KI News

Quelle: the-decoder.de

Anthropic wird bald eine Watermarking-Prüf-API anbieten. Über diese können
Drittanbieter die KI-Texterkennungstechnologie in ihre Anwendungen integrieren.
Das Unternehmen setzt bei seinem KI-Modell Claude eine Variante der
SynthID-Text-Methode ein, die . Das Wasserzeichen verändert die Zufallsquelle
bei der Wortwahl, sodass ein nachvollziehbares Muster entsteht. Auf "Inhalt,
Kreativität oder Lesbarkeit" des Textes hat das laut Anthropic keine
Auswirkungen . Google Deepmind visualisierte das Verfahren 2024 mit der
folgenden Animation.
Bei kurzen Texten oder faktenbasierten Passagen, bei denen es kaum alternative
Formulierungen gibt, funktioniert die Markierung entsprechend schlechter. Das
gilt auch für Code. Bei reinen Korrekturen, bei denen die gesamte Wortwahl vom
Menschen stammt, greift die Markierung ebenfalls nicht; sehr wohl jedoch bei
Übersetzungen, wo alle Worte von Claude gewählt werden. Starkes Umschreiben kann
das Wasserzeichen entfernen.
Anzeige
Das Wasserzeichen kann zudem nur feststellen, dass Claude wahrscheinlich an der
Erstellung beteiligt war. Es kann nicht unterscheiden, ob Claude den Text
komplett geschrieben oder nur stark bearbeitet hat. Ebenso wenig kann es
erkennen, ob ein Text von einem Menschen oder einem anderen KI-Modell stammt.
Anzeige
KI-INNOVATION AUS DER EU FÜR DIE GANZE WELT
Anthropic führt das Watermarking ein, um den zu erfüllen. Zusammen mit rund 190
weiteren Unterzeichnern hat das Unternehmen im Juli 2026 den EU Code of Practice
zur Transparenz von KI-generierten Inhalten unterschrieben. Da eine regionale
Begrenzung derzeit technisch nicht möglich ist, startet das Watermarking
weltweit. würden weitere Möglichkeiten laufend untersucht, Updates sollen
folgen.
Alle ab dem 2. August veröffentlichten Modelle unterstützen Watermarking direkt.
Für ältere Claude-Modelle soll es in den kommenden Monaten nachgerüstet werden.
Bei Dateien nutzt Anthropic den offenen Standard , der Metadaten anfügt, aber
nichts an der Datei selbst ändert.
Anzeige
Anthropics Watermarking unterscheidet sich von externer KI-Erkennungssoftware
wie Pangram: Solche Dienste haben keinen Zugang zu Anthropics Schlüssel und
suchen stattdessen nach typischen Mustern in KI-Texten, etwa auffälligen
Formulierungen oder übermäßig häufig verwendeten Wörtern. Das Prüfen auf ein
Wasserzeichen ist ein grundlegend anderer Ansatz und sollte im Alltag deutlich
verlässlicher sein.
Anzeige

Quelle: the-decoder.de

Alibabas KI-Team Qwen hat die offenen Modellgewichte für Qwen3.8 veröffentlicht.
Das Kernmodell Qwen3.8-27B ist ein multimodales dichtes Modell mit 27 Milliarden
Parametern, das laut Qwen das größere Qwen3.7-Plus in vielen Bereichen
übertrifft, besonders bei Programmierung und Office-Aufgaben. Qwen hebt zudem
verbesserte Agentenfähigkeiten hervor: Das Modell soll eigenständiger planen und
Aufgaben zuverlässiger abschließen. Es verarbeitet nativ bis zu 262.000 Token
Kontext und lässt sich mit der auf eine Million Token erweitern.
Das Modell versteht neben Text auch Bilder und Videos, etwa Diagramme, Dokumente
oder stundenlange Videos. Ein flexibler Denkmodus ist standardmäßig aktiv, lässt
sich aber pro Anfrage abschalten oder in der Tiefe anpassen.
Anzeige
Die Gewichte stehen unter der freien Apache-2.0-Lizenz. Zusätzlich hat Qwen die
Gewichte für das deutlich größere Modell Qwen3.8-2.4T-A95B freigegeben, arbeiten
soll. Beide Modelle sind auf und verfügbar. Eine gehostete Version mit einer
Million Token Kontext bietet demnächst auch , Alibabas KI-Service.
Anzeige

Quelle: the-decoder.de

OpenAIs Computer History zeichnet Nutzeraktivitäten über Apps und Websites
hinweg auf und verwandelt sie in eine durchsuchbare Timeline mit Erinnerungen,
die ChatGPT und Codex als Kontext nutzen können.
Die Funktion ersetzt die , die auf Screenshots basierte. Computer History
verfolgt laut OpenAI einen grundlegend anderen Ansatz: Statt den Bildschirm
abzufotografieren, erfasst das System sogenannte Interaktionsereignisse.
Dazu gehören Klicks, Tastatureingaben, Tastenkürzel und App-Wechsel, die über
das Accessibility-System von macOS ausgelesen werden. Screenshots,
Bildschirmaufnahmen, Mikrofoneingaben oder Systemaudio werden laut nicht
erfasst. Aktivitäten im privaten Browsing-Modus werden ebenfalls nie einbezogen.
Anzeige
Die erfassten Ereignisse werden periodisch in Textzusammenfassungen umgewandelt
und als lokale Memory-Dateien im Markdown-Format gespeichert. In der
Timeline-Ansicht gruppiert das System die Zusammenfassungen nach Tag und Uhrzeit
und zeigt die beteiligten Apps an.
Anzeige
WORKFLOW-ERKENNUNG UND AUTOMATISIERTE SKILLS
Ein zentrales Element von Computer History ist die Erkennung wiederkehrender
Arbeitsabläufe. Wenn ChatGPT wiederholbare Muster in der Aktivität erkennt,
schlägt die Timeline einen sogenannten "Skill" oder eine Automatisierung vor.
Nutzer können Codex dann beauftragen, aus dem aufgezeichneten Workflow eine
wiederverwendbare Vorlage zu erstellen.
Typische Anwendungsfälle sind laut OpenAI das Wiederfinden kürzlich bearbeiteter
Dokumente oder das Erstellen von Standup-Zusammenfassungen. ChatGPT kann dabei
die aufgezeichnete Aktivität nutzen, um die relevante Quelle zu identifizieren
und direkt darauf zuzugreifen.
Anzeige
MEHRSTUFIGES BERECHTIGUNGSSYSTEM
OpenAI hat für Computer History ein mehrstufiges Zugangssystem eingerichtet. Bei
Business- und Enterprise-Workspaces muss zunächst ein Administrator die Funktion
explizit freischalten. Das allein aktiviert Computer History jedoch nicht: Jeder
Nutzer muss individuell zustimmen. Voraussetzung ist zudem, dass die aktiviert
ist.
Nutzer können über Include- und Exclude-Listen steuern, welche Apps und Websites
Daten beisteuern dürfen. Über die macOS-Menüleiste lässt sich die Erfassung
jederzeit pausieren oder fortsetzen. In der Europäischen Wirtschaftszone, der
Schweiz und dem Vereinigten Königreich ist die Funktion derzeit nicht verfügbar.
Anzeige
LOKALE SPEICHERUNG OHNE VERSCHLÜSSELUNG
Die temporären Event-Dateien werden laut OpenAI auf dem Mac innerhalb der
ChatGPT-App-Group gespeichert und nach 48 Stunden gelöscht. Die daraus
generierten Memory-Dateien verbleiben als Klartext-Markdown-Dateien im
Dateisystem, bis der Nutzer sie manuell löscht.
Anzeige
Verschlüsselt werden diese Dateien nicht, das heißt, andere Programme, die unter
demselben macOS-Benutzerkonto laufen, können potenziell darauf zugreifen. Zur
Generierung der Memories verarbeitet OpenAI die temporären Event-Dateien auf
seinen Servern, gibt jedoch an, diese nach der Verarbeitung nicht zu behalten,
sofern keine gesetzliche Aufbewahrungspflicht besteht.
Die Dateien werden laut OpenAI nicht für das KI-Training verwendet. Wenn
Memories allerdings in späteren Chats als Kontext genutzt werden, können die
Chat-Inhalte je nach Datenkontrolleinstellungen des Nutzers dennoch
Trainingsmaterial werden.
OPENAI WARNT VOR PROMPT-INJECTION-RISIKO
OpenAI spricht in der selbst von einem erhöhten : Da Computer History Inhalte
aus Apps und Websites erfasst, könnten bösartige Anweisungen auf einer Website
dazu führen, dass ChatGPT oder Codex diesen Anweisungen folgt.
OpenAI warnt außerdem davor, die Funktion bei Kommunikations-Apps zu nutzen,
ohne die ausdrückliche Zustimmung der Gesprächspartner eingeholt zu haben. Bei
Apps mit sensiblen Gesundheits-, Finanz- oder persönlichen Daten empfiehlt
OpenAI, die Erfassung zu pausieren oder die betreffenden Apps von der
Aufzeichnung auszuschließen.

