KI News

Quelle: the-decoder.de

Google hat das Universal Commerce Protocol (UCP) um Warenkorb-, Katalog- und
Identitätsfunktionen erweitert, die KI-Agenten das Einkaufen im Netz erleichtern
sollen. Neu ist eine Warenkorb-Option, mit der KI-Agenten mehrere Artikel auf
einmal in den Warenkorb eines Shops legen können. Eine Katalog-Funktion erlaubt
es Agenten, ausgewählte Echtzeit-Produktdaten wie Preise, Varianten und
Verfügbarkeit direkt beim Händler abzurufen. Über eine Identitätsverknüpfung
können eingeloggte Käufer auf UCP-Plattformen dieselben Treue- und
Mitgliedsvorteile nutzen wie direkt im Shop des Händlers.
Google will UCP in den und die einbauen. Über das Merchant Center sollen künftig
auch kleinere Händler leichter angebunden werden. Partner wie Commerce Inc,
Salesforce und Stripe planen, UCP auf ihren Plattformen zu unterstützen.
gemeinsam mit Shopify, Etsy, Wayfair, Target, Walmart und über 20 weiteren
Unternehmen wie Visa und Zalando als offenen Standard für KI-gestütztes Shopping
vorgestellt.
Anzeige
DEC_D_Incontent-1
Anzeige

Quelle: www.bigdata-insider.de

NEUROMORPHE CHIPS LIDAR-SENSOREN UND KI FÜR SICHERE INDUSTRIEROBOTER
20.03.2026 Von 3 min Lesedauer
Anbieter zum Thema
Im Rahmen der Fraunhofer-Technologieplattform „NeurOSmart“ kombinieren Forscher
Sensorik mit KI-gestützter Datenverarbeitung und energieeffizienten neuromorphen
Chips. Das System ermöglicht eine sichere Zusammenarbeit zwischen Mensch und
Roboter in der Produktion.
Die sichere Zusammenarbeit zwischen Mensch und Roboter gehört zu den
Schlüsseltechnologien der modernen Industrieproduktion. Mit der neuen
Technologieplattform NeurOSmart haben Fraunhofer-Forschende einen entscheidenden
Durchbruch erzielt: Sie verbinden intelligente LIDAR-Sensorik mit -gestützter
Echtzeitdatenverarbeitung und energieeffizienten neuromorphen Chips zu einem
integrierten System, das erstmals eine risikofreie Kooperation zwischen Mensch
und Maschine ermöglicht.
Das von fünf Fraunhofer-Instituten entwickelte System überwacht kontinuierlich
den gemeinsamen Arbeitsbereich und kann binnen Millisekunden auf kritische
Situationen reagieren. "Gemeinsam mit den Projektpartnern haben wir die
Technologien weiterentwickelt und in ein Gesamtsystem integriert. Für den
Menschen ist die Kooperation mit der Maschine ohne Risiko", erklärt Prof.
Shanshan Gu-Stoppel, Gruppenleiterin Optische Systeme am koordinierenden
Fraunhofer ISIT.
LIDAR-SENSORIK MIT HOCHEFFIZIENTEN MEMS-SPIEGELN
Das Herzstück des Systems bildet eine innovative LIDAR-Technologie, die den
Arbeitsbereich aus der Vogelperspektive überwacht. Anders als bei herkömmlichen
Systemen setzen die Fraunhofer-Forscher auf bewegliche MEMS-Spiegel aus
piezoelektrischem Aluminiumscandiumnitrid (AlScN). Diese nur ein Mikrometer
dünnen Schichten ermöglichen es, den Laserstrahl präzise über die gesamte
Arbeitsfläche zu führen und dabei hochauflösende 3D-Bilder zu generieren.
Lidar nutzt kurze Impulse im Nahinfrarot-Bereich und wertet die Reflexionen für
eine präzise 3D-Entfernungsmessung aus. Durch die Optimierung der MEMS-Spiegel
konnten die Forscher sowohl Leistung als auch Energieeffizienz des Systems
erheblich steigern. Das ist ein entscheidender Faktor für den industriellen
Einsatz.
EDGE-COMPUTING REDUZIERT LATENZ UND ENERGIEVERBRAUCH
Ein zentraler Entwicklungssprung liegt in der direkten Integration der
Datenverarbeitung in das Sensorsystem selbst. Statt die große Datenmengen zur
externen Auswertung zu übertragen, werden sie bereits im Sensor vorverarbeitet.
KI-gestützte Algorithmen, die das Fraunhofer IMS entwickelt hat, bündeln die
eingehenden Signale und identifizieren automatisch die Bereiche von besonderem
Interesse.
