KI News

Quelle: the-decoder.de

Anthropics leistungsstarkes KI-Modell Fable 5 könnte schon in den kommenden
Tagen wieder verfügbar sein, . Laut einer mit der Situation vertrauten Quelle
steht die Trump-Regierung kurz davor, die Beschränkungen aufzuheben.
Handelsminister Howard Lutnick teilte Anthropic in einem Schreiben mit, das
Unternehmen habe "mit der US-Regierung zusammengearbeitet, um Risiken zu
adressieren". Das Pentagon und die NSA müssen Fable 5 allerdings noch freigeben.
Fable 5 war . Mythos 5, die Variante ohne zusätzliche Sicherheitsbeschränkungen,
die Anthropic ebenfalls offline nehmen musste, .
Ob Fable 5 nach der Freigabe ähnlich wie oder sofort international für alle
Kunden verfügbar ist, bleibt offen. OpenAI erwartet eine komplette Freigabe erst
in den kommenden Wochen.
Anzeige
Sowohl Anthropic fordern nun ein klares, gesetzlich geregeltes Verfahren für die
Überprüfung neuer KI-Modelle statt fallweiser Entscheidungen.
Anzeige
DEC_D_Incontent-1

Quelle: the-decoder.de

Rund die Hälfte der Claude-Nutzer sagt, dass die KI schon die Hälfte oder mehr
ihrer Arbeit erledigen kann.
Das zeigt eine Umfrage unter rund 9700 Claude-Nutzern (Chat, Cowork, Code) von
Anthropic. Heute sehen etwa 33 Prozent der Befragten KI bei 30 bis 60 Prozent
ihrer Aufgaben als einsetzbar, weitere circa 14 Prozent sogar bei 60 bis 90
Prozent. Rund vier Prozent glauben, Claude könne schon die komplette Arbeit
machen.
In zwölf Monaten erwarten die Befragten noch deutlich mehr: Dann rechnen rund 26
Prozent damit, dass KI den Großteil (60–90 Prozent) ihrer Arbeit übernehmen
kann. Die Umfrage bezieht sich explizit auf konkrete Aufgaben, die die KI
übernimmt, etwa einen Text schreiben. Arbeit ist für gewöhnlich mehr als die
Summe aller Aufgaben, insbesondere der Wissenstransfer zwischen den Aufgaben.
Anzeige
Am häufigsten arbeitsbezogen sind in Anthropics Untersuchung Aufgaben wie das
Erstellen von Marketing-Inhalten (80 Prozent), Blog- oder Artikeltexten (81
Prozent) und Datenbankabfragen (82 Prozent). Diese Angaben beziehen sich
spezifisch auf die Artifacts-Funktion von Claude, bei der es einen konkreten
Output etwa als Dokument oder interaktive Grafik gibt, also mehr, als nur eine
einfache Chat-Antwort.
Anzeige
DEC_D_Incontent-1
HOFFEN AUF MENSCH-MASCHINE-KOOPERATION
Die Erwartungen an das Tempo des Fortschritts sind laut Anthropic dabei
auffallend einheitlich über alle Gruppen hinweg, unabhängig von Erfahrung,
Standort oder Berufsfeld. Die Studie spricht von einer "steigenden Flut", bei
der sich KI-Fähigkeiten breit verbessern.
Berufseinsteiger sehen den höchsten Anteil an KI-fähigen Aufgaben und sorgen
sich am meisten um ihren Arbeitsplatz. Gleichzeitig sind ausgerechnet die
intensivsten Claude-Nutzer am optimistischsten: Sie glauben, dass ihre
Fähigkeiten an Wert gewinnen. Die Einschätzung der eigenen Karrierechancen hängt
also stark davon ab, wie viel Erfahrung jemand mit KI hat und wie weit die
eigene Karriere fortgeschritten ist.
Anzeige
Die meisten Befragten hoffen auf Zusammenarbeit mit KI statt auf Ersetzung. Sie
wünschen sich, dass KI langweilige Routinearbeit übernimmt und die Gewinne breit
geteilt werden.
Viele weitere .
Anzeige
DEC_D_Incontent-2
Anzeige