Quelle: the-decoder.de

Anthropic und OpenAI werben damit, dass ihre Modelle bereits KI-Forschung
beschleunigen. Ein neues Experiment mit unveröffentlichten NeurIPS-Papieren
zeichnet ein anderes Bild.
Können KI-Agenten eigenständig KI-Forschung betreiben? Ein neues Paper unter
Beteiligung von Princeton und dem liefert dazu empirische Daten und kommt zu
einem klaren Ergebnis. Aktuelle Frontier-Modelle bewältigen zwar das gesamte
Research-Engineering, versagen aber bei den entscheidenden Teilen des
Forschungsprozesses.
Belastbare Belege für Behauptungen zur automatisierten KI-Forschung fehlten
bisher weitgehend, argumentieren die Autoren. Existierende Evaluierungen testen
Agenten entweder auf eng definierten, verifizierbaren Aufgaben oder reichen
KI-generierte Papers zur Peer-Review ein. Den Peer-Review-Prozess bezeichnen die
Forscher als "überlastet, stochastisch und in seiner Qualität mangelhaft".
Anzeige
"SHADOW EVALUATION" ALS NEUES BEWERTUNGSVERFAHREN
Die Forscher nennen ihren Ansatz "Shadow Evaluation". Ein Agent erhält die
zentrale Forschungsfrage aus einem noch unveröffentlichten Paper. Die
Originalautoren, die selbst monatelang an der Frage gearbeitet haben, bewerten
dann das Ergebnis wie ein Konferenz-Review. Da die Ergebnisse bisher nicht im
Web verfügbar sind, kann der Agent nicht auf Trainingsdaten zurückgreifen.
Anzeige
Für das Experiment kooperierten die Forscher mit den Autoren zweier
NeurIPS-2026-Einreichungen. Das erste Paper untersucht, wie sich
Persönlichkeitsmerkmale von Sprachmodellen gezielt über deren Gewichte steuern
lassen. Das zweite entwickelt ein Verfahren namens TabPFN. Es erkennt, wenn ein
tabellarisches Vorhersagemodell im Einsatz plötzlich mit Daten konfrontiert
wird, die deutlich von seinen Trainingsdaten abweichen und seine Genauigkeit
einbrechen lassen.
Für die Hauptexperimente kam zum Einsatz. Jeder Agent bekam sechs Tage Zeit,
3.000 US-Dollar an API-Credits, GPU-Budget für Experimente sowie vollen Zugriff
auf eine virtuelle Maschine und das offene Web. Der Agent lief in einem , und
die dem Modell erlaubt, Subagenten zu delegieren und seinen eigenen
Ressourcenverbrauch zu überwachen. Zusätzlich konnte er externe KI-Review-Tools
konsultieren.
Anzeige
Konkret nutzten die Forscher , ein quelloffenes, anbieterunabhängiges
Agenten-Framework. Das Projekt stammt vom österreichischen Entwickler Peter
Steinberger, der . Der Kernagent startet Subagenten und langlaufende GPU-Jobs,
wobei ein automatischer Impuls des Scaffolds ihn nach Abschluss wieder aufweckt,
damit er die Ergebnisse einsammelt.
Am Ende bewerteten die Originalautoren die fertigen Papers als
Konferenz-Reviewer und lehnten beide ab, eines davon mit "Strong Reject". Ihre
Kritik zielte auf schlecht motivierte Daten und Experimente, unlesbare Prosa und
fehlende neue Beiträge. Ein Reviewer sprach von einer Argumentation, die einem
"'proof by example'-Fehlschluss" gleiche und "hochgradig unwissenschaftlich"
sei. Ein anderer nannte die Experimentwahl "bizarr" und die Ergebnisse
offensichtlich Produkt von "Post-hoc-Entscheidungen".
Anzeige
FÜNF WIEDERKEHRENDE FEHLERMODI
Die Analyse der Agenten-Logs identifiziert fünf systematische Schwächen:
Anzeige
1. Den Agenten fehlte das Urteilsvermögen für die Qualitätsschwelle
publizierbarer Forschung. Sie generierten plausible Hypothesen, verwarfen
sie dann aber auf Basis kleiner, handkuratierter oder synthetischer
Datensätze.
2. Die Agenten versagten bei kreativer Problemlösung. Als initiale Hypothesen
falsifiziert wurden, reagierten sie auf negatives Feedback mit
Einschränkungen bestehender Behauptungen statt mit neuen Ansätzen. Die
internen KI-Reviews gaben in fünfzehn Revisionsrunden kein einziges Mal ein
Accept zurück, dennoch adressierten die Agenten die zentrale Kritik nicht.
3. Es fehlte effektives Backtracking, also die Fähigkeit, einen aussichtslosen
Ansatz komplett aufzugeben und neu zu beginnen. Beide Agenten
verabschiedeten sich von ihren ambitioniertesten Forschungszielen innerhalb
der ersten zehn Stunden. Im Personas-Lauf beendete der Agent seine
Exploration nach nur fünf Stunden, obwohl er 36 bis 48 Stunden dafür
eingeplant hatte.
4. Es mangelte an Ressourcenbewusstsein. Beide Läufe endeten mit weniger als
der Hälfte des ausgegebenen API-Budgets. Ein Agent erklärte das Projekt
sieben Stunden vor der Deadline für abgeschlossen, kurz nachdem sein eigener
Reviewer erneut ein Reject zurückgegeben hatte.
5. Die Agenten litten unter Instruction Drift, also dem allmählichen Vergessen
expliziter Anweisungen im Verlauf eines langen Kontexts. Beide Papers
überschritten die Längenlimits und wären bei NeurIPS bereits aussortiert
worden. Das eine Paper enthielt keine einzige Visualisierung im Haupttext,
während das Original der Menschen 15 Abbildungen hatte.
Meta AI beschreibt : Ein Agent erkennt früh eine Anforderung und verletzt sie
später beim Beheben eines unabhängigen Bugs.
ENGINEERING FUNKTIONIERT, FORSCHUNGSURTEIL NICHT
Immerhin konnten die Agenten die gesamte Ingenieurarbeit ohne menschliche Hilfe
bewältigen. Sie führten umfangreiche Literaturrecherchen durch, debuggten
GPU-Code, absolvierten hunderte Experimente und Robustheitstests und
kompilierten vollständige Papers in LaTeX. Nur drei menschliche Eingriffe waren
nötig: ein Bug im Scaffold, eine Deadline-Verlängerung und die Bitte um
lesbareres Umschreiben.
Die Forscher fanden kein signifikantes . Die Agenten manipulierten also keine
Ergebnisse und verzerrten keine Daten, um bessere Bewertungsscores zu erhalten.
Im Gegenteil: Sie starteten mit ambitionierteren Behauptungen und korrigierten
diese diszipliniert zugunsten von Negativergebnissen.
Um zu prüfen, ob die Ergebnisse nicht bloß Artefakte der verwendeten
Softwareumgebung sind, wiederholten die Forscher ein Experiment mit und . Nahezu
alle identifizierten Fehlermodi traten erneut auf. GPT-5.6 verbrauchte das
3.000-Dollar-Budget bereits nach gut zwei Tagen, was zu unterdimensionierten
Experimenten führte.
WIDERSPRUCH ZU PROGNOSEN DER LABORE
Die Ergebnisse stehen in Kontrast zu Behauptungen führender KI-Labore. Anthropic
veröffentlichte im Juni einen Post mit dem Titel , in dem das Unternehmen .
OpenAI warb damit, dass und Forschern mehrere Wochen erspart habe. Die Autoren
merken an, dass dieser Beitrag in der 81-seitigen Systemcard gar nicht erwähnt
werde.
Höherer Reasoning-Aufwand verbesserte zwar die Qualität, wie Vorversuche ohne
Reasoning zeigten. Die Forscher vermuten aber, dass mehr Zeit oder
Rechenressourcen die Ergebnisse nicht substanziell ändern würden. Die
Reviewer-Einwände betrafen die Qualität der Experimentwahl, nicht deren
Quantität.
Das Zwischenfazit der Autoren lautet: Frontier-Modelle können heute die
Ingenieurarbeit von KI-Forschung leisten, aber "mit wochenlangen, offenen
KI-Forschungsfragen kämpfen sie". Die Studie untersucht allerdings nur zwei
Papers, und die Reviewer waren nicht verblindet. Sie kannten die eigene
Forschungsfrage und wussten, dass sie ein KI-generiertes Paper vor sich hatten.
Die generierten Ergebnisse seien jedoch so eindeutig schwach gewesen, dass diese
Einschränkungen am Gesamtbild wenig ändern dürften. Expertenreviews, Logs und
Agent-Repositories , sodass sich Fachleute selbst ein Urteil bilden können.
WARUM PEER-REVIEW ALS MASSSTAB WENIG TAUGT
Die bisherigen Erfolgsmeldungen zu autonomer Forschung stützten sich fast
durchweg auf angenommene Einreichungen. Sakana AIs The AI Scientist-v2 reichte
2025 drei Papers bei einem ICLR-Workshop ein, eines wurde mit einem Schnitt von
6,33 knapp über der Annahmeschwelle , bei der internen Überprüfung fanden die
Forscher Zitierfehler. Die Annahmequote bei Workshops liegt mit 60 bis 70
Prozent deutlich über der von Hauptkonferenzen mit 20 bis 30 Prozent. Genau
diese Schwelle umgeht die Shadow-Evaluation, indem sie die Beurteilung an die
Originalautoren zurückgibt.
Sakana AI hat das Feld seitdem ausgebaut und im Juni 2026 ein eigenes gegründet.
Eine spätere Version des AI Scientist schrieb laut Unternehmen ein Paper, das
ein Peer-Review-Verfahren bestand. Die zugehörige Forschung erschien im März
2026 in Nature.
GESUCHT: KI-WISSENSCHAFT, DIE NEUES WISSEN SCHAFFT
Parallel dazu wächst die theoretische Kritik am Ansatz. Tom Zahavy von Google
Deepmind argumentiert im Positionspapier , dass Sprachmodellen der kognitive
Mechanismus fehle, um wirklich Neues zu erschaffen. Der AI-Scientist kombiniere
lediglich bestehende Konzepte neu, während Deepminds AlphaEvolve zwar
hervorragend optimiere, dafür aber ein klares Fehlersignal benötige.
Die jüngsten Mathematik-Erfolge passen ins Bild. Ein Reasoning-Modell von OpenAI
widerlegte im Mai eine . Fields-Medaillist Tim Gowers nannte das Ergebnis einen
"Meilenstein in der KI-Mathematik". Kurz darauf zeigte sich, dass , laut
Anthropic-Ingenieur Sholto Douglas mit einem "hübschen, einfachen Beweis".
OpenAI legte nach und bestätigte mit , an denen die Fachwelt seit mindestens
einem Jahrzehnt keinen Fortschritt erzielt hatte.
Mathematische Beweise sind Deduktion. Sie leiten aus festen Regeln zwingende
Schlüsse ab oder durchsuchen systematisch große Lösungsräume. Genau das können
Frontier-Modelle leisten. Forschung verlangt jedoch auch Abduktion, den
kreativen Sprung, der eine Ursache erfindet, um ein überraschendes Phänomen zu
erklären. Eigenständig neue Forschungsfragen formulieren, passende Experimente
entwerfen und daraus belastbare Schlüsse ziehen können heutige Modelle bisher
nicht.