Dank der Vorauswahl kann der Sensor exakt auf relevante Bereiche ausgerichtet
werden, was sowohl den Energieverbrauch reduziert als auch die Datenrate
erheblich senkt. Für Industrieanwender bedeutet dies geringere
Infrastrukturkosten und eine höhere Systemeffizienz.
NEUROMORPHE CHIPS ARBEITEN WIE DAS MENSCHLICHE GEHIRN
Für die eigentliche Datenauswertung, die als Grundlage für die Robotersteuerung
dient, setzen die Forscher auf eine neue Chiptechnologie. Das Fraunhofer IPMS
unter Leitung von Prof. Thomas Kämpfe hat spezielle Beschleuniger-Chips nach dem
Konzept des Neuromorphic Computing entwickelt.
Diese Prozessoren bestehen aus vielen kleinen Recheneinheiten, die auf einem
Wafer in einer Matrix zusammengeschaltet sind. Jeder Chip agiert als denkende
Zelle und trifft eigenständige Entscheidungen. Das ist vergleichbar mit den
Neuronen im menschlichen Gehirn. „Damit ist Neuromorphic Computing ein großer
Schritt hin zu einer Hardware-Architektur, die ressourcenintensive
KI-Anwendungen nicht nur schnell, sondern auch sehr energiesparend abarbeitet“,
erläutert Thomas Kämpfe.
Die hochspezialisierten KI-Modelle für diese Hardware werden dabei vom
Fraunhofer IAIS entwickelt. Durch Simulation der gesamten Roboterzelle konnten
die Forscher sogar Gefahrensituationen für das Training nachstellen, die in der
Realität nicht darstellbar sind.
MILLISEKUNDEN-REAKTION FÜR MAXIMALE SICHERHEIT
Das Zusammenspiel aller Komponenten ermöglicht Reaktionszeiten von wenigen
Millisekunden. Das beginnt vom Empfang der Sensorsignale über die Auswertung und
reicht bis zur mechanischen Reaktion des Roboterarms. Diese extrem kurzen
Latenzzeiten machen den sicheren Einsatz auch von Schwerlastrobotern möglich,
die durch die KI automatisch verlangsamt oder gestoppt werden, sobald sich ein
Mensch nähert.
Für die Praxis bedeutet das einen Paradigmenwechsel: Statt starrer
Sicherheitszäune können Mensch und Roboter flexibel im gleichen Arbeitsbereich
agieren, ohne dass Sicherheitsrisiken entstehen. Dies erhöht nicht nur die
Produktivität, sondern ermöglicht auch völlig neue Fertigungskonzepte.
MODULARE PLATTFORM FÜR INDIVIDUELLE INDUSTRIEANWENDUNGEN
NeurOSmart ist als standardisierte Technologieplattform konzipiert, die
Industriekunden für ihre spezifischen Szenarien anpassen können. Die modulare
Architektur ermöglicht es, die Komponenten je nach Anwendungsfall zu
konfigurieren und zu erweitern.
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 .
Dank der hohen Energieeffizienz der neuromorphen Chips eignet sich die
Technologie nicht nur für stationäre Industrieanlagen, sondern auch für mobile
Anwendungen. Längere Akkulaufzeiten machen den Einsatz in Drohnen oder autonomen
Sensorsystemen in der Landwirtschaft möglich.
„Die Technologien von NeurOSmart machen die industrielle Produktion nicht nur
agiler und effizienter, sie machen die Fabrikhalle für alle Mitarbeiter zu einem
sicheren, kreativen und menschenfreundlichen Ort“, sagt Gu-Stoppel, Forscherin
am Fraunhofer ISIT, die Bedeutung der Entwicklung voraus.
Am Leitprojekt NeurOSmart waren neben dem koordinierenden Fraunhofer ISIT die
Institute IPMS (Photonische Mikrosysteme), IMS (Mikroelektronische Schaltungen),
IWU (Werkzeugmaschinen und Umformtechnik) und IAIS (Intelligente Analyse- und
Informationssysteme) beteiligt.
Dieser Artikel stammt von unserem Partnerportal .
(ID:50773610)

Quelle: the-decoder.de

Adobe erweitert seine KI-Kreativplattform Firefly um benutzerdefinierte Modelle,
die auf eigenen Bildern trainiert werden können. Außerdem bündelt das
Unternehmen über 30 KI-Modelle verschiedener Anbieter in einer einzigen
Umgebung.
Das Unternehmen baut seine KI-Kreativplattform Firefly über die letzten Monaten
zu einem umfassenden Studio aus, das Modelle verschiedener Anbieter, eigene
Bearbeitungswerkzeuge und konversationsbasierte KI-Assistenten unter einem Dach
vereint. Neu sind sogenannte Custom Models, die ab sofort als öffentliche Beta
verfügbar sind.