Quelle: novoai.de

DIE INTELLIGENTE FERTIGUNGSDATENANALYSE, DIE PRODUKTIONSPROBLEME FRÜH ERKENNT
FERTIGUNGSDATENANALYSE-SYSTEM: WIE DATENBASIERTE ENTSCHEIDUNGEN
PRODUKTIONSVERLUSTE REDUZIEREN
Können Sie exakt die Sekunden verschwenderischer Produktion nennen, wenn die
nächste Kundenlieferung zu spät ist? Noch präziser: Wo ist unsere
Tagesproduktion verschwunden? Der Unterschied zwischen Vermutung und Antwort
liegt in strukturierter Fertigungsdatenanalyse, die Sekunden, Energieflüsse und
Bedienereingriffe sichtbar macht.
Die Suche nach dieser Antwort beginnt mit einer strukturierten Sammlung und
systematischen Auswertung von Produktionssignalen. Genau hier setzt die
Fertigungsdatenanalyse an – das Ergebnis, das Fabriken erhalten, wenn sie ein
modernes Fertigungsdatenanalyse-System einführen, das Maschinen, Energie und
menschliche Interaktion in Echtzeit misst. Für Produktionsleiter im deutschen
Mittelstand ist die Lücke zwischen Bauchentscheidung und datenbasierter Klarheit
messbar: kleine Verkürzungen bei Rüstzeiten, Energiespitzen oder Mikro-Stops
kaskadieren schnell zu größeren Verlusten. Dieser Beitrag erklärt, wie
Fertigungsdatenanalyse Produktionsverluste reduziert und wie praktische,
maschinenunabhängige Lösungen auch für Altanlagen umsetzbar sind.
WARUM FERTIGUNGSDATENANALYSE WICHTIG IST
Fertigungsdatenanalyse ist mehr als das bloße Sammeln von Maschinendaten.
Richtig angewendet wird sie zu einer Live-Karte von Verlusten, Chancen und
Risiken. Betrachten Sie die OEE: Ein Prozentpunkt mehr OEE kann ohne zusätzliche
Schichten spürbare Kapazität freilegen. Studien und Praxisberichte aus 2024–2025
zeigen, dass Hersteller nach der Einführung von Echtzeit-Überwachung
zweistellige OEE-Steigerungen erzielten; einige Linien verbesserten sich
innerhalb eines Jahres von unteren 50er-Werten auf Mitt-60er-Werte, wenn
digitale Datenerfassung mit Schulung der Mitarbeiter kombiniert wurde.
Autoritative deutsche Quellen beschreiben die Effekte und Herausforderungen der
Digitalisierung in der Produktion. VDMA: Digitalisierung & Industrie 4.0 liefert
vergleichbare Erkenntnisse zur Wirkung digitaler Werkzeuge.
Warum verschwindet Produktion? Klassische Produktionsberichte mitteln Leistung
über Schichten oder Tage. Dieses Glätten verbirgt Mikro-Fehler, die den größten
Anteil der Verluste ausmachen. Erst durch Fertigungsdatenanalyse werden diese
Sekunden sichtbar und auswertbar. Beispiel: Die Analyse des Energieverbrauchs
enthüllt oft unnötige Leerlaufphasen, in denen Maschinen 10–20 % mehr Leistung
pro Stunde verbrauchen – über die Zeit ein signifikanter Kostenblock.
WARUM FERTIGUNGSDATENANALYSE WICHTIG IST 1: VERSTECKTE VERLUSTE:
FERTIGUNGSDATENANALYSE
Mikro-Stops und kurze Qualitätsunterbrechungen werden von Altsystemen oft nicht
erfasst. Sobald ein fokussiertes Überwachungsmodul diese Ereignisse erfasst und
nach Maschine, Schicht und Losnummer taggt, treten Muster zutage. Die
Fertigungsdatenanalyse macht diese Muster sichtbar und priorisierbar.
In praktischen Pilotprojekten zeigt eine dreimonatige Erfassung von Mikro-Stops,
dass diese kurzen Ereignisse 20–40 % der gesamten Ausfallminuten ausmachen, aber
nur 5–10 % der manuell protokollierten Vorfälle darstellen. Die Sichtbarkeit
dieser Sekunden verändert Instandhaltungsprioritäten und Schichtverhalten binnen
Wochen.
WARUM FERTIGUNGSDATENANALYSE WICHTIG IST 2: ENERGIE UND KOSTEN
Energie-Monitoring in Verbindung mit Produktionsdaten ist kein theoretisches
Thema: Es schafft konkrete Kostenersparnis. Eine Branchenumfrage aus 2024
belegte, dass Hersteller, die Energieüberwachung parallel zur