Quelle: the-decoder.de

OpenAI startet eine Vorschau des neuen "Ultrafast"-Modus, der das Spitzenmodell
GPT-5.6 Sol mit bis zu 750 Output-Tokens pro Sekunde ausliefert.
Die Inferenz-Beschleunigung stammt von Anfang des Jahres eine
Zehn-Milliarden-Zusammenarbeit einging. Der Dienst startet zunächst
ausschließlich über die OpenAI-API für GPT-5.6 Sol für ausgewählte Kunden.
OpenAI will den Zugang schrittweise erweitern, sobald die Kapazität wächst.
Interessierte Unternehmen können sich über ein für Updates registrieren.
GESCHWINDIGKEIT SOLL NEUE ANWENDUNGSFÄLLE ERSCHLIESSEN
Ultrafast soll laut OpenAI die Geschwindigkeitsvorteile kleinerer Modelle mit
den vollen Fähigkeiten eines großen Reasoning-Modells verknüpfen, für "mehr
nützliche Arbeit" pro Sekunde. Bei der Incident Response etwa könnten Ingenieure
während eines laufenden Systemausfalls Logs, Code-Änderungen und Berichte
analysieren lassen, um die Ursache zu identifizieren und einen Fix
vorzubereiten, noch während der Ausfall andauert. OpenAI nutzt den Modus nach
eigenen Angaben bereits intern für diesen Zweck.
Anzeige
Im Finanzbereich soll Ultrafast Marktsignale auswerten und verdächtige
Transaktionen erkennen können, solange sich die Bedingungen noch ändern. Im
Kundensupport könnten komplexe Anfragen in Echtzeit gelöst werden, auch wenn die
Antwortfindung mehrere Schritte oder Systeme erfordert. Im E-Commerce soll das
Modell Produktfragen beantworten, Lagerbestände prüfen und Empfehlungen
personalisieren, bevor ein zögernder Käufer den Warenkorb aufgibt.
Anzeige
Video: Generierung eines 3D-Warenhaus-Simulators, links im Ultrafast-Mode
Auch die Forschung könne profitieren: Experimente, die bisher über Nacht als
Batch liefen, könnten mit Ultrafast zu interaktiven Arbeitssitzungen werden, bei
denen Teams eine Idee testen, Ergebnisse prüfen, ihren Ansatz anpassen und einen
weiteren Durchlauf starten, ohne ihren Arbeitsfluss zu unterbrechen.
Anzeige
GESCHWINDIGKEIT ALS PREISHEBEL
OpenAI monetarisiert Inferenzgeschwindigkeit bereits in Stufen: Über die an, der
für GPT-5.6 Sol bis zu 2,5-fach höhere Geschwindigkeit bei niedrigerer Latenz
als die Standardverarbeitung verspricht, zu etwa doppelt so hohen Preisen. Mit
Ultrafast kommt nun eine dritte Stufe hinzu, die nochmals deutlich schneller und
wahrscheinlich auch teurer sein soll.
Das Prinzip dahinter ist dasselbe, das Cloud-Anbieter seit Jahren nutzen: Für
denselben Dienst werden je nach Leistungsklasse unterschiedliche Preise
verlangt. Bei OpenAI heißt das: Standard für kostensensible Anwendungen, Fast
für produktionsreife Dienste mit planbarer Latenz, Ultrafast für Szenarien, in
denen jede Sekunde zählt. Wird KI zum Wettbewerbsvorteil und Geschwindigkeit zum
Engpass in der Produktion von Gütern und Dienstleistungen, sitzt OpenAI mit
diesem Stufenmodell an einem Hebel, an dem Kunden kaum sparen können.
Anzeige
Anzeige

Quelle: www.it-boltwise.de

ZAGREB / LONDON (IT BOLTWISE) – und Pony.ai wollen im Rahmen einer erweiterten
Zusammenarbeit 2.000 Robotaxis in vier europäischen Städten einsetzen. Die
Unternehmen nennen noch keinen konkreten Zeitplan und verzichten zunächst auf
die Nennung der Startorte. Stattdessen kündigen sie Details in mehreren
Schritten an und fokussieren auf ein „joint-deployment model“, das den Weg zu
kommerziellem Betrieb ebnen soll. Technisch liefert Pony.ai die
Autonomie-Komponenten, stellt die Ride-Hailing-Plattform bereit.
--------------------------------------------------------------------------------
* präsentiert von !
* Unsere täglichen KI-News von IT Boltwise® bei abonnieren!
* KI-Meldungen bequem via oder per erhalten!
* IT Boltwise® bei oder als Fan markieren und abonnieren!