EIGENE STILE ALS WIEDERVERWENDBARE KI-MODELLE
Mit den können Nutzer ein KI-Modell auf Basis von zehn bis 30 Bildern (JPG oder
PNG) trainieren, um einen bestimmten visuellen Stil zu erfassen. Laut Adobe ist
die Funktion für drei Anwendungsbereiche optimiert: Illustrationsstile, bei
denen Strichstärke, Füllungen und Farbkonsistenz entscheidend sind; Charaktere,
die über verschiedene Szenen hinweg einheitlich erscheinen sollen; und
fotografische Looks, bei denen ein bestimmter visueller Stil über viele Bilder
hinweg reproduziert werden muss.
Anzeige
Das trainierte Modell soll Details wie Strichstärke, Farbpaletten, Beleuchtung
und Charaktermerkmale über Generierungen hinweg bewahren. Einmal erstellt, lässt
es sich laut Adobe über Projekte und Kampagnen hinweg wiederverwenden. Die
Modelle sind standardmäßig privat, die damit erzeugten Inhalte gehören dem
Nutzer.
Anzeige
DEC_D_Incontent-1
Adobe bezeichnet die Funktion als besonders relevant für Teams, die große Mengen
an Inhalten produzieren und dabei visuelle Konsistenz wahren müssen. Das
Unternehmen will die Funktion auf Basis von Feedback aus realen Workflows
weiterentwickeln.
ÜBER 30 MODELLE VERSCHIEDENER ANBIETER IN EINER PLATTFORM
Firefly bündelt mittlerweile mehr als 30 KI-Modelle in einer einzigen Umgebung.
Neben Adobes eigenem Firefly Image Model 5, das nun allgemein verfügbar ist,
stehen Modelle von Google ( und ), Runway () und OpenAI zur Verfügung. Neu
hinzugekommen ist laut Adobe das Modell Kling 2.5 Turbo.
Anzeige
Die Plattformstrategie sieht vor, dass Nutzer mit einem Modell generieren, mit
einem anderen verfeinern und Ergebnisse vergleichen können. Derzeit bietet Adobe
nach eigenen Angaben unbegrenzte Video- und Bildgenerierungen über die
verfügbaren Modelle hinweg an.
PROJECT MOONLIGHT FÜHRT VOM PROMPT ZUM GESPRÄCH
Adobe treibt zudem die Entwicklung konversationsbasierter KI-Assistenten voran.
Das Unternehmen führt sogenannte agentische KI-Assistenten in mehreren Produkten
ein, darunter Photoshop, Express und Acrobat. Nutzer beschreiben ihre Ziele in
einem Chat, woraufhin die Agenten konkrete Aktionen mit Adobes Werkzeugen
ausführen sollen.
Anzeige
DEC_D_Incontent-2
Das übergreifende Projekt heißt Moonlight und wurde erstmals auf der
MAX-Konferenz vorgestellt. Es handelt sich um ein konversationsbasiertes,
agentisches Interface, das über mehrere Adobe-Apps hinweg arbeiten soll.
Moonlight soll den Stil des Nutzers verstehen und auf dessen eigene Assets und
Bibliotheken zugreifen. Das Projekt befindet sich derzeit in einer privaten
Beta, deren Zugang Adobe nun erweitert.
Anzeige
Bereits auf der hatte Adobe die Integration externer KI-Modelle von Google,
OpenAI, Runway und weiteren Anbietern in seine Creative Cloud angekündigt und
erstmals Project Moonlight als Vorschau gezeigt. Seitdem hat das Unternehmen das
Angebot schrittweise erweitert: Im Februar stellte Adobe die KI-Schnittfunktion
vor, die Rohmaterial automatisch in einen strukturierten Erstedit verwandelt.
Parallel dazu integrierte Adobe , sodass Nutzer Bilder und Dokumente per
Texteingabe im Chatbot bearbeiten können. Auch Konkurrent zum Community-Test
freigegeben, die fünfmal schneller generieren soll, aber als reines
Diffusionsmodell bei der Prompt-Präzision weiterhin hinter hybriden
Architekturen zurückbleibt.

Quelle: the-decoder.de

Qualcomm AI Research hat ein modulares System entwickelt, das Reasoning-fähige
Sprachmodelle auf Smartphones bringen soll. Dafür werden die wortreichen
Denkprozesse der Modelle um den Faktor 2,4 komprimiert.
Die langen Denkprotokolle aktueller Reasoning-Modelle sind auf mobilen Geräten
ein grundsätzliches Problem: Sie erzeugen Unmengen an Tokens, blähen den
Speicherbedarf auf und treiben den Energieverbrauch in die Höhe. Das neue
Framework soll diese Modelle trotzdem auf Smartphones lauffähig machen.
Die Anwendungsfälle, die das Unternehmen im Blick hat, reichen laut dem Paper
von intelligenten persönlichen Assistenten, die mehrstufige Aufgaben planen und
eigenständig über Apps hinweg agieren, bis hin zur direkten Interaktion mit
Geräte-Oberflächen und externen Diensten. Hinzu kommen strukturelle Vorteile:
sensible Daten bleiben auf dem Gerät, die Latenz sinkt, und das System
funktioniert auch ohne Internetverbindung.
Anzeige
EIN BASISMODELL, ZWEI MODI
Statt ein komplett neues Modell zu trainieren, setzt Qualcomm auf einen
modularen Ansatz. Ausgangspunkt ist ein normales Sprachmodell ohne
Reasoning-Fähigkeiten (). Dieses wird über sogenannte LoRA-Adapter erweitert:
kleine, spezialisierte Zusatzmodule, die bei Bedarf aktiviert oder deaktiviert
werden können. Dasselbe Modell kann so wahlweise als schneller Chatbot oder als
Reasoning-System arbeiten.
Anzeige
DEC_D_Incontent-1
Laut den Forschern müssen dafür nur rund 4 Prozent der Parameter trainiert
werden. Trotzdem erreicht das Ergebnis annähernd die Leistung von
DeepSeek-R1-Distill-Qwen-7B, einem Modell, das mit deutlich höherem Aufwand
trainiert wurde. Ein integrierter Klassifikator entscheidet automatisch für jede
Anfrage, ob das aufwändigere Reasoning überhaupt nötig ist, und spart so bei
einfachen Fragen Rechenzeit und Energie.
GEZIELTE TEXTKOMPRESSION PER REINFORCEMENT LEARNING
Das größte Problem nach dem initialen Training: Die Modelle werden extrem
wortreich. Sie finden oft früh die richtige Lösung, verbringen dann aber
Tausende von Tokens damit, ihr eigenes Ergebnis auf verschiedene Arten zu
überprüfen. Die Forscher bezeichnen dieses Phänomen als "epistemic hesitation".
In vorheriger Forschung ist die übergeordnete Problematik .
Anzeige
Dagegen setzt das Team Reinforcement Learning ein, das überlange Antworten
gezielt bestraft. Die Antworten werden im Schnitt um den Faktor 2,4 kürzer, bei
einzelnen Aufgaben sogar um den Faktor 8. Ein Beispiel aus dem Paper: Eine
algebraische Vereinfachungsaufgabe, für die das Ausgangsmodell 3.118 Tokens
benötigt, löst das optimierte Modell in 810 Tokens. Die Genauigkeit bleibt dabei
laut den Forschern weitgehend erhalten.
Ein erster Ansatz für die Längenbeschränkung scheiterte allerdings: Das Modell
lernte, seinen Denkblock formal abzuschließen und die ausschweifenden
Überlegungen im regulären Antwortteil fortzusetzen. Erst eine angepasste
Belohnungsfunktion, die die gesamte Antwortlänge berücksichtigt, unterband
dieses Verhalten.
Anzeige
DEC_D_Incontent-2
PARALLELE LÖSUNGSWEGE UND 4-BIT-KOMPRESSION
Zusätzlich lässt das Framework das Modell mehrere Lösungswege parallel
verfolgen. Ein kleiner Bewertungskopf auf dem Basismodell schätzt ein, welche
Antwort am wahrscheinlichsten korrekt ist. Bei acht parallelen Durchläufen
steigt die Genauigkeit auf dem Mathe-Benchmark MATH500 laut dem Paper um rund 10
Prozent, ohne die Antwortzeit wesentlich zu verlängern. Der Grund: Die
Token-Generierung auf Mobilgeräten ist ohnehin durch den Speicherzugriff
begrenzt, nicht durch die Rechenleistung. Die parallelen Pfade nutzen so
vorhandene, aber brachliegende Kapazitäten.
Anzeige
Für die eigentliche Smartphone-Tauglichkeit komprimiert Qualcomm die
Modellgewichte auf 4 Bit. Die Reasoning-Adapter müssen dabei direkt auf dem
komprimierten Modell trainiert werden, andernfalls produziert das System laut
dem Paper nur Zufallstext. Das finale Modell liegt den Ergebnissen zufolge nur
rund 2 Prozent unter der Genauigkeit der unkomprimierten Variante. zeigen das
System im Betrieb auf Mobilgeräten.
LOKALE KI AUF DEM SMARTPHONE BLEIBT BISLANG EINE DEMO
Qualcomm arbeitet bereits seit Jahren daran, KI-Modelle auf mobile Geräte zu
bringen. Das Unternehmen hat unter anderem für Snapdragon-Geräte veröffentlicht
und einen vorgestellt, der als Vermittler zwischen persönlichen Daten, Apps und
KI-Modellen auf dem Gerät fungieren soll. Auch Google zeigte mit und der AI Edge
Gallery, wie sich kleine Sprachmodelle lokal auf Android-Geräten einsetzen
lassen.