Produktionsverfolgung umsetzen, ihre Energieintensität innerhalb eines Jahres um
5–15 % reduzieren konnten.
Durch Fertigungsdatenanalyse lassen sich Energieverbrauch, Maschinenzustand und
Produktionsmenge direkt miteinander korrelieren. Besonders in energieintensiven
Betrieben senkt das nicht nur Betriebskosten, sondern reduziert auch das Risiko
von Produktionsverlusten durch Lastspitzen.
WARUM FERTIGUNGSDATENANALYSE WICHTIG IST 3: LOKALE VERARBEITUNG, SICHERE DATEN
Viele Hersteller sorgen sich um Datenhoheit und Compliance. Moderne Systeme
bieten Edge-Processing, das Fertigungsdatenanalyse bereits lokal durchführt und
nur aggregierte Erkenntnisse in die Cloud sendet. Dieser hybride Ansatz
entspricht deutschen Sicherheitsanforderungen und ermöglicht dennoch
fortgeschrittene Analysen und standortübergreifendes Benchmarking.
Plattformen mit modularer Architektur wie die WatchMen-Plattform von Novo AI
unterstützen sichere lokale Verarbeitung und maschinenunabhängiges Retrofitting
über offene Schnittstellen.
IMPLEMENTATION CHECKLIST
* Starten Sie mit einer Pilotlinie für 6–12 Wochen, um zyklusgenaue Daten zu
sammeln.
* Installieren Sie nicht-invasive Sensoren (Vibration, Strom, Zyklusze4hler),
um PLC-Änderungen zu vermeiden.
* Definieren Sie Verlustkategorien und Tagging-Regeln gemeinsam mit den
Bedienern ffcr korrekte Klassifikation.
* Setzen Sie Energie-Baselines und Alarmgrenzen in Bezug auf Kosten pro kWh und
Produktionsraten.
* Mapen Sie Schnittstellen zu ERP/MES und testen Sie bidirektionale
Datenflfcsse ffcr korrekte Auftrags- und Stillstandsabstimmung.
* Erstellen Sie ein knappes Operator-Dashboard mit einer klaren KPI (z. B.
Minuten Verlust pro Schicht).
PRAXIS-SZENARIO
Stellen Sie sich eine Stanzzelle vor, die auf dem Papier 85 % Verfügbarkeit
meldet. Zyklusdaten zeigen jedoch alle drei Stunden einen wiederkehrenden
Stillstand von 90–120 Sekunden, verursacht durch einen falsch eingestellten
Zuführer.
Erst durch zyklusgenaue Fertigungsdatenanalyse wird dieses Muster sichtbar. Nach
gezielter mechanischer Anpassung und kurzer Schulung sinken die kumulierten
Stillstandszeiten um 35 %, die Durchsatzleistung steigt und Ausschuss reduziert
sich.
3 WEGE ZUR OEE-VERBESSERUNG
Daten in Handlung zu fcbersetzen erfordert strukturierte Hebel. Drei
pragmatische Madfnahmen, die Teams binnen Wochen anwenden kf6nnen:
1. Automatisierte Ereigniserfassung: Sensoren mit Edge-Klassifikation
reduzieren manuelle Erfassungsfehler und erfassen Mikro-Stops.
2. Root-Cause-Dashboards: Ermf6glichen den Drilldown von Gesamt-OEE bis auf die
exakt verlorenen Sekunden in einem Prozessschritt.
3. Closed-Loop-Verbesserungen: Ffchren Sie Erkenntnisse in Instandhaltung,
Planung und Bedienertraining zurfcck und messen Sie den Delta-Effekt.
CASE STUDY: OEE-SPRUNG
Beispiele aus dem Mittelstand zeigen die Wirkung: Ein europäischer Mittelbetrieb
steigerte die OEE nach Retrofitting und zyklusbasierter Analyse innerhalb von
neun Monaten von rund 30 % auf 60 % durch Mikro-Stop-Analyse, gezielte
Instandhaltung und Bedienerschulung. Auch Großunternehmen veröffentlichten
ähnliche Werte: Nach digitaler Fertigungslösung und Schulungen stieg die OEE
einer Linie bei einem Konsumgüter-Hersteller signifikant. Solche Ergebnisse
zeigen: Die Prinzipien gelten über alle Betriebsgrößen hinweg.
Maschinenunabhängiges Retrofit
Retrofitting erfordert kein PLC-Redesign. AVA-ähnliche Sensormodule werden an
Stromleitungen, Spindeln und Förderern angebracht, erfassen elektrische
Signaturen, Vibrationen und Zykluszeiten. Edge-Analytics klassifizieren Zustände
(laufend, Leerlauf, Fehler) und quantifizieren verlorene Sekunden. Da das
Retrofit maschