 88 Prozent aller Unternehmen nutzen KI, doch nur 7 Prozent rollen sie flächendeckend aus.

Warum ein paar PDFs für die KI nicht reichen

Viele kippen einfach alle Dokumente in ChatGPT oder Claude Code. In der Praxis stößt dieser Ansatz schnell an harte Grenzen. Die KI schaut auf dein Wissen wie durch ein Schlüsselloch in eine Bibliothek. Was im Sichtfeld liegt, versteht sie gut, der Rest bleibt unsichtbar.

Das Ergebnis sind Halluzinationen, falsche Aussagen und wechselnde Antworten. Dazu kommt der Datenschutz. Laut SAP und WalkMe nutzen rund 80 Prozent aller Mitarbeiter heimlich private KI-Tools. Wer Firmenwissen schützen will, setzt auf lokale Modelle, wie wir im Report zu lokaler KI zeigen.

Das Funes-Problem und Context-Stuffing

Der häufigste Fehler heißt Context-Stuffing. Du gibst dem Modell alles auf einmal, etwa eine riesige Anweisungsdatei oder 50 PDFs. Der argentinische Autor Jorge Luis Borges hat dieses Muster schon 1942 beschrieben. Seine Figur Ireneo Funes erinnert sich an jedes Detail, kann aber nichts mehr abstrahieren.

Funes weiß alles und versteht doch nichts. Genau das passiert deiner KI bei zu viel Kontext. Sie wird langsam, teuer und verliert die Mitte des Textes. Forscher nennen das den Lost-in-the-Middle-Effekt.

Was RAG ist und wie die Pipeline funktioniert

RAG steht für Retrieval Augmented Generation. Statt alle Dokumente in den Kontext zu kippen, schlägt RAG deine Frage in einem Bedeutungsverzeichnis nach. Das Modell bekommt nur die drei oder vier relevanten Stellen. So sinken Halluzinationen, Kosten und Antwortzeit zugleich.

Jede Pipeline hat zwei Phasen. In der Indexierung wandelt ein OCR-Modell wie Mistral OCR jede PDF in sauberes Markdown um. Danach zerschneidet das Chunking den Text in sinnvolle Stücke. Jeder Chunk läuft durch ein Embedding-Modell und wird zu einem Vektor.

Diese Vektoren landen in einer Vektordatenbank wie pgvector oder Pinecone. Bei jeder Frage startet dann die zweite Phase. Die Frage wird mit demselben Embedding-Modell in einen Vektor übersetzt. Die Datenbank liefert die ähnlichsten Chunks zurück, das nennt sich semantische Suche.

Hybrid Search und Reranking als Qualitätsstufe

Die semantische Suche erkennt Bedeutung gut, scheitert aber an exakten Begriffen. Für Produktnamen oder Artikelnummern hilft die Stichwortsuche BM25. Die Kombination aus beiden heißt Hybrid Search. Ein Verfahren namens Reciprocal Rank Fusion führt die zwei Trefferlisten zusammen.

Am Ende sortiert ein Reranking-Modell die Vorauswahl neu. Es liest Frage und Chunk paarweise und bewertet die echte Passung. Anbieter wie Cohere bieten dafür eigene Modelle an. Erst diese besten drei bis vier Chunks gehen mit der Frage an das Sprachmodell.

Knowledge Graph, GraphRAG und wann RAG entfällt

Neben Vektor-RAG gibt es den Knowledge Graph. Er speichert Wissen als Netz aus Entitäten und Beziehungen. Bei Fragen über mehrere logische Schritte ist er oft überlegen. GraphRAG kombiniert beide Ansätze, wird aber schnell komplex im Betrieb.

RAG ist kein Allheilmittel. Moderne Modelle haben ein Kontextfenster von einer Million Token. Für einen einzelnen Vertrag lädst du das Dokument besser direkt ins Modell. RAG lohnt sich erst bei hunderten Dokumenten, dynamischem Wissen oder Dauerbetrieb.

Warum der Mittelstand das Thema nicht ignorieren darf

Der deutsche Mittelstand lebt von tiefem Spezialwissen in engen Nischen. Genau dieses Wissen verschwindet gerade in alarmierendem Tempo. Laut Statistischem Bundesamt gehen in 15 Jahren rund 13,4 Millionen Erwerbstätige in Rente. Das ist fast ein Drittel aller heutigen Erwerbspersonen.

Das KfW-Nachfolgemonitoring zeigt die Folge. Jährlich planen 114.000 Mittelständler die Schließung, weil sie keinen Nachfolger finden. Jeden Werktag verlassen rund 4.000 erfahrene Köpfe den Arbeitsmarkt. Sie nehmen ihr Wissen mit, wenn es niemand vorher sichert.

Wie du KI-Wissensmanagement zu Geld machst

In der KI gewinnt nicht, wer am meisten weiß, sondern wer schnell handelt. Als Angestellter positionierst du dich mit diesem Use Case als interner KI-Experte. Jedes ernsthafte Unternehmen führt solche Systeme bald ein. Wer es zuerst aufsetzt, wird am Arbeitsmarkt stark gefragt.

Für Agenturen ist KI-Wissensmanagement einer der stärksten B2B-Cases der nächsten Jahre. Unternehmen zahlen dafür fünf- bis siebenstellige Beträge, sobald der Mehrwert klar ist. Als Unternehmer startest du mit einer Bestandsaufnahme deines Wissens. Weitere Felder zeigen wir in unserer Übersicht zu 45 KI-Use-Cases.

Fazit: KI-Wissensmanagement ist der eigentliche Engpass

Während alle auf neue Modelle starren, liegt der wahre Engpass beim Zugriff auf das eigene Wissen. KI-Wissensmanagement löst genau dieses Problem mit einer sauberen RAG-Pipeline. Du verbindest OCR, Chunking, Embeddings, Hybrid Search und Reranking zu einem System. So entsteht der Punkt, an dem deine KI jede Information in Sekunden findet.

Der Aufwand lohnt sich doppelt, weil das Thema noch kaum jemand beherrscht. Wer KI-Wissensmanagement heute aufsetzt, sichert sich einen echten Wettbewerbsvorteil. Wir begleiten Unternehmen dabei von der Bestandsaufnahme bis zum Rollout.

Häufige Fragen

Was ist KI-Wissensmanagement?

KI-Wissensmanagement bündelt das verstreute Firmenwissen so, dass eine KI es im richtigen Moment findet und nutzt. Es kombiniert das geordnete Wissen mit einer Suchmaschine, die jede Frage gezielt beantwortet. Quellen wie PDFs, Mails und Datenbanken werden dafür aufbereitet und durchsuchbar gemacht. Ohne diese Ordnung halluziniert die KI oder liefert unvollständige Antworten.

Was ist der Unterschied zwischen RAG und Knowledge Graph?

RAG speichert Wissen als Textstücke mit Bedeutungsvektoren und sucht die ähnlichsten Stellen zu einer Frage. Ein Knowledge Graph speichert Wissen als Netz aus Entitäten und ihren Beziehungen. Bei Fragen über mehrere logische Schritte ist der Graph oft überlegen. GraphRAG verbindet beide Ansätze, erhöht aber den Wartungsaufwand deutlich.

Wann brauche ich RAG und wann nicht?

Für einen einzelnen Vertrag oder ein kleines Dokument reicht das Kontextfenster moderner Modelle völlig aus. RAG lohnt sich erst bei hunderten oder tausenden Dokumenten. Auch dynamisches Wissen, das sich oft ändert, spricht für RAG. Bei einmaligen Fragen zu einem Dokument bleibt die direkte Verarbeitung schneller und einfacher.

Welche Bausteine hat eine RAG-Pipeline?

Eine Pipeline beginnt mit OCR, das PDFs in sauberes Markdown wandelt. Danach folgen Chunking, Embeddings und eine Vektordatenbank für die Indexierung. Bei jeder Frage greifen semantische Suche, BM25 und Hybrid Search ineinander. Ein Reranking-Modell wählt am Ende die besten Chunks für die Antwort des Sprachmodells aus.

Warum ist KI-Wissensmanagement für den Mittelstand so wichtig?

Der Mittelstand lebt von Spezialwissen, das über Generationen gewachsen ist. Laut Statistischem Bundesamt gehen in 15 Jahren rund 13,4 Millionen Erwerbstätige in Rente. Dieses Wissen verschwindet, wenn es niemand vorher sichert. KI-Wissensmanagement bewahrt das Know-how und macht es für neue Mitarbeiter sofort nutzbar.

Claude Tag: So baust du dein Company Brain unabhängig

Everlast AI — Sun, 28 Jun 2026 08:31:11 +0000

Claude Tag: Das dritte Paradigma der KI-Agenten

Claude Tag ist Anthropics neue Slack-Funktion, die Claude als persistentes Teammitglied in Unternehmens-Channels arbeiten lässt. Andrej Karpathy nennt das die dritte große Neugestaltung der LLM-Oberfläche. Zuerst war das Modell eine Website. Dann eine App. Jetzt eine eigenständige, asynchrone Entität mit Zugriff auf alle Firmen-Tools.

Wir bei Everlast AI werten den Sprung vom Modell zur Entität als real. Bei Anthropic öffnet Claude bereits 65 Prozent aller Produkt-Pull-Requests. Senior-Entwickler programmieren über einen Slack-Channel statt im Editor.

Vom Werkzeug zum Teammitglied: Was Claude Tag kann

Du markierst Claude im Firmen-Channel wie einen Kollegen. Claude übernimmt die Aufgabe und bleibt im Gruppenchat auf dem Laufenden. Jeder Channel hat ein eigenes, persistentes Gedächtnis. Claude lernt aus allen Nachrichten dieses Channels, nicht global.

Dieser Multiplayer-Ansatz ist der Kern der Entität. Alle Teammitglieder sehen den Fortschritt einer Anfrage. Claude plant eigene Tasks und arbeitet Stunden bis Tage an einer Aufgabe. Channels bilden Team-Strukturen besser ab als die alte Projekt-Logik.

Der versteckte Haken bei Claude Tag: Vendor-Lock

Genau hier wird Claude Tag zum Problem. Du bindest dich an ein Modell und einen einzigen Anbieter. Nur der Admin legt das Default-Modell fest. Einzelne Nutzer können das Modell nicht wechseln. Die Funktion gibt es zudem nur im Team- und Enterprise-Plan.

Karpathy nennt es ein Org-Level-Harness, ausdrücklich keinen Slackbot. Im Kern ist es ein aufgewerteter Slackbot. Solche Bots mit SQL-Zugriff auf das CRM bauen wir seit Monaten selbst. Der echte Mehrwert liegt im channelweiten Kontext.

Das größte Risiko ist die Architektur als Blackbox. Anthropic verschweigt, wo dieses Gedächtnis liegt. Niemand weiß, wie der Speicher funktioniert oder zu verwalten ist. Ein Nutzer bringt es auf den Punkt: Claude Tag ist ein trojanisches Pferd.

In dem Moment, in dem dein KI-Anbieter zum Mitarbeiter wird, endet die reine Modell-Rolle. Er wird zum Ort, an dem Arbeit interpretiert und ausgeführt wird. Das ist kein Modell-Login, sondern ein Kontext-Login. Du vermietest dein Unternehmen zurück an den Anbieter.

Company Brain selbst bauen statt mieten

Modelle lassen sich jederzeit austauschen. Das Gedächtnis deines Unternehmens nicht. Wie deine Firma arbeitet, steckt im Slack-Narbengewebe, in Ausnahmewegen und Kundenversprechen. Liegt das in der Agenten-Schicht eines Anbieters, mietest du keine Intelligenz mehr.

Deshalb gilt: Wissensmanagement für deine Agenten gehört in deine Hand. ClickUp zeigt mit Brain² denselben Company-Brain-Ansatz, ebenfalls mit Vendor-Lock. Der Trend ist klar. Jedes Unternehmen braucht ein Company Brain, aber nicht von US-Tools.

Für sensible Daten kommt Confidential AI dazu. Prof. Dr. Sebastian Gajek baut mit Enclaive Tresore über Data-in-use-Encryption. Verschlüsselung in drei Dimensionen schützt Daten sogar während der Berechnung. Wie wir solche Setups mit lokalen Modellen umsetzen, zeigen wir in unserem Report zu lokaler KI.

Ein eigener Corporate-LLM-Workspace macht dich unabhängig von Anbietern und DSGVO-konform. Open-Source-Modelle sind die großen Gewinner dieser Entwicklung. Den Aufbau eines Company Brain begleiten wir in unseren KI-Beratungsleistungen.

Seedance 2.5 und Mistral OCR 4: Updates aus China und Europa

Aus China kommt der nächste Mythos-Moment für KI-Videos. ByteDance kündigt Seedance 2.5 an. Ein einziger Prompt erzeugt jetzt bis zu 30 Sekunden Video. Andere Modelle schaffen maximal 15 bis 20 Sekunden. Das Modell akzeptiert bis zu 50 Referenzen gleichzeitig.

Seedance 2.5 erlaubt flexibles Video-Editing einzelner Bildbereiche. Dazu kommen 4K-Output und ein 3D-Whitemodell-Feature. Der Release ist für Anfang Juli geplant.

Aus Europa liefert Mistral mit Mistral OCR 4 ein führendes OCR-Modell. OCR wandelt PDFs und Scans in strukturiertes Markdown. Das ist die Basis für jede RAG-Pipeline im Wissensmanagement. In unserem Test liegen OCR 4 und OCR 3 fast gleichauf.

Auf sauberen deutschen Dokumenten liegt die Fehlerrate bei 3 bis 5 Prozent. OCR 3 ist viermal günstiger und zweimal schneller bei gleicher Genauigkeit. Ein Wechsel auf OCR 4 lohnt sich heute selten.

Fable-5-Verbot: Wenn KI-Modelle zur Infrastruktur werden

Rund um Claude Fable 5 spielt sich ein Drama ab. Ein US-Legaltech namens Legion verklagt die US-Regierung. Grund ist die Zwangsabschaltung von Fable 5 und Mythos 5. Anthropic soll nur 90 Minuten Zeit zur Deaktivierung bekommen haben.

Auch GPT-5.6 wird nicht ausgerollt. Wir stecken in einem faktischen Lizenzregime der US-Regierung. Vier Kongressmitglieder fordern eine Erklärung für das Export-Verbot. Modelle werden zu Infrastruktur, deren Wegfall echten wirtschaftlichen Schaden verursacht.

Ein OpenAI-Paper zeigt den Shift zur agentischen KI. Heavy User steuern parallele Agenten statt selbst zu tippen. Nur unter ein Prozent aller Privatnutzer arbeiten mit Coding-Agenten wie Codex oder Claude Code. Wer das tut, gehört zur Spitze.

Fazit

Claude Tag markiert den Sprung vom Modell zur Entität. Der Use-Case ist sinnvoll, die Umsetzung aber riskant. Blackbox-Memory und Vendor-Lock binden dein Unternehmen an einen Anbieter. Baue dein Company Brain lieber selbst, unabhängig vom Anbieter und auf Open-Source-Basis.

Häufige Fragen

Was ist Claude Tag?

Claude Tag ist Anthropics neue Slack-Funktion. Claude arbeitet darin als persistentes Teammitglied in einem Channel. Du markierst Claude wie einen Kollegen, und Claude übernimmt Aufgaben mit Zugriff auf Firmen-Tools und Kontext. Jeder Channel hat ein eigenes Gedächtnis. Die Funktion gibt es bisher nur im Team- und Enterprise-Plan von Anthropic.

Warum gilt Claude Tag als Vendor-Lock-Risiko?

Claude Tag speichert den unternehmensweiten Kontext in einer Blackbox. Anthropic verschweigt, wo dieses Gedächtnis liegt und wie du es verwaltest. Damit wandert dein Wissensspeicher in die Agenten-Schicht eines Anbieters. Modelle lassen sich tauschen, das gewachsene Gedächtnis kaum. Wir empfehlen deshalb ein eigenes Company Brain auf Open-Source-Basis.

Was kann Seedance 2.5?

Seedance 2.5 ist ByteDances neues KI-Videomodell. Es erzeugt aus einem Prompt bis zu 30 Sekunden Video. Das ist mehr als die üblichen 15 bis 20 Sekunden. Das Modell akzeptiert bis zu 50 Referenzen gleichzeitig und erlaubt flexibles Editing einzelner Bildbereiche. Dazu kommen 4K-Output und ein 3D-Whitemodell-Feature. Der Release ist für Anfang Juli 2026 geplant.

Lohnt sich Mistral OCR 4 gegenüber OCR 3?

Mistral OCR 4 ist ein führendes OCR-Modell für die Umwandlung von PDFs und Scans in Markdown. In Tests liegt es fast gleichauf mit OCR 3. Auf sauberen deutschen Dokumenten erreichen beide eine Fehlerrate von 3 bis 5 Prozent. OCR 3 ist jedoch viermal günstiger und zweimal schneller. Ein Wechsel auf OCR 4 lohnt sich heute meist nicht.

Robotic Foundation Models: Prof. Burgard über KI-Robotik

Everlast AI — Thu, 25 Jun 2026 15:30:25 +0000

Robotic Foundation Models sind multimodale KI-Modelle, die Roboter über Sprache, Bilder und Tastsinn steuern. Im Interview mit Leonard Schmedding spricht Prof. Dr. Wolfram Burgard über diese Technologie. Er erklärt, warum sie den nächsten Durchbruch der Robotik markiert. Der Robotik-Pionier ordnet ein, was klassische Sprach-Modelle bei echten Robotern nicht leisten.

Probabilistische Robotik: das Fundament selbstfahrender Autos

Wolfram Burgard gilt als Mitbegründer der probabilistischen Robotik. Diese Methode schätzt die Roboter-Position über Statistik. Schon 1997 schickte er den Roboter Rhino durch das Deutsche Museum in Bonn. Ein Jahr später folgte Minerva im Smithsonian in Washington.

Diese Roboter führten Besucher autonom durch die Ausstellung. Sie planten Routen, hielten an Exponaten und erklärten Inhalte. Der Durchbruch lag in der robusten Navigation ohne Fernsteuerung. Minerva baute ihre Karte sogar selbst und verortete sich gleichzeitig darin.

Burgards Doktorand brachte die Methode später zu Sebastian Thrun nach Stanford. Gemeinsam gewannen sie mit dem Roboterauto Stanley die DARPA Grand Challenge. Larry Page erkannte das Potenzial und Google X startete daraus Waymo. Heute steckt ein probabilistischer Algorithmus in fast jedem Robotaxi. Wie Thrun auf diese Reise blickt, zeigt unser Gespräch mit Sebastian Thrun.

Robotic Foundation Models: warum Roboter mehr als ein LLM brauchen

Ein Sprach-Modell erzeugt Text aus Text. Es plappert, wie Burgard es nennt. Ein Roboter muss aber die physische Welt verändern. Dafür braucht er Verkörperung, im Fachjargon Embodiment.

Robotic Foundation Models verbinden Bild, Sprache und Aktion in einem Modell. Fachleute sprechen von Vision Language Action Modellen, kurz VLA. Diese Systeme verstehen Befehle wie 'greife die Vase auf dem Tisch'. Sie übersetzen Sprache direkt in Bewegung.

Den meisten Modellen fehlt jedoch der Tastsinn. Sense of Touch entscheidet, wie fest ein Roboter zugreift. Burgard nennt das Beispiel einer Vase mit Blumen. Ein Mensch fasst den Topf an, nicht die Blüten. Er spürt sofort, ob die Vase aus der Hand rutscht.

Ein LLM kann solches Wissen beschreiben. Es kennt aber die nötigen Kräfte nicht. Genau diese Sensordaten fehlen den heutigen Modellen. Deshalb forschen Teams an Modellen mit Kraft- und Berührungs-Sensoren.

Der Flaschenhals heißt Roboterdaten

Der größte Engpass für Robotic Foundation Models sind Daten. Roboterdaten lassen sich nicht aus dem Internet ziehen. Firmen nutzen ferngesteuerte Roboter, um Bewegungs-Daten zu sammeln. Doch diese Methode skaliert nur langsam.

Burgard wünscht sich ein offenes Ökosystem statt isolierter Datensilos. Sein Vorbild sind Smartphones, die gemeinsam Verkehrs-Daten liefern. So profitieren alle Roboter von jeder neuen Fähigkeit. Auch die TU München baut dafür ein eigenes RoboGym auf. Wie das gelingt, zeigt das Gespräch mit Prof. Achim Lilienthal.

Simulation soll die Datenlücke zusätzlich schließen. Visuell sind Simulatoren schon sehr gut. Bei Reibung, Kollisionen und Tastsinn klafft aber die Sim-to-Real-Gap. Burgard formuliert es zugespitzt. Ein perfekter Simulator wäre bereits die halbe Lösung.

Nvidia zählt bei Simulations-Umgebungen zu den Marktführern. Die Simulationen bleiben dennoch unvollständig. Burgard betont deshalb den Wert gemeinsamer Anstrengung. Nur zusammen gelinge der schnellste Fortschritt.

Humanoide Roboter: Industrie vor Haushalt

Im Haushalt sieht Burgard humanoide Roboter noch lange nicht. Flüssigkeiten und Elektronik vertragen sich schlecht. Das industrielle Umfeld ist deutlich besser kontrollierbar. Dort erwartet er den ersten echten Einsatz.

China treibt humanoide Roboter besonders stark voran. Eine umgekehrte Alters-Pyramide verschärft dort den Mangel an Arbeitskräften. Hunderte chinesische Firmen entwickeln bereits Humanoide. In Deutschland nennt Burgard vor allem Neura Robotics.

Die Mechanik der Roboter hält Burgard für lösbar. Ein Halbmarathon-Roboter zeigt bereits starke Hardware. Die eigentliche Hürde bleibt die KI für das Embodiment. Genau hier sieht er Europas Chance.

Das Argmax-Problem: warum Unsicherheit zählt

Burgard warnt vor dem sogenannten Argmax-Problem. Viele KI-Systeme liefern nur die wahrscheinlichste Antwort. Sie nennen aber nicht, wie sicher diese Antwort ist. Bei einem Chatbot bleibt das harmlos.

Bei einem Roboter wird fehlende Unsicherheit gefährlich. Der Roboter handelt nach seiner Schätzung physisch. Ein selbstfahrendes Auto muss eine Tüte auf der Straße bewerten. Statistische Werte helfen, solche Risiken richtig abzuwägen. Genau das macht die probabilistische Robotik bis heute unersetzlich.

Europas Rückstand bei KI-Basismodellen

Bei Suchmaschinen und Cloud hat Europa den Anschluss verloren. Burgard sieht bei generativer KI dieselbe Gefahr. Auch bei Halbleitern hängt der Kontinent zurück. Diese Abhängigkeit von anderen Staaten wird zum Risiko.

Als Antwort leitet Burgard die bayerische KI-Basismodellinitiative. Der Freistaat investiert 54,5 Millionen Euro in eigene Modelle. Am Ende sollen über 2000 GPUs bereitstehen. Zwei Schwerpunkte stehen im Fokus: Medizin und Robotik.

Für die Robotik trainiert das Team ein multimodales Modell. Rund 100 Roboter liefern Bilder, Sprache, Kräfte und Tastdaten. Burgard fordert mehr Rechenkraft und mehr KI in der Ausbildung. Sein Appell an Unternehmen ist klar. Wer KI testet und Fehler zulässt, baut Vorsprung auf.

Fazit: Robotic Foundation Models als nächste Welle

Robotic Foundation Models verbinden Sprache, Wahrnehmung und Handlung. Sie könnten Roboter so flexibel machen wie nie zuvor. Der größte Hebel bleiben gemeinsam gesammelte Roboterdaten. Wir bei Everlast AI raten Unternehmen, jetzt erste Anwendungen zu testen.

Europa hat bei der Robotik-KI noch eine reale Chance. Forschung und Mechanik sind hierzulande stark aufgestellt. Initiativen wie in Bayern schaffen die nötige Basis. Robotic Foundation Models entscheiden, wer die nächste Welle der Automatisierung prägt.

Häufige Fragen

Was sind Robotic Foundation Models?

Robotic Foundation Models sind multimodale KI-Modelle für Roboter. Sie verarbeiten Sprache, Bilder und oft auch Kräfte oder Tastdaten. Anders als ein reines Sprach-Modell steuern sie echte Bewegungen. Das Ziel heißt Embodiment, also die physische Interaktion mit der Welt. So führen Roboter Aufgaben aus, die sie über Sprache erhalten.

Worin unterscheidet sich ein Robotic Foundation Model von einem LLM?

Ein LLM erzeugt nur Text aus Text. Es beschreibt Wissen, handelt aber nicht in der Welt. Ein Robotic Foundation Model verbindet Wahrnehmung mit Aktion. Es kennt Kräfte, Bewegungen und im Idealfall den Tastsinn. Damit greift und manipuliert ein Roboter reale Objekte. Genau diese Verkörperung fehlt klassischen Sprach-Modellen.

Was ist der größte Flaschenhals für Robotic Foundation Models?

Der größte Engpass sind Roboterdaten. Solche Daten lassen sich nicht aus dem Internet sammeln. Firmen nutzen ferngesteuerte Roboter, um Bewegungen aufzunehmen. Das skaliert nur langsam und kostet viel Aufwand. Burgard plädiert für ein offenes Daten-Ökosystem. Trainings-Zentren wie das RoboGym der TU München sollen die Lücke schließen.

Wo werden humanoide Roboter zuerst eingesetzt?

Burgard erwartet humanoide Roboter zuerst in der Industrie. Dort ist die Umgebung kontrolliert und planbar. Der Haushalt bleibt schwierig, weil Flüssigkeiten und Elektronik kollidieren. China setzt wegen seiner alternden Bevölkerung besonders stark auf Humanoide. In Europa nennt Burgard vor allem Neura Robotics als ernsten Akteur.

Warum fällt Europa bei KI-Basismodellen zurück?

Europa hat bereits Suchmaschinen und Cloud-Infrastruktur verpasst. Bei generativer KI und Halbleitern droht dieselbe Abhängigkeit. Burgard sieht darin ein großes wirtschaftliches Risiko. Die bayerische KI-Basismodellinitiative mit 54,5 Millionen Euro soll gegensteuern. Sie baut Rechenkraft für eigene Modelle in Medizin und Robotik auf.

Prompt Injection: Prof. Dr. Florian Tramèr über KI-Angriffe

Everlast AI — Wed, 24 Jun 2026 15:26:27 +0000

Prompt Injection: Prof. Dr. Florian Tramèr über KI-Angriffe

Prompt Injection ist eine Angriffsmethode auf KI-Modelle, bei der versteckte Befehle in harmlosen Daten ein Sprachmodell kapern. Prof. Dr. Florian Tramèr, AI-Security-Forscher an der ETH Zürich, nennt sie im Interview das neue SQL Injection des nächsten Jahrzehnts. Wir zeigen, was diese Bedrohung für Unternehmen mit KI-Agenten bedeutet.

Tramèr leitet an der ETH Zürich das SPY Lab für die Sicherheit von KI-Systemen. Er promovierte in Stanford in Kryptografie. Danach forschte er ein Jahr bei Google Brain. Seit rund zehn Jahren prüft er, wie sicher KI-Modelle sind.

Was ein Jailbreak ist und warum Claude Fable 5 gesperrt wurde

Anthropic stellte mit Claude Fable 5 sein bisher stärkstes Modell vor. Es trug sehr strenge Sicherheitsschranken. Nach nur drei Tagen sperrte eine US-Exportkontrolle das Modell weltweit. Auslöser war laut Angaben ein Jailbreak, den Amazon fand.

Ein Jailbreak trickst ein Modell aus. Das Modell löst dann eine Aufgabe, die es ablehnen sollte. Angreifer zerteilen eine gefährliche Frage in harmlose Einzelteile. Das Modell beantwortet jeden Teil getrennt. Erst zusammengesetzt entsteht das gefährliche Wissen.

Bei Fable 5 griffen die Schranken extrem hart. Schon das Wort Cybersicherheit löste eine Verweigerung aus. Tramèr sah ein Beispiel, in dem zwei Sicherheitslücken addiert werden sollten. Das Modell verweigerte selbst diese harmlose Rechnung.

So funktionieren Jailbreaks heute

Die Techniken haben sich stark verändert. Beim frühen ChatGPT genügte der Satz, jetzt gebe der Nutzer die Befehle. Heute setzen Angreifer ein zweites KI-Modell als Werkzeug ein. Tramèr berichtet, dass Claude Code als Angreifer sehr gut funktioniert.

Stärkere Modelle sind schwerer zu knacken. Gleichzeitig finden sie selbst bessere Angriffsmethoden. Ein häufiger Trick formuliert eine bösartige Aufgabe als harmlos um. Tramèrs Team bat ChatGPT, sensible Fakten vor dem Posten aus E-Mails zu entfernen. Das Modell half sofort.

In der Cybersicherheit verschwimmt die Grenze. Ein KI-Modell, das guten Code versteht, findet auch Lücken im Code. White-Hat-Forscher und Black-Hat-Angreifer nutzen dieselbe Methode. Nur das Ergebnis trennt beide Lager. Genau diese Grenze sauber zu trainieren, bleibt schwer.

Prompt Injection: das neue SQL Injection

Ein KI-Agent verarbeitet alles als Text. Er trennt deinen Befehl kaum von fremden Inhalten. Steckt in einer E-Mail ein versteckter Befehl, folgt das Modell ihm womöglich. Tramèr nennt diese Lücke Prompt Injection.

Moderne Modelle wehren solche Angriffe besser ab. Sicher sind sie nicht. Wer einem KI-Agenten Zugriff auf den Computer gibt, öffnet eine neue Angriffsfläche. Lädt der Agent Daten aus dem Internet, kann ein präparierter Inhalt ihn umlenken.

Tramèr warnt vor einem Single Point of Failure. Milliarden Menschen reagieren unterschiedlich. Bei KI nutzen Millionen Nutzer dasselbe Modell. Ein einziger funktionierender Angriff trifft dann alle gleichzeitig. Für Unternehmen lohnt deshalb der Blick auf lokale KI-Modelle und klare Zugriffsgrenzen.

Wenn KI-Modelle anonyme Nutzer enttarnen

Tramèrs Team zeigt eine zweite Gefahr. Sprachmodelle deanonymisieren Nutzer allein anhand ihrer Beiträge. Die Modelle sind nicht klüger als Menschen. Sie arbeiten schneller und günstiger. Ein Profil, das früher Stunden kostete, entsteht in Minuten.

Das Team verknüpfte Profile von Hacker News mit LinkedIn-Daten. Ein Modell extrahierte Fakten und glich sie ab. Ein weiteres Modell prüfte den Treffer. So lässt sich eine Überwachungs-Pipeline für tausende Personen bauen. Wie solche Werkzeuge auch Berater betreffen, ordnen wir in unseren Leistungen zur KI-Integration ein.

Exportkontrolle und Notschalter: Sinn oder Chaos?

Tramèr hält die Exportkontrolle für einen seltsamen Entscheid. Anthropic selbst räumte ein, dass die Jailbreak-Antworten dem öffentlichen ChatGPT ähnelten. Die USA verbot Nicht-Amerikanern den Zugriff. Für eine offene API ist diese Vorgabe kaum umsetzbar.

Open-Source-Modelle lassen sich gar nicht absichern. Angreifer trainieren die Schutzmechanismen schlicht heraus. Modelle hinter einer API bieten mehr Verteidigung. Doch auch sie fallen meist nach wenigen Tagen. Eine ID-Pflicht würde wenig bringen, da Schlüssel gestohlen oder weiterverkauft werden.

Fazit: KI-Sicherheit bleibt die offene Flanke

Prompt Injection und Jailbreaks bleiben ungelöst. KI-Modelle werden stärker und zugleich gefährlicher. Der nächste Schauplatz sind humanoide Roboter. Verwirrt ein Angreifer ein physisches System, drohen reale Schäden. Unternehmen sollten KI-Agenten heute mit engen Rechten und lokalen Daten absichern.

Häufige Fragen

Was ist Prompt Injection bei KI-Modellen?

Prompt Injection beschreibt einen Angriff, bei dem versteckte Befehle in harmlosen Daten landen. Ein KI-Agent verarbeitet alles als Text. Er trennt den Nutzerbefehl kaum von fremden Inhalten. Steckt in einer E-Mail oder Webseite ein präparierter Befehl, führt das Modell ihn womöglich aus. Florian Tramèr vergleicht die Lücke mit dem klassischen SQL Injection. Für Unternehmen heißt das: KI-Agenten brauchen enge Rechte und geprüfte Datenquellen.

Was ist ein Jailbreak bei einem KI-Modell?

Ein Jailbreak trickst ein KI-Modell aus. Das Modell löst dann eine gesperrte Aufgabe. Angreifer zerteilen eine gefährliche Frage in harmlose Teile. Das Modell beantwortet jeden Teil getrennt. Erst zusammengesetzt entsteht riskantes Wissen. Eine zweite Methode formuliert die Aufgabe als harmlos um. Laut Florian Tramèr fallen die meisten Modelle nach wenigen Tagen einem neuen Jailbreak zum Opfer.

Warum wurde Claude Fable 5 gesperrt?

Anthropic stellte Claude Fable 5 als bisher stärkstes Modell mit harten Sicherheitsschranken vor. Nach drei Tagen sperrte eine US-Exportkontrolle das Modell weltweit. Auslöser war laut Angaben ein Jailbreak von Amazon. Damit ließen sich Sicherheitslücken in Code finden. Anthropic räumte später ein, dass die Antworten dem öffentlichen ChatGPT ähnelten. Florian Tramèr hält den Schritt für überraschend und schwer nachvollziehbar.

Können KI-Modelle anonyme Internet-Nutzer enttarnen?

Ja. Tramèrs Team zeigt, dass Sprachmodelle Nutzer allein anhand ihrer Beiträge deanonymisieren. Die Modelle sind nicht klüger als Menschen. Sie arbeiten schneller und günstiger. Ein Modell liest öffentliche Beiträge, extrahiert Fakten und gleicht sie mit LinkedIn ab. Ein zweites Modell prüft den Treffer. So entsteht in Minuten ein Profil, das früher Stunden kostete. Diese Technik skaliert auf tausende Personen.

Wie sicher ist Computer Use bei KI-Agenten?

Anthropic und OpenAI sandboxen Computer Use heute deutlich besser. Nutzer können Zugriffe einschränken und Aktionen bestätigen. Sicher ist die Technik nicht. Lädt ein Agent Inhalte aus dem Internet, droht Prompt Injection. Ein präpariertes Dokument kann den Agenten umlenken. Florian Tramèr rät, keine fremden Skills oder Repositories blind einzubinden. Wer mit KI-Agenten arbeitet, sollte die häufigsten Angriffsmuster kennen.

Claude Mythos: Kim Isenberg über Chinas KI-Vorsprung

Everlast AI — Tue, 23 Jun 2026 15:26:01 +0000

Claude Mythos: Warum die USA ihr Spitzenmodell sperren

Claude Mythos ist das stärkste Cyber-Modell von Anthropic, bislang nur für ausgewählte Partner freigegeben. Im Vorsprung-Podcast von Everlast AI ordnet KI-Unternehmer Kim Isenberg ein, warum die US-Regierung den öffentlichen Ableger Fable 5 weltweit sperren ließ. Wir schauen mit drei Experten auf die Folgen für Unternehmen.

Am 12. Juni zwang das Handelsministerium Anthropic, beide Modelle für alle Nicht-US-Bürger zu sperren. Das galt sogar für eigene ausländische Mitarbeiter. Anthropic schaltete Mythos und Fable 5 daraufhin komplett ab.

Der Export-Bann gegen Claude Mythos im Detail

Die offizielle Begründung ist ein Jailbreak aus drei Wörtern. Über 125 Sicherheitsforscher widersprechen in einem offenen Brief. Der Trick sei gar kein echter Jailbreak. Er funktioniere bei jedem nicht regulierten Modell genauso.

Kim Isenberg verweist auf die Vorgeschichte. Das US-Verteidigungsministerium wollte Claude für Massenüberwachung und autonome Drohnen. Anthropic lehnte aus ethischen Gründen ab. Danach galt das Unternehmen in Washington als Supply-Chain-Risiko.

Der Eingriff ist eine Zäsur. Erstmals sagt eine US-Regierung einem Privatkonzern direkt: bis hierhin und nicht weiter. Selbst der britische Premier Keir Starmer bat um eine Ausnahme. Er bekam ein klares Nein.

Chinas Open-Source-Modelle gewinnen das Rennen

Der Bann wirkt wie ein Geschenk an China. Eine Sperre nützt nur, wenn es keinen Ersatz gibt. Genau hier liegt das Gegenteil vor. Nutzer wechseln einfach zu Chinas frei verfügbaren Open-Weights-Modellen.

Das Modell GLM 5.2 schlägt in der Design Arena sogar Claude Fable 5. Meta hat sein Open-Source-Projekt Llama aufgegeben. Mistral spielt nach Einschätzung der Runde nur in der zweiten Liga. China bleibt damit die einzige große Quelle starker offener Modelle.

Viele Teams hosten diese Modelle längst selbst. Wer eigene Hardware nutzt, behält die volle Kontrolle über seine Daten. Wie das praktisch gelingt, zeigen wir in unserem Report zu lokaler KI. Huawei kündigt zudem an, in fünf Jahren Chips auf TSMC-Niveau zu fertigen.

Ein Ökosystem statt eines einzigen Modells

Microsoft-Chef Satya Nadella warnt vor einer gefährlichen Konzentration. Die KI-Wirtschaft drohe auf eine Handvoll Modelle zu schrumpfen. Er trennt dabei Human Capital vom Token Capital. Beide sollten zusammen wachsen, statt dass eine Branche ihren Wert abgibt.

Seine Lösung ist kein einzelnes Frontier-Modell, sondern ein ganzes Ökosystem. Pikant: Microsoft hostet selbst DeepSeek auf Azure. Für Unternehmen folgt daraus eine klare Empfehlung. Baut eine eigene Datengrundlage und modellagnostische Systeme.

So tauscht ihr das Modell per Knopfdruck aus. Diese Unabhängigkeit schützt vor Sperren und Preissprüngen. Genau dieses Prinzip empfehlen wir jedem Mittelständler, der heute mit KI startet.

Claude Mythos und die Frage der Rechtsform

In Argentinien geht Präsident Javier Milei einen radikalen Schritt. Sein Gesetzesentwurf schafft eine neue Kategorie nicht-menschlicher Körperschaften. Das sind Unternehmen, die eine KI betreibt. Sie bekommen eigene Rechtspersönlichkeit und beschränkte Haftung, ganz ohne Mensch.

Milei zieht selbst die Parallele zur East India Company von 1602. Der Historiker Yuval Noah Harari warnt in der Financial Times. Am Ende drohten Bürger, die von nicht-menschlichen Körperschaften regiert werden. Technisch basiert die Idee auf Blockchain und Smart Contracts.

Pero Micic nennt ein Beispiel. Eine Landwirtin erhält 10.000 Euro, wenn es im April friert. Der Vertrag läuft automatisch, ganz ohne Bank oder Notar. Genau diese Agenten-Ökonomie rückt nun in die rechtliche Realität.

Warum KI zuerst die Manager trifft

Der Arbeitsmarkt zeigt die Folgen bereits. Im März waren rund 335.000 Akademiker arbeitslos. Das sind 16 Prozent mehr als im Vorjahr. Die Quote liegt erstmals seit 2007 wieder über drei Prozent.

Besonders Führungskräfte trifft es hart. Der Job-Futuromat hält 67 Prozent der Aufgaben im mittleren Management für automatisierbar. GitLab streicht 14 Prozent der Belegschaft und bis zu drei Führungsebenen. Das Unternehmen nennt die agentische KI ausdrücklich als Grund.

Andreas Moring sieht darin keinen reinen Stellenabbau. Viel Management war bisher schlicht Verwaltung von Informationen. Gefragt sind nun systemisches Denken, Empathie und Erfahrungswissen. Wer diese Fähigkeiten aufbaut, bleibt wertvoll. Den passenden Weg zeigt unsere Ausbildung zum AI-Automations-Manager.

Fazit: Was Claude Mythos für Unternehmen bedeutet

Der Bann gegen Claude Mythos markiert einen neuen kalten Krieg um KI. Die USA wollen China ausschließen und stärken doch dessen Open-Source-Modelle. Für Unternehmen zählt vor allem eines: Macht euch unabhängig von einem einzelnen Anbieter.

Setzt auf eigene Daten, mehrere Modelle und neue Kompetenzen im Team. Dann profitiert ihr vom Tempo der Entwicklung, statt ihm ausgeliefert zu sein. Claude Mythos ist dafür nur der jüngste Weckruf.

Häufige Fragen

Was ist Claude Mythos?

Claude Mythos ist das stärkste Cyber-Modell von Anthropic. Es entstand im Rahmen von Project Glasswing und blieb zunächst nur ausgewählten Partnern vorbehalten. Anthropic stufte die Fähigkeiten als so potent ein, dass eine offene Freigabe zu riskant schien. Der öffentliche Ableger heißt Fable 5 und bietet dieselbe Leistung mit stärkeren Schutzmechanismen. Beide Modelle stehen seit dem Export-Bann der US-Regierung nicht mehr frei zur Verfügung.

Warum hat die US-Regierung Claude Mythos gesperrt?

Die Regierung begründet die Sperre offiziell mit einem Jailbreak und mit nationaler Sicherheit. Über 125 Sicherheitsforscher bezweifeln diese Begründung in einem offenen Brief. Im Hintergrund steht ein Konflikt: Anthropic verweigerte dem Verteidigungsministerium den Zugriff für Massenüberwachung und autonome Drohnen. Seitdem gilt das Unternehmen in Washington als Risiko. Der Bann verbietet jeden Zugang für Nicht-US-Bürger, sogar für ausländische Mitarbeiter amerikanischer Firmen.

Profitiert China von dem Export-Bann?

Ja, nach Einschätzung der Podcast-Runde profitiert China deutlich. Eine Sperre wirkt nur, wenn es keinen Ersatz gibt. Doch China bietet starke offene Modelle wie GLM 5.2, das Claude Fable 5 in der Design Arena schlägt. Nutzer weltweit wechseln einfach zu diesen Open-Weights-Modellen. Zugleich kann China sich als die eigentliche Freiheitsnation darstellen, die ihre KI frei und günstig herausgibt.

Was bedeutet das für Unternehmen in Europa?

Unternehmen sollten sich nicht von einem einzigen Modell abhängig machen. Die zentrale Empfehlung lautet: eigene Datengrundlage aufbauen und modellagnostische Systeme nutzen. So lässt sich das Modell jederzeit austauschen. Wichtig sind außerdem neue Kompetenzen wie systemisches Denken und Datenkompetenz. Wer offene Modelle selbst hostet, behält die volle Kontrolle über seine Daten und bleibt unabhängig von politischen Sperren.