Bislang blieb es bei solchen Demos allerdings weitgehend bei technischen
Machbarkeitsnachweisen. Für die tiefe Systemintegration, bei der ein
KI-Assistent auf E-Mails, Fotos und Kalender zugreift, setzen Anbieter wie
Google stattdessen auf Cloud-Modelle: Die kürzlich vorgestellte Funktion
verbindet Gemini mit Gmail, Google Fotos und der Suche, läuft aber serverseitig.

Quelle: the-decoder.de

Update vom 20. März 2026:
Das detailliert jetzt OpenAIs Plan, seine verschiedenen Produkte in einer
einzigen Desktop-App zusammenzuführen. Das Unternehmen will ChatGPT, die
Programmierplattform Codex und seinen zu einer sogenannten "Superapp" vereinen.
Ziel ist es, die Nutzung zu erleichtern und Ressourcen zu bündeln, berichtet das
Wall Street Journal.
OpenAI-Präsident Greg Brockman soll den Umbau vorübergehend leiten, während
Fidji Simo, Leiterin des App-Bereichs, den Vertrieb des neuen Produkts
übernimmt. Der Schritt ist eine Reaktion auf das vergangene Jahr, in dem OpenAI
mehrere einzelne Produkte startete, die bei Nutzern nicht immer gut ankamen und
intern für Zersplitterung sorgten.
Anzeige
Simo schrieb in einer internen Mitteilung, die Aufteilung auf zu viele Apps habe
das Unternehmen verlangsamt. Die neue App soll vor allem sogenannte "agentische"
KI-Funktionen bieten, bei denen KI-Systeme eigenständig Aufgaben auf dem
Computer erledigen. OpenAI will damit auch besser gegen seinen Konkurrenten
Anthropic bestehen, .
Anzeige
DEC_D_Incontent-1
. Unternehmen durchliefen Phasen der Erkundung und Phasen der Neuausrichtung,
beides sei wichtig, schreibt sie. Wenn neue Projekte aber anfingen zu
funktionieren, wie man es jetzt bei Codex sehe, sei es wichtig, sich voll darauf
zu konzentrieren und Ablenkungen zu vermeiden. Sie sei froh, dass OpenAI diesen
Moment nutze.
Ursprünglicher Artikel vom 17. März 2026:
Anzeige
OPENAI FÄHRT NEBENPROJEKTE ZURÜCK UND WILL SICH AUF CODING UND GESCHÄFTSKUNDEN
KONZENTRIEREN
Die bisherige Strategie, möglichst viele Produkte gleichzeitig zu lancieren, hat
OpenAI laut eigener Einschätzung verwundbar gemacht. Nun soll ein strategischer
Schwenk das Unternehmen wieder auf Kurs bringen.
OpenAIs Führungsriege bereitet laut einem einen Strategiewechsel vor: Statt wie
bisher auf zahlreiche Produktfronten gleichzeitig zu setzen, will das
Unternehmen seine Ressourcen künftig auf zwei Bereiche konzentrieren, nämlich
Coding-Werkzeuge und Geschäftskunden.
Anzeige
DEC_D_Incontent-2
Fidji Simo, OpenAIs CEO of Applications, stellte die Pläne in einem
unternehmensweiten Meeting vor. Demnach prüfen CEO Sam Altman und Forschungschef
Mark Chen derzeit aktiv, welche Bereiche zurückgefahren werden sollen. In den
kommenden Wochen sollen die Mitarbeitenden über die konkreten Änderungen
informiert werden.
Anzeige
"Wir dürfen diesen Moment nicht verpassen, weil wir uns von Nebenmissionen
ablenken lassen", sagte Simo laut dem Journal zu den Mitarbeitenden. Man müsse
Produktivität im Allgemeinen und insbesondere im Geschäftskundenbereich
"wirklich hinbekommen".
DIE "DO EVERYTHING"-STRATEGIE HAT IHREN PREIS
Im vergangenen Jahr hatte OpenAI viele neue Produkte angekündigt: den , den
Webbrowser , ein in Zusammenarbeit mit Jony Ive sowie . Altman verglich diesen
Ansatz damals mit "Wetten auf eine Reihe von Start-ups" innerhalb von OpenAI.
Doch aktuelle und ehemalige Mitarbeitende schildern dem Journal zufolge ein
anderes Bild: Die Vielzahl paralleler Projekte habe zu mangelndem Fokus geführt,
die strategische Richtung sei zeitweise schwer nachvollziehbar gewesen.
Computing-Ressourcen, bei Frontier Labs die knappste aller Ressourcen, seien oft
kurzfristig von einem Team zum anderen verschoben worden. Auch die
Organisationsstruktur sei zunehmend unübersichtlich geworden. So war etwa das
Sora-Team der Forschungsabteilung zugeordnet, obwohl es für den Launch eines der
.
Sora selbst ist ein Beispiel für das Problem: Die im September gestartete
eigenständige App mit TikTok-ähnlicher Oberfläche erreichte kurzzeitig Platz
eins im Apple App Store. Danach stagnierte die Nutzung. OpenAI plant nun, . Auch
OpenAIs , wird angeblich kaum genutzt und wurde seit Launch nicht nennenswert
besser.
ANTHROPIC SETZT OPENAI MIT FOKUS-STRATEGIE UNTER DRUCK
Der unmittelbare Auslöser für die Neuausrichtung ist laut WSJ der Aufstieg von
Anthropic. Der Konkurrent hat sich laut dem Journal zu einem , vor allem dank
des viralen Erfolgs seiner Produkte und .
Anthropic hat dabei deutlich weniger Produktwetten platziert als OpenAI und sich
konsequent auf den Enterprise- und Coding-Markt fokussiert. Audio-, Bild- und
Videogenerierung hat das Unternehmen bislang bewusst vermieden.
Simo bezeichnete Anthropics Erfolg gegenüber den Mitarbeitenden als "wake-up
call". Man handle "wie bei Code Red", relativierte aber zugleich: Für alles
einen Krisenmodus auszurufen, ergebe wenig Sinn.

Quelle: www.bigdata-insider.de

KOMMENTAR VON KIRAN MATTY, COUCHBASE CONTEXT ENGINEERING ENTSCHEIDET ÜBER DEN
ERFOLG VON KI-AGENTEN
20.03.2026 Von Kiran Matty 4 min Lesedauer
Anbieter zum Thema
Sobald KI-Agenten nicht nur Texte generieren, sondern Entscheidungen treffen,
Tools aufrufen oder Prozesse anstoßen, entscheidet die Qualität der
bereitgestellten Informationen über ihren Erfolg. Wie man hier strategisch
vorgeht, damit Agenten mit dem bestmöglichen Informationsmix arbeiten, erklärt
das Konzept des Context Engineering.
Unternehmen verfügen über große Mengen strukturierter und : Tickets, E-Mails, ,
Dokumente, Datenbankeinträge. Vieles davon wäre für einen Agenten potenziell
relevant. Naheliegend wäre es dementsprechend, möglichst viele dieser
Informationen direkt als Kontext an ein Sprachmodell zu übergeben. Genau das
funktioniert jedoch nicht.
Zum einen sind Context Windows auch bei modernen Modellen endlich. Selbst sehr
große -Limits sind kein Ersatz für Selektion, denn jeder zusätzliche Token
verursacht Kosten, erhöht die Latenz und kann die Modellleistung verschlechtern.
Zum anderen sind Unternehmensdaten häufig nicht kuratiert. Sie enthalten
Wiederholungen, Nebenstränge, interne Diskussionen, alte Versionen, Ausnahmen
und Widersprüche. Wird dieser Sumpf ungefiltert übergeben, verliert das Modell
schnell den Kern der Aufgabe und die relevanten Daten aus dem Blick.
Auch das andere Extrem führt zu Problemen. Erhält ein Agent zu wenig Kontext,
beginnt er zu halluzinieren oder trifft Annahmen, die fachlich nicht gedeckt
sind. Die Herausforderung besteht also darin, genau den Kontext bereitzustellen,
der für die jeweilige Aufgabe notwendig ist. Context Engineering beschreibt die
Arbeit, das beherrschbar zu machen.
WAS CONTEXT ENGINEERING UMFASST
1. Tool-Auswahl: -Agenten arbeiten selten isoliert. Sie rufen APIs auf, greifen
auf Datenbanken zu oder lösen Aktionen in externen Systemen aus. Wird einem
Agenten ein vollständiger Werkzeugkasten präsentiert, steigt die
Wahrscheinlichkeit falscher oder ineffizienter Tool-Aufrufe.
Effektives Context Engineering sorgt dafür, dass ein Agent nur diejenigen Tools
kennt, die für die aktuelle Anfrage relevant sind – inklusive klarer
Beschreibungen und stabiler Schnittstellen.
2. Memory: Agenten arbeiten selten in einem einzigen Schritt. Sie führen
Dialoge, lösen Aufgaben in mehreren Iterationen und knüpfen Entscheidungen an
vorherige Ergebnisse. Ohne Gedächtnis entsteht ein System, das zwar eloquent
wirkt, aber bei jeder Rückfrage wieder bei Null beginnt.
Damit Agenten konsistent agieren können, müssen sie Informationen also
speichern. Es hilft, unterschiedliche Arten von Gedächtnis zu unterscheiden,
weil sie in Anwendungen unterschiedliche Funktionen erfüllen.
Profile Memory umfasst stabile Informationen über Nutzer oder Systeme, etwa
Rollen, Berechtigungen, bevorzugte Sprache oder Zuständigkeiten. Semantic Memory
speichert Fakten, beispielsweise Produktwissen oder definierte
Unternehmensbegriffe.
Episodic Memory hält konkrete Ereignisse fest: Was ist in einem früheren Fall
passiert, welche Entscheidung wurde getroffen, welche Ausnahme wurde genehmigt.
Conversational Memory fasst den Verlauf eines Dialogs zusammen, um
Wiederholungen zu vermeiden und Anschlussfähigkeit herzustellen. Procedural
Memory beschreibt Abläufe: Welche Schritte sind in einem Prozess üblich, welche
Reihenfolge ist vorgesehen, welche Regeln gelten.
In Multi-Agenten-Setups kommt ein gemeinsamer Working Memory hinzu, über das
Agenten Zwischenergebnisse austauschen, damit nicht jeder dieselbe Recherche
durchführt.
Eine zentrale Herausforderung ist das sogenannte Memory Decay. Würde ein Agent
alle Informationen dauerhaft behalten, wäre das Context Window schnell
überfüllt. Gleichzeitig dürfen relevante Informationen nicht zu früh verloren
gehen. Nutzerpräferenzen können über Monate relevant sein, während einzelne
Gesprächsdetails nach einer Session an Bedeutung verlieren. Context Engineering
muss daher festlegen, welche Informationen mit welcher Halbwertszeit gespeichert
werden. Die richtige Balance zu finden, bleibt eine der anspruchsvollsten
Aufgaben.
3. Prompt Engineering: Prompts definieren Rolle, Verhalten und Grenzen eines
Agenten. Kleine Änderungen können große Auswirkungen haben. Deshalb sollten
Prompts versioniert, getestet und gezielt ausgewählt werden, statt sie statisch
in Code zu verankern.
4. Retrieval: Statischer Kontext reicht in dynamischen Umgebungen nicht aus.
Relevante Informationen müssen in vielen Fällen live abgerufen werden. (RAG) ist
hierbei der gängigste Ansatz. Inhalte werden über Vektorsuche oder strukturierte
Abfragen selektiert und in den Prompt integriert. Die Auswahl an konsistenten
Quellen ist hier der entscheidende Erfolgsfaktor.
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 .
ARCHITEKTUR STATT BASTELLÖSUNG
In vielen Projekten wachsen diese Context-Lösungen nebenbei. Ein paar Prompts
hier, ein Vector Store dort, ein selbstgebautes Memory-System an anderer Stelle.
Das funktioniert für Prototypen, skaliert aber schlecht.
Mit Context Engineering klappt es langfristig besser. So sammelt der Agent
zunächst kontextrelevante Informationen wie passende Tools aus einem Katalog,
relevante Dokumente aus einem Vector Store, verdichtete Gesprächshistorien aus
Memory-Systemen sowie strukturierte Daten aus operativen Datenbanken. Erst
dieser konsolidierte Kontext wird an das Sprachmodell übergeben.
Innerhalb eines Agent-Frameworks läuft anschließend ein Reasoning Loop ab, bei
dem das Modell entscheidet, welche Tools aufzurufen sind und ob weitere Agenten
eingebunden werden müssen. Die Ergebnisse fließen wiederum in den Memory zurück.
Sobald mehrere Agenten oder mehrere Interaktionen beteiligt sind, können
widersprüchliche Informationen vorkommen. Context Engineering muss daher auch
Regeln zur Konfliktauflösung vorsehen. Zeitstempel, Quellenangaben und
Agentidentitäten helfen dem Modell, Informationen einzuordnen.
FAZIT
Context Engineering ist ein strategischer Ansatz für den produktiven Einsatz von
KI-Agenten. Wer sich allein auf größere Modelle oder längere Context Windows
verlässt, wird auf Dauer negative Konsequenzen daraus ziehen.
Erst die gezielte Auswahl, Aufbereitung und Verwaltung von Kontext macht Agenten
nachvollziehbar, kontrollierbar und wirtschaftlich betreibbar. Für Unternehmen
gilt deshalb: weniger basteln, mehr Architekturarbeit.
ARTIKELFILES UND ARTIKELLINKS
Link:
(ID:50715484)

Quelle: www.bigdata-insider.de

KI-ÖKOSYSTEM VOR DEM KOLLAPS? WARUM KI SCHNELLER UNSICHERER WIRD, ALS SIE REIFT
20.03.2026 Von 2 min Lesedauer
Anbieter zum Thema
Der Report „State of AI Security“ von Trend Micro belegt eine besorgniserregende
Entwicklung: KI-spezifische Sicherheitslücken sind im vergangenen Jahr auf über
2.100 Fälle explodiert. Vor allem die Hardware-Basis und neue Protokolle wie MCP
erweisen sich als gefährliche Schwachstellen.
Das glänzende Versprechen der Künstlichen Intelligenz () bekommt tiefe Risse,
die bis in das fundamentale Gestein der Infrastruktur reichen. Wo Unternehmen
gestern noch über Effizienzgewinne staunten, sollen heute technologische
Verwerfungen klaffen, die von den untersten Hardware-Schichten bis hinauf zu den
autonomen Agenten an der Oberfläche führen. Der zeichnet das Bild einer
Landschaft, in der die Innovationsgeschwindigkeit die Sicherheitsarchitektur
längst überholt haben soll.
Zwischen 2018 und 2025 wurden insgesamt 6.086 einzigartige KI-Schwachstellen
(CVEs) dokumentiert. Besonders die Dynamik des Jahres 2025 mit einem Zuwachs von
34,6 Prozent gegenüber dem Vorjahr verdeutliche, dass die
Sicherheitsarchitekturen nicht mit der technologischen Reife der KI-Systeme
Schritt gehalten haben. Für das laufende Jahr 2026 prognostizieren die Experten
einen weiteren Anstieg auf bis zu 3.600 neue KI-CVEs.
HARDWARE ALS ACHILLESFERSE
Die physische Ebene des KI-Stacks hat sich zur Achillesferse der Branche
entwickelt. Über 51 Prozent aller identifizierten Schwachstellen entfallen
mittlerweile auf die Hardware-Ebene, insbesondere auf die Hochleistungs-GPUs und
spezialisierten Beschleuniger, die das Herzstück moderner Rechenzentren bilden.
Kritische Lücken in Treibern und Frameworks, wie Nvidias -Umgebung, wirken wie
offene Scheunentore für Angreifer mit hohen Privilegienstufen. In
Multi-Tenant-Cloud-Szenarien ermöglichen Memory-Corruption-Bugs das Durchbrechen
der logischen Isolation zwischen verschiedenen Workloads.
RISIKEN DURCH AUTONOME AGENTEN UND MCP
Ein neuer Brandherd im Jahr 2026 ist die „“. Autonome Agenten agieren zunehmend
ohne menschliche Aufsicht und nutzen das Model Context Protocol (), um tief in
Unternehmensdaten einzutauchen.
Die Realität hinter der Automatisierung ist jedoch oft ernüchternd: Zu Beginn
des Jahres identifizierte Trend Micro über 1.400 MCP-Server, die völlig
ungeschützt im Netz standen. Angreifer könnten hier im Vorbeigehen
System-Prompts, API-Keys und sensible Kontextdaten abgreifen, da grundlegende
Authentifizierungsmechanismen schlicht ignoriert wurden.
WETTLAUF GEGEN DIE EXFILTRATION
Die Angriffszyklen haben sich massiv beschleunigt. Bei gezielten Attacken auf
die KI-Infrastruktur nutzen Hacker die Automatisierung, um die Zeitspanne
zwischen dem ersten Eindringen und dem Datenabfluss auf ein Minimum zu
reduzieren.
Als effektivster Hebel dient dabei fast immer die digitale Identität: In neun
von zehn Fällen nutzen Hacker gestohlene oder missbrauchte OAuth-Berechtigungen,
um die Identität von KI-Agenten zu kapern und in deren Namen autorisierte
Prozesse im Firmennetzwerk zu triggern.
REGULATORISCHER ZEITDRUCK
Flankiert wird die technische Bedrohungslage von einem engen regulatorischen
Korsett. Bis zum 2. August 2026 läuft die Frist für den EU ab, . Gleichzeitig
greifen die Meldepflichten der NIS2-Richtlinie und ab September 2026 . Letzterer
zwingt Hersteller dazu, aktiv ausgenutzte Schwachstellen innerhalb von nur 24
Stunden an die Behörden zu melden.
„KI ist keine neue Angriffsfläche mehr, sondern hat sich mittlerweile
etabliert“, erklärt Richard Werner, Security Advisor bei TrendAI. „Unsere
Untersuchung zeigt, dass die Schwachstellen in KI-Systemen schneller zunehmen
als im gesamten Software-Ökosystem und dass die größten Risiken in gemeinsam
genutzten Komponenten wie Modell-Frameworks und Lieferketten liegen. Wenn
Unternehmen KI produktiv einsetzen, müssen sie Cybersicherheit als Grundlage
jedes Projekts berücksichtigen. KI erfordert dieselbe Transparenz und dasselbe
Risikomanagement wie jedes andere kritische Geschäftssystem.“
(ID:50789230)