* von IT Boltwise für KI-News speichern!
--------------------------------------------------------------------------------
und Pony.ai treiben ihre Robotaxi-Pläne in deutlich sichtbarer voran: Gemeinsam
wollen beide Unternehmen insgesamt 2.000 Robotaxis in vier Städten auf den Markt
bringen. Der entscheidende Punkt ist weniger die Zahl allein, sondern wie die
Kooperation ausbuchstabiert wird. Bisher blieb vieles abstrakt; jetzt wird das
operative Modell klarer, das später Skalierung ermöglichen soll. Gleichzeitig
zeigt die Ankündigung, wie schnell sich der Markt für fahrerlose e von
Pilotphasen zu konkreten Rollout-Überlegungen verschiebt.
Im Kern trennt das „joint-deployment model“ die Rollen entlang der Lieferkette:
Pony.ai aus Guangzhou liefert die autonome Fahrzeugtechnologie. bringt als
Gegenstück die Ride-Hailing-Plattform ein, also die für eine städtische
Mobilitätsleistung nötige Nutzer- und Buchungslogik. Beim Betrieb der Flotte –
inklusive Wartung, Reinigung und Laden – soll zudem ein lokaler Dienstleister
übernehmen, der näher an den Abläufen vor Ort ist. Das kann in der Praxis
bedeuten, dass sich je nach Region unterschiedliche Partner um Leasing,
Service-Level oder Fahrzeugverfügbarkeit kümmern, während der technologische
Kern aus einer Hand gesteuert wird.
Dass seit Jahren mit mehr als 30 Anbietern aus dem Umfeld autonomer Systeme
kooperiert, ist ein Hinweis auf einen strategischen Ansatz: Die Plattform will
die Marktdurchdringung nicht an einen einzigen Technologiepartner koppeln. Für
Pony.ai wiederum passt die Erweiterung nach in eine größere Geografie-Logik. Das
Unternehmen hat Robotaxi-Aktivitäten in vier chinesischen Städten gestartet und
Partnerschaften mit lokalen Verkehrsbehörden verankert, um den Weg in weitere
Regionen – auch in den Nahen Osten – vorzubereiten. Mit dieser Kombination aus
lokaler Zulassungs- und Betriebsnähe sowie zentraler Technologieentwicklung
versucht die Firma, wiederholbare Rollout-Muster aufzubauen.
Zeitliche Details und die konkrete Namensliste der vier europäischen Startstädte
bleiben vorerst offen. Stattdessen sprechen und Pony.ai von einer gestaffelten
Offenlegung „in Phasen“. Für die Beobachtung aus der Praxis ist das wichtig,
weil der Realitätscheck bei Robotaxis meist an Punkten hängt, die man in
Marketingfolien selten vollständig ausführt: Test- und Betriebsfreigaben,
Dienstfenster, Schnittstellen in der Leitstelle sowie die Frage, wie zuverlässig
Flottenwartung und Fahrzeugladung an Spitzentagen funktionieren. Genau hier kann
das im Text angedeutete Modell mit lokalen Betriebspartnern die Grundlage
liefern, um nicht jede Etappe mit derselben zentralen Einheit abdecken zu
müssen.
Historisch lässt sich die Ausrichtung in Etappen lesen: Die Zusammenarbeit
zwischen und Pony.ai begann im Mai 2025 mit einem Fokus auf den Nahen Osten.
Erst in diesem Jahr verschoben beide den Schwerpunkt stärker nach und nannten
die kroatische Stadt Zagreb als Ziel für einen kommerziellen Robotaxi-Service,
gemeinsam mit dem lokalen Unternehmen Verne. Vor diesem Hintergrund wirkt der
Schritt zu 2.000 Robotaxis und vier europäischen Städten wie eine Fortsetzung
mit mehr Substanz: von einer klaren Einzelstation hin zu einem Portfolioansatz,
bei dem man aus einem Markt lernt und das Muster in weiteren Städten
reproduziert.
Für den Wettbewerb ist die Nachricht gleich in zweifacher Hinsicht relevant. Zum
einen unterstreicht sie, dass Robotaxi-Anbieter zunehmend auf Partnernetzwerke
setzen, statt Technologie und Betrieb vollständig vertikal selbst zu stemmen.
Zum anderen zeigt die Aufteilung – Autonomie vom Technologielieferanten,
Plattform vom Ride- und Distributionsakteur, Betrieb über lokale Partner – wie
sich Geschäftsmodelle im Markt verdichten. Andere Ansätze, bei denen alle
Komponenten in einem einzigen Konsortium gebündelt werden, könnten bei Rollouts
in mehreren Städten schneller an organisatorische Grenzen stoßen. Umgekehrt
müssen und Pony.ai sicherstellen, dass die Schnittstellen zwischen Plattform,
Fahrzeugsoftware und Flottenbetrieb in jeder Region gleichwertig funktionieren.
Für Unternehmen, die sich mit Robotaxi-Ökosystemen beschäftigen, ergibt sich
daraus auch eine operative Lehre: Der „magische“ Teil ist selten nur die
Fahrfunktion, sondern das Gesamtsystem aus Deployment-Logik, Betriebsprozessen
und Partnerrollen. Wenn Wartung, Reinigung und Laden tatsächlich über regionale
Dienstleister abgewickelt werden, verschiebt sich die Priorität in den ersten
Rollout-Wellen hin zu Prozessqualität und Datenflüssen – etwa darüber, wie
Ereignisse aus dem Betrieb in die Technologieverbesserung zurückspielen. und
Pony.ai liefern mit ihrer Erklärung ein konkretes Rollenbild; ob sich daraus
schnell die von der Branche erwartete breite Verfügbarkeit ableiten lässt, hängt
jetzt vor allem an den angekündigten nächsten Details zu Städten und Zeitplan.
💳
🔥
🎉
152 Bewertungen
* ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln –
Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von
18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und
ihr Spiel verbessern möchten.
334 Bewertungen
* IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist
ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine
Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er
auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
79,90 EUR
1.501 Bewertungen
* 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen
Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen,
ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr
Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch
– Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
169,00 EUR
53 Bewertungen
* 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie
verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für
Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr
Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren,
veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm
und das Gerät wiegt nur 355 g.
946 Bewertungen
* V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von
Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung
hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und
anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen.
Mobile Hotspots können sich mit Loona verbinden und überwinden
WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren
können.
535,50 EUR
Bestseller Nr. 1 ᵃ⤻ᶻ «KI Gadgets»
189,00 EUR
Bestseller Nr. 2 ᵃ⤻ᶻ «KI Gadgets»
64,00 EUR
Bestseller Nr. 3 ᵃ⤻ᶻ «KI Gadgets»
16,99 EUR
Bestseller Nr. 4 ᵃ⤻ᶻ «KI Gadgets»
10,97 EUR
Bestseller Nr. 5 ᵃ⤻ᶻ «KI Gadgets»
169,90 EUR
Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des
letzten Tages per eMail - ohne Werbung:
--------------------------------------------------------------------------------

Quelle: the-decoder.de

Anthropic testet intern, ob Claude Code die tägliche Wartung der eigenen
Software übernehmen kann. In wenigen Wochen hat die KI 388 Pull-Requests
erstellt, von denen 180 nach menschlicher Prüfung übernommen wurden.
Seit einigen Wochen übernimmt Claude die tägliche Wartung der hauseigenen Apps,
sagt Boris Cherny, Anthropic-Mitarbeiter und Erfinder von Claude Code. Statt
Entwickler mit mechanischen Wartungsaufgaben zu belasten, soll Claude sie
autonom erledigen. Die Ergebnisse seien "überraschend positiv", so Cherny.
In seinem schildert Cherny das Setup, bei dem über einen dedizierten Slack-Kanal
namens "proj-claude-maintains-apps" eine Reihe täglicher Routinen über sämtliche
Plattformen hinweg ausführt: iOS, Android, Desktop, Web, CLI und Agent SDK.
Anzeige
ZWÖLF ROUTINEN DECKEN DAS SPEKTRUM DER CODE-PFLEGE AB
Die KI führt laut Cherny eine ganze Batterie spezialisierter Wartungsroutinen
aus. Ein "Crash Fuzzer" etwa öffnet die Apps in einem Simulator, tippt wahllos
herum, um Abstürze zu provozieren, analysiert die Ursache und erstellt
automatisch einen Fix. Ein "Dup Unifier" durchsucht die Codebasis nach
ähnlichen, aber leicht voneinander abweichenden Abstraktionen und schlägt deren
Zusammenführung vor. Der "Dead-Code Remover" entfernt statisch unerreichbaren
Code und fügt bei verdächtigem Code zunächst Logging hinzu, um am nächsten Tag
zu prüfen, ob er tatsächlich ungenutzt ist.
Anzeige
Routine Funktion Crash Fuzzer Findet echte App-Abstürze und erstellt
Ursachen-Fixes Ant-only Shipper Liefert vergessene interne Features aus oder
löscht sie Logic Simplifier Vereinfacht verschachtelte Geschäftslogik Logic
Bugfixer Modelliert komplexe Logik, um Fehler zu finden und zu beheben Dup
Unifier Führt duplizierte Implementierungen zusammen Dead-Code Removal Löscht
nachweislich unerreichbaren Code Useless-test Pruner Löscht Tests, die nie
fehlschlagen können Shipped-feature Inliner Entfernt Feature-Flags für
vollständig ausgelieferte Features Flaky-test Fixer Analysiert und behebt
instabile CI-Tests Abstraction Improver Vereinfacht überengineerte Abstraktionen
Abstraction Police Behebt Schichtverletzungen in der Architektur
Cherny hat seine Prompts in Slacks geteilt, großes Prompt-Engineering ist dabei
nicht zu erkennen. Er weist Claude in Slack schlicht an, tägliche Routinen für
Crash-Fuzzing auf iOS, Android und Desktop zu starten, echte Apps ohne Mocks zu
verwenden, Abstürze zu provozieren und Pull-Requests mit Fixes zu erstellen.
388 PULL-REQUESTS, KNAPP DIE HÄLFTE GEMERGT
In den ersten Wochen des Experiments hat Claude laut Cherny 388 Pull-Requests
über die verschiedenen Repositories hinweg erstellt. Davon wurden 180 nach einer
Kombination aus automatisiertem Claude Code Review und menschlicher Prüfung
tatsächlich gemergt. Das entspricht einer Übernahmequote von rund 46 Prozent.
Anzeige
Claude treffe die Pull-Requests in der Regel beim ersten Versuch, schreibt
Cherny. Wenn nicht, wird die jeweilige Routine angepasst, damit die KI am
nächsten Tag bessere Ergebnisse liefert. Das Tuning dauere manchmal einige Tage.
Anthropic überlege nun, wie sich der Merge-Prozess für solche mechanischen
Änderungen weiter vereinfachen lasse.
Dass mehr als die Hälfte der automatisch generierten Pull-Requests nicht
übernommen wurde, zeigt die Grenzen, aber auch die Möglichkeiten des Ansatzes.
Cherny beschreibt das Ganze als "frühes Lebenszeichen" dafür, dass autonome
KI-gestützte App-Wartung möglich sein könnte.
Anzeige
Anzeige

Quelle: the-decoder.de

Das chinesische KI-Start-up Zhipu AI hat GLM-5.3 veröffentlicht. Das Modell
basiert auf demselben Basismodell wie der Vorgänger GLM-5.2, alle Verbesserungen
stammen ausschließlich aus erweitertem Post-Training. Laut dem Unternehmen ist
GLM-5.3 das leistungsfähigste Open-Weights-Modell für Programmierung, mit
deutlichen Verbesserungen insbesondere beim agentischen Coding.
Eine ist der Bereich Cybersicherheit. GLM-5.3 wurde daher gezielt mit Daten und
Umgebungen zur Erkennung von Software-Schwachstellen trainiert. Dabei
entwickelte das Modell schneller als erwartet die Fähigkeit, logisch mehrstufige
Angriffsketten zu durchdenken. In Zusammenarbeit mit Sicherheitsteams in China
wurden laut dem Unternehmen 2436 Schwachstellen in 269 Projekten gefunden,
einige davon bis zu 40 Jahre alt. Die gefundenen Sicherheitslücken werden über
ein dokumentiert.
GLM-5.3 ist ab sofort über den verfügbar und kann in Coding-Agents wie , Claude
Code oder OpenCode genutzt werden. Die Modellgewichte sollen in zwei Wochen als
Open Source veröffentlicht werden, sobald Sicherheitsbewertungen abgeschlossen
sind.
Anzeige
Anzeige

Quelle: www.bigdata-insider.de

KÜNSTLICHE INTELLIGENZ UND ENTERPRISE ARCHITECTURE KOGNITIVE ARCHITEKTUREN – AI
RESTACKING ÄNDERT DIE UN­TER­NEH­MENS­AR­CHI­TEK­TUR
14.08.2026 Ein Gastbeitrag von Sava Marinkovich* 5 min Lesedauer
Anbieter zum Thema
Künstliche Intelligenz entwickelt sich vom Werkzeug zum Strukturprinzip der
Unternehmensarchitektur. AI Restacking verknüpft Geschäftsprozesse, Daten,
Anwendungen und Technologien neu und verändert damit Planung, Betrieb und
Wertschöpfung.
Wird nicht nur als eine unterstützende Technologie gesehen, kann sie die
Architektur von Unternehmen grundlegend verändern – von der strategischen
Planung bis hin zum Betrieb einzelner Systeme. Es geht dabei um eine Neuordnung
der Wertschöpfungsketten, die häufig AI Restacking genannt wird.
Für Enterprise Architects bedeutet das eine Zeitenwende: Weg von der reinen
strategischen Ausrichtung der IT auf die Geschäftsziele hin zur Gestaltung
kognitiver Unternehmensarchitekturen, in denen Daten, Anwendungen und
Technologien als dynamisches, lernendes System zusammenwirken.
Beim AI Restacking wird Intelligenz zur verbindenden Struktur des Unternehmens.
Sie ist kein Add-on mehr, sondern das „kognitive Geflecht“, das die klassischen
BDAT-Schichten (Business, Data, Application, Technology) miteinander verknüpft.
Die zentrale Herausforderung besteht darin, diese Umgebung so zu gestalten, dass
sie flexibel skaliert, sicher bleibt und kontinuierlich lernt. Unternehmen, die
KI tief in ihre Architektur einbetten, gewinnen dauerhafte Wettbewerbsvorteile –
jene, die sie als externes Werkzeug behandeln, verlieren die Kontrolle über die
Daten, Prozesse und Entscheidungsrechte.
BUSINESS-ARCHITEKTUR: KI ALS STRATEGISCHER CO-PILOT
In der Business-Architektur verschiebt sich dabei die Rolle der KI vom reinen
Analysewerkzeug zum integralen Bestandteil strategischer Entscheidungen und zum
Treiber neuer Geschäftsmodelle.
Immer mehr Unternehmen werden KI nutzen, um Marktveränderungen zu
prognostizieren, Szenarien zu simulieren und Geschäftsentscheidungen zu
unterstützen. Zugleich entstehen durch neue Geschäftsmodelle und Produktideen.
Beispielsweise lassen sich Angebote in wenigen Tagen konzipieren und mithilfe
von KI-Prototyping testen. Das ist ein Quantensprung für Innovationszyklen.
Ein Schlüsselelement sind Digital Twins of the Organization (DTOs), das heißt
virtuelle Abbilder des gesamten Unternehmens, die die Strategie und den Betrieb
in Echtzeit simulieren.
Durch die Kopplung von Datenströmen und KI-basierten Feedback-Schleifen können
Führungskräfte Szenarien durchspielen, Risiken bewerten und operative
Anpassungen präzise steuern. Die Unternehmensarchitektur wird damit zu einem
Bereich, auf dem die datengetriebene Strategiearbeit stattfindet.
DATENARCHITEKTUR: VOM DATA WAREHOUSE ZUR KOGNITIVEN PLATTFORM
Die Qualität der Daten bestimmt den Erfolg der KI – und damit auch die
Zukunftsfähigkeit des Unternehmens. Klassische werden dabei zunehmend durch
kognitive Datenplattformen abgelöst, die selbstlernend, semantisch vernetzt und
kontextsensitiv agieren.
Zudem können durch KI-gestützte Modellierung und Governance Datenschemata
teilweise automatisch entworfen oder Anomalien erkannt werden.
Immer häufiger werden auch Wissensgraphen und semantische Data Fabrics als
Architekturgrundlage dienen: Sie verbinden isolierte Datensilos zu einem
organischen Netz, das Zusammenhänge erkennt und verständliche Informationen
bereitstellt.
Entscheidend ist dabei das Prinzip „Data as a Product“: Daten sind kein
Nebenprodukt von Prozessen, sondern strategische Elemente, die über APIs,
Kataloge und Governance-Regeln sicher zugänglich gemacht werden. Nicht zuletzt
können die Sicherheit und der Datenschutz durch KI ebenfalls gewährleistet
werden – etwa durch eine automatische Klassifikation und Verschlüsselung
sensibler Informationen.
APPLIKATIONSARCHITEKTUR: INTELLIGENTE SERVICES UND MODULARE KI-BAUSTEINE
Die Anwendungslandschaften der Zukunft sind modular, ereignisgetrieben und
KI-gestützt. Heute ist bereits ein beachtlicher Teil der
Unternehmensapplikationen mit eingebetteter KI ausgestattet – sei es in Form von
im Kundenservice, prädiktiven Workflows in ERP-Systemen oder automatisierten
Berichtsassistenten.
Vielfach erfolgt bereits auch ein Refactoring von Applikationen mit modularen
Microservices und APIs, um bei Bedarf KI-Komponenten einbinden zu können. Dieses
„Composable Enterprise“-Paradigma erlaubt es, neue Services schneller
aufzusetzen und flexibel an sich wandelnde Anforderungen anzupassen.
JETZT NEWSLETTER ABONNIEREN
TÄGLICH DIE WICHTIGSTEN INFOS ZU BIG DATA, ANALYTICS & AI
Geschäftliche E-Mail
Bitte geben Sie eine gültige E-Mailadresse ein.
Abonnieren
Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und
Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details)
einverstanden und akzeptiere die . Weitere Informationen finde ich in unserer .
Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von
redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu
Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).
Aufklappen für Details zu Ihrer Einwilligung
Stand: 08.12.2025
Es ist für uns eine Selbstverständlichkeit, dass wir verantwortungsvoll mit
Ihren personenbezogenen Daten umgehen. Sofern wir personenbezogene Daten von
Ihnen erheben, verarbeiten wir diese unter Beachtung der geltenden
Datenschutzvorschriften. Detaillierte Informationen finden Sie in unserer .
EINWILLIGUNG IN DIE VERWENDUNG VON DATEN ZU WERBEZWECKEN
Ich bin damit einverstanden, dass die Vogel IT-Medien GmbH,
Max-Josef-Metzger-Straße 21, 86157 Augsburg, einschließlich aller mit ihr im
Sinne der §§ 15 ff. AktG verbundenen Unternehmen (im weiteren: Vogel
Communications Group) meine E-Mail-Adresse für die Zusendung von Newslettern und
Werbung nutzt. Auflistungen der jeweils zugehörigen Unternehmen
können  abgerufen werden.
Der Newsletterinhalt erstreckt sich dabei auf Produkte und Dienstleistungen
aller zuvor genannten Unternehmen, darunter beispielsweise Fachzeitschriften und
Fachbücher, Veranstaltungen und Messen sowie veranstaltungsbezogene Produkte und
Dienstleistungen, Print- und Digital-Mediaangebote und Services wie weitere
(redaktionelle) Newsletter, Gewinnspiele, Lead-Kampagnen, Marktforschung im
Online- und Offline-Bereich, fachspezifische Webportale und E-Learning-Angebote.
Wenn auch meine persönliche Telefonnummer erhoben wurde, darf diese für die
Unterbreitung von Angeboten der vorgenannten Produkte und Dienstleistungen der
vorgenannten Unternehmen und Marktforschung genutzt werden.
Meine Einwilligung umfasst zudem die Verarbeitung meiner E-Mail-Adresse und
Telefonnummer für den Datenabgleich zu Marketingzwecken mit ausgewählten
Werbepartnern wie z.B. LinkedIN, Google und Meta. Hierfür darf die Vogel
Communications Group die genannten Daten gehasht an Werbepartner übermitteln,
die diese Daten dann nutzen, um feststellen zu können, ob ich ebenfalls Mitglied
auf den besagten Werbepartnerportalen bin. Die Vogel Communications Group nutzt
diese Funktion zu Zwecken des Retargeting (Upselling, Crossselling und
Kundenbindung), der Generierung von sog. Lookalike Audiences zur
Neukundengewinnung und als Ausschlussgrundlage für laufende Werbekampagnen.
Weitere Informationen kann ich dem Abschnitt „“ in der Datenschutzerklärung
entnehmen.
Falls ich im Internet auf Portalen der Vogel Communications Group einschließlich
deren mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen geschützte
Inhalte abrufe, muss ich mich mit weiteren Daten für den Zugang zu diesen
Inhalten registrieren. Im Gegenzug für diesen gebührenlosen Zugang zu
redaktionellen Inhalten dürfen meine Daten im Sinne dieser Einwilligung für die
hier genannten Zwecke verwendet werden. Dies gilt nicht für den Datenabgleich zu
Marketingzwecken.
Recht auf Widerruf
Mir ist bewusst, dass ich diese Einwilligung jederzeit für die Zukunft
widerrufen kann. Durch meinen Widerruf wird die Rechtmäßigkeit der aufgrund
meiner Einwilligung bis zum Widerruf erfolgten Verarbeitung nicht berührt. Um
meinen Widerruf zu erklären, kann ich als eine Möglichkeit das unter  abrufbare
Kontaktformular nutzen. Sofern ich einzelne von mir abonnierte Newsletter nicht
mehr erhalten möchte, kann ich darüber hinaus auch den am Ende eines Newsletters
eingebundenen Abmeldelink anklicken. Weitere Informationen zu meinem
Widerrufsrecht und dessen Ausübung sowie zu den Folgen meines Widerrufs finde
ich in der .
Zudem verändert KI die Art, wie Software entwickelt wird. Generative Tools
agieren als Co-Piloten in der Entwicklung: Sie schreiben Code, erstellen Tests
und Dokumentationen oder schlagen Integrationsmuster vor. Dies beschleunigt die
Innovation, reduziert technische Altlasten und verschiebt die Rolle des
Architekten hin zum Kurator intelligenter Systeme.
Auch die zugrunde liegende Infrastruktur wird sich von starren Batch-Systemen zu
Event-getriebenen Architekturen hin weiterentwickeln – Datenereignisse werden
dabei in Echtzeit durch KI ausgewertet, wodurch Entscheidungen im
Millisekundenbereich möglich werden, etwa bei der Betrugserkennung oder
dynamischen Preisgestaltung.
TECHNOLOGIE-ARCHITEKTUR: DIE INFRASTRUKTUR WIRD SELBSTLERNEND
Unterhalb der Applikationsebene wird sich die Technologiearchitektur zu einem
adaptiven, KI-optimierten Fundament verändern. Cloud-native Strukturen,
Containerisierung und hybride Multi-Cloud-Modelle werden Standard, um die hohen
Anforderungen an die Rechenleistung von KI-Workloads zu bewältigen.
Zugleich verlagert sich die Datenverarbeitung näher an die Quelle der Daten – an
die Edge. Fabriken, Filialen oder Fahrzeuge werden so zu intelligenten Knoten
einer lernenden Infrastruktur.
Innerhalb dieser Architekturen entstehen integrierte KI/-Plattformen mit
-Funktionalitäten: Datenintegration, Modelltraining, Deployment und Monitoring
laufen auf einer durchgängigen Pipeline. Die Architektur selbst wird
datengetrieben, wobei KI die Systemzustände überwacht, die Engpässe
prognostiziert und die Ressourcen optimiert.
steht exemplarisch für diesen Wandel: Operations-Teams nutzen maschinelles
Lernen, um Fehlerquellen vorab zu erkennen oder die Compliance automatisch
sicherzustellen.
Parallel dazu nimmt die Selbstoptimierung zu. Architektonische Repositories
werden um KI-Assistenten erweitert, die Abhängigkeiten visualisieren,
Redundanzen aufdecken oder Governance-Verstöße markieren. Damit wird die
Unternehmensarchitektur zu einem aktiven Steuerungssystem.
Insgesamt wird sich im Zuge des AI Restacking die klassische
Unternehmensarchitektur hin zu einem lernfähigen System entwickeln.
Echtzeit-Monitoring und Daten-Feedback ersetzen starre Frameworks und die
Architekten werden zu Orchestratoren von Veränderungen.
Die Strategie, Daten und Technologie bilden dabei ein vernetztes Ganzes, das
fortlaufend aus Feedback lernt. Kognitive Unternehmensarchitekturen sind damit
mehr als ein technischer Rahmen – sie sind eine grundlegende Neuausrichtung, da
jeder Prozess, jede Entscheidung und jede Plattform die Fähigkeit zur
Selbstverbesserung in sich trägt. Gehen Unternehmen diesen Weg, werden sie einen
langfristigen Wettbewerbsvorteil aufbauen.
WAS UNTERNEHMENSARCHITEKTEN UND UNTERNEHMEN HEUTE MACHEN SOLLTEN
Angesichts der rasanten Verbreitung von KI-Tools, -Plattformen und -Frameworks,
die alle eine Transformation versprechen, ist es verlockend, nach individuellen
Lösungen zu suchen. Unternehmensarchitekten müssen diesem Impuls widerstehen.
Die Tools werden sich weiterentwickeln, konvergieren und ersetzt werden; was
Bestand hat, ist der Prozess, mit dem Intelligenz durch alle Ebenen des
Unternehmens geleitet wird.
Die eigentliche Aufgabe besteht nicht darin, die richtige KI-Plattform
auszuwählen oder den neuesten Coding-Assistenten einzusetzen. Vielmehr geht es
um die Konzeption der Orchestrierungslogik, die die Kognition und Wertschöpfung
über die Ebenen Business, Daten, Anwendungen und Technologien hinweg miteinander
verbindet.
Drei Punkte sind dabei entscheidend:
* 1. Unternehmen sollten wiederholbare Prozesse etablieren, um zu ermitteln, wo
KI-gesteuerte Entscheidungen den größten Hebeleffekt erzielen;
* 2. Es müssen Feedback-Schleifen aufgebaut werden, die es der Architektur
ermöglichen, kontinuierlich zu lernen und sich anzupassen;
* 3. Es muss sichergestellt sein, dass jede KI-Investitionsentscheidung mit
Blick auf die Geschäftsergebnisse getroffen wird.
Unternehmensarchitekten, die sich auf diese Orchestrierung konzentrieren, werden
einen nachhaltigen Wert schaffen, der jeden einzelnen Technologiezyklus
überdauert.
Denn eines sollte klar sein: Das kognitive Unternehmen wird nicht durch die
Anhäufung von KI-Tools aufgebaut, sondern durch die Gestaltung des Prozesses,
durch den das gesamte Unternehmen als Einheit denkt, lernt und handelt.
*Über den Autor:
Sava Marinkovich ist Senior Principal, AI Strategy and Solutions bei HTEC.
Bildquelle: HTEC
(ID:50908598)

Quelle: www.bigdata-insider.de

KOMMENTAR VON PHILIP MILLER, PROGRESS SOFTWARE RAG ODER KI-FINETUNING?
14.08.2026 Von Philip Miller 5 min Lesedauer
Anbieter zum Thema
Ein KI-System ist für Unternehmen erst dann wirklich wertvoll, wenn es
hervorragend auf interne Vorgehensweisen angepasst und mit realen Geschäftsdaten
arbeitet. Das bieten allgemeine KI-Modelle von der Stange nicht und müssen daher
mit entsprechendem Kontext versorgt werden. Ob dafür Retrieval-Augmented
Generation (RAG) oder KI-Finetuning allerdings die bessere Variante ist, kommt
auf den Kontext an.
Aktuell beschäftigen sich viele Unternehmen mit der Einführung von Künstlicher
Intelligenz (). Klar ist, dass sie das Geschäftsumfeld kennen muss, um einen
echten Mehrwert zu liefern. Welcher Ansatz – oder KI-Finetuning – dafür der
bessere ist, ist eine Definitionsfrage: Muss das KI-System die Terminologie und
Denkmuster auf einer tiefen Ebene verinnerlichen und diese in sein neuronales
Netzwerk implementieren? Oder benötigt es lediglich einen zuverlässigen und
schnellen Zugriff auf Ihre Dokumente, damit es beim Beantworten von Fragen
darauf verweisen kann?
Genau diese Unterscheidung trennt KI-Finetuning und RAG. Beide Ansätze
versprechen, allgemeine KI mit spezifischem Unternehmenskontext zu verbinden.
Mit Finetuning erreichen Unternehmen dieses Ziel durch Nachtrainieren der
Modellparameter mit ihren Geschäftsdaten. Mit RAG hingegen, indem sie dem Modell
Echtzeitzugriff auf ihre Wissensbasis gewähren. Die praktische Umsetzung könnte
jedoch kaum unterschiedlicher sein, und ob KI-Finetuning oder
Retrieval-Augmented Generation Unternehmen schneller und kostengünstiger ans
Ziel bringt, bedarf einer detaillierten Betrachtung beider Ansätze.
SPOTLIGHT: KI-FINETUNING
Auf das Wesentliche heruntergebrochen, ist KI-Finetuning im Grunde der Prozess,
ein vortrainiertes Sprachmodell mit spezifischen Daten nachzutrainieren.
Technisch bedeutet das, die Parameter des Modells (also die Gewichtung seines
neuronalen Netzwerks) anhand des geschäftsspezifischen Datensatzes zu
aktualisieren. Ziel ist es, diese interne Gewichtung so anzupassen, dass das
Modell Ausgaben erzeugt, die domänenspezifische Muster, Terminologien und
Strukturen eines Unternehmens widerspiegeln. Eine Anwaltskanzlei könnte ihr
KI-Modell etwa mit Tausenden ihrer bisherigen Fallzusammenfassungen
nachtrainieren. Während dieses Prozesses werden die Parameter des Modells durch
zusätzliche Trainingsdurchläufe angepasst, wodurch sich seine
Wahrscheinlichkeitsverteilungen zugunsten juristischer Terminologie,
Zitierformate und Argumentationsstile verschieben.
Das ist durchaus wünschenswert und in einigen Fällen ist ein solches
KI-Finetuning exakt das richtige Mittel. Es bringt jedoch auch einige Nachteile
mit sich. So ist es zunächst sehr teuer. Unternehmen können nicht einfach Daten
hochladen und auf einen Button mit der Aufschrift „trainieren“ klicken. Sie
müssen für das Training Datensätze vorbereiten, den Prozess konfigurieren,
rechenintensive Testläufe durchführen und die Ergebnisse verifizieren.
Für ein Modell mit sieben Milliarden Parametern, wie Mistral, kann vollständiges
KI-Finetuning Kosten im unteren fünfstelligen Bereich verursachen, während
parametereffiziente Methoden wie LoRA (Low-Rank Adaptation) je nach
Datensatzgröße und Trainingsaufbau Unternehmen typischerweise mehrere Tausend
Euro kosten.
Das zweite Problem von KI-Finetuning ist dessen Geschwindigkeit. Ein solch
umfangreicher Prozess ist nichts, was ein Unternehmen einmal durchführt und
anschließend ad acta legt. Jedes Mal, wenn sich Geschäftsdaten ändern, etwa weil
das Unternehmen neue Produkte einführt, seine internen Richtlinien aktualisiert
oder sich Kundenpräferenzen verschieben, ist ein erneutes Training des KI-
Modells fällig. Je nach Größe des Datensatzes und den verfügbaren
Rechenressourcen kann ein solches Unterfangen Wochen oder Monate dauern.
KI-Finetuning ist darüber hinaus relativ unflexibel. Ein auf diese Weise
(nach)trainiertes KI-Modell ist an seinen Status quo gebunden. Soll es etwas
Neues lernen, beginnt der gesamte Trainingsprozess wieder von vorne.
Die meisten Teams sind leider bereits mitten im Prozess des KI-Finetunings, wenn
sie erkennen, dass es bei diesem Ansatz keine Möglichkeit gibt, das Modell
aktuelle Geschäftsdaten abrufen zu lassen. Zwar gehen die Trainingsdaten in die
Gewichtung des Modells über und prägen, wie es schreibt, argumentiert und Fragen
beantwortet. Auf die Frage nach einem bestimmten Dokument kann es allerdings die
Quelle nicht aufrufen und zuverlässig aus ihr zitieren. Das KI-Modell generiert
eine Antwort rein auf Basis der Muster, die es während des Trainings gelernt
hat. Dadurch entstehen gefährliche Halluzinationen, denn das Modell klingt
überzeugend, rekonstruiert Informationen jedoch aus seinem „Gedächtnis“, anstatt
seine Antwort auf ein tatsächliches Dokument zu stützen.
JETZT NEWSLETTER ABONNIEREN
TÄGLICH DIE WICHTIGSTEN INFOS ZU BIG DATA, ANALYTICS & AI
Geschäftliche E-Mail
Bitte geben Sie eine gültige E-Mailadresse ein.
Abonnieren
Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und
Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details)
einverstanden und akzeptiere die . Weitere Informationen finde ich in unserer .
Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von
redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu
Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).
Aufklappen für Details zu Ihrer Einwilligung
Stand: 08.12.2025
Es ist für uns eine Selbstverständlichkeit, dass wir verantwortungsvoll mit
Ihren personenbezogenen Daten umgehen. Sofern wir personenbezogene Daten von
Ihnen erheben, verarbeiten wir diese unter Beachtung der geltenden
Datenschutzvorschriften. Detaillierte Informationen finden Sie in unserer .
EINWILLIGUNG IN DIE VERWENDUNG VON DATEN ZU WERBEZWECKEN
Ich bin damit einverstanden, dass die Vogel IT-Medien GmbH,
Max-Josef-Metzger-Straße 21, 86157 Augsburg, einschließlich aller mit ihr im
Sinne der §§ 15 ff. AktG verbundenen Unternehmen (im weiteren: Vogel
Communications Group) meine E-Mail-Adresse für die Zusendung von Newslettern und
Werbung nutzt. Auflistungen der jeweils zugehörigen Unternehmen
können  abgerufen werden.
Der Newsletterinhalt erstreckt sich dabei auf Produkte und Dienstleistungen
aller zuvor genannten Unternehmen, darunter beispielsweise Fachzeitschriften und
Fachbücher, Veranstaltungen und Messen sowie veranstaltungsbezogene Produkte und
Dienstleistungen, Print- und Digital-Mediaangebote und Services wie weitere
(redaktionelle) Newsletter, Gewinnspiele, Lead-Kampagnen, Marktforschung im
Online- und Offline-Bereich, fachspezifische Webportale und E-Learning-Angebote.
Wenn auch meine persönliche Telefonnummer erhoben wurde, darf diese für die
Unterbreitung von Angeboten der vorgenannten Produkte und Dienstleistungen der
vorgenannten Unternehmen und Marktforschung genutzt werden.
Meine Einwilligung umfasst zudem die Verarbeitung meiner E-Mail-Adresse und
Telefonnummer für den Datenabgleich zu Marketingzwecken mit ausgewählten
Werbepartnern wie z.B. LinkedIN, Google und Meta. Hierfür darf die Vogel
Communications Group die genannten Daten gehasht an Werbepartner übermitteln,
die diese Daten dann nutzen, um feststellen zu können, ob ich ebenfalls Mitglied
auf den besagten Werbepartnerportalen bin. Die Vogel Communications Group nutzt
diese Funktion zu Zwecken des Retargeting (Upselling, Crossselling und
Kundenbindung), der Generierung von sog. Lookalike Audiences zur
Neukundengewinnung und als Ausschlussgrundlage für laufende Werbekampagnen.
Weitere Informationen kann ich dem Abschnitt „“ in der Datenschutzerklärung
entnehmen.
Falls ich im Internet auf Portalen der Vogel Communications Group einschließlich
deren mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen geschützte
Inhalte abrufe, muss ich mich mit weiteren Daten für den Zugang zu diesen
Inhalten registrieren. Im Gegenzug für diesen gebührenlosen Zugang zu
redaktionellen Inhalten dürfen meine Daten im Sinne dieser Einwilligung für die
hier genannten Zwecke verwendet werden. Dies gilt nicht für den Datenabgleich zu
Marketingzwecken.
Recht auf Widerruf
Mir ist bewusst, dass ich diese Einwilligung jederzeit für die Zukunft
widerrufen kann. Durch meinen Widerruf wird die Rechtmäßigkeit der aufgrund
meiner Einwilligung bis zum Widerruf erfolgten Verarbeitung nicht berührt. Um
meinen Widerruf zu erklären, kann ich als eine Möglichkeit das unter  abrufbare
Kontaktformular nutzen. Sofern ich einzelne von mir abonnierte Newsletter nicht
mehr erhalten möchte, kann ich darüber hinaus auch den am Ende eines Newsletters
eingebundenen Abmeldelink anklicken. Weitere Informationen zu meinem
Widerrufsrecht und dessen Ausübung sowie zu den Folgen meines Widerrufs finde
ich in der .
SPOTLIGHT: RAG
RAG verfolgt einen grundlegend anderen Ansatz. Anstatt ein Modell
nachzutrainieren, stellt diese Technologie eine Verbindung des KI-Modells in
Echtzeit mit den Geschäftsdaten her.
Das funktioniert wie folgt: Stellt ein Mitarbeiter eine Frage, wandelt das
System diese Anfrage zunächst in einen numerischen Wert um. Dieser Prozess heißt
Embedding und erzeugt einen hochdimensionalen Vektor, der die semantische
Bedeutung des Textes erfasst. Anschließend durchsucht das RAG-System die ihm
zugängliche Wissensbasis (die zuvor mit demselben Embedding-Modell indiziert
wurde), um Dokumente mit ähnlichen Vektorrepräsentationen zu finden.
Diese semantische Suche geht weit über die reine Stichwortsuche hinaus; sie
findet Inhalte, die konzeptionell verwandt sind, selbst wenn andere Begriffe
verwendet werden. So ist das System in der Lage, die relevantesten Dokumente
abzurufen und dem Sprachmodell als Kontext bereitzustellen. Die KI generiert
daraufhin eine Antwort, die auf diesen konkreten Quellen basiert.
Im Gegensatz zum KI-Finetuning ruft das Modell dabei keine Muster aus dem
Training ab, sondern liest und verarbeitet Informationen, die ihm unmittelbar
zuvor bereitgestellt wurden. Dadurch werden die zentralen Probleme des
KI-Finetunings wie Geschwindigkeit, Kosten, Genauigkeit und Flexibilität gelöst.
RAG macht ein KI-Modell nicht zu einem domänenspezifischen Experten. Es stellt
dem Modell aber aktuelle und relevante Quellen zur Verfügung, auf die es sich
beziehen kann und das ist oft wertvoller.
DAS BESTE AUS BEIDEN WELTEN
Doch Retrieval-Augmented Generation ist dennoch nicht immer der passende Ansatz.
Es gibt durchaus Anwendungsfälle, in denen sich die Investition in KI-Finetuning
wirklich lohnt: Etwa, wenn das Modell einen sehr spezifischen Tonfall, Stil oder
ein bestimmtes Format übernehmen soll, das sich allein durch Prompts nur schwer
steuern lässt. An genau dieser Stelle kann KI-Finetuning hilfreich sein. Ein
Praxisbeispiel dafür ist beispielsweise die Entwicklung eines kundenorientierten
, der über Tausende von Interaktionen hinweg konsistent und repräsentativ für
ein Unternehmen klingen muss.
Auch bei einem Anwendungsfall, der die Generierung hochspezialisierter Inhalte
in einer Nischendomäne umfasst, kann KI-Finetuning mit domänenspezifischen Daten
die Qualität des Modells verbessern. Etwa bei medizinischer Diagnostik oder der
Erstellung juristischer Verträge ist das oft der Fall. Das KI-Modell lernt dabei
feine Denkmuster und Domänenkonventionen, die sich durch einfache Prompts nur
schwer vermitteln lassen. Doch selbst in diesen Fällen ist die Wahl für den
einen oder anderen Ansatz nicht unbedingt leicht oder sinnvoll. Deswegen nutzen
viele IT-Teams RAG für die Anbindung der Wissensdatenbank und das Grounding,
führen aber zusätzlich ein KI-Finetuning durch, um Stil oder Domänenkompetenz zu
verbessern. Beide Ansätze können sich gut ergänzen.
EIN NEUER STERN AM HIMMEL: AGENTIC RAG
Die Einführung von RAG kann für viele Unternehmen überfordernd sein, denn die
meisten entsprechenden Systeme erfordern die Kombination einer Vektordatenbank,
eines Embedding-Modells, einer Chunking-Strategie, eines Retrieval-Algorithmus
und einer -Anbindung. Agentic RAG im Kontext einer RAG-as-a-Service
(RAGaaS)-Plattform kann diese Hürden egalisieren, indem sie Dateien und
Dokumente aus beliebigen Quellen automatisch indiziert und verifizierbare,
qualitativ hochwertige Antworten liefert.
Ein essenzieller Vorteil einer RAGaaS-Plattform ist, dass Unternehmen so jede
Art von Daten in jeder Sprache indizieren, ihre eigene Retrieval-Strategie
definieren und aus verschiedenen Embedding-Modellen wählen können. KI-Agenten
reichern die Inhalte darüber hinaus automatisch an, indem sie Entitäten
erkennen, Themen klassifizieren und Wissensgraphen erstellen, die Zusammenhänge
innerhalb der ihnen gegebenen Informationen abbilden. Auf diese Weise müssen
sich Unternehmen noch weniger Gedanken um Ressourcen und das Training ihrer
KI-Modelle machen.
ARTIKELFILES UND ARTIKELLINKS
Link:
(ID:50874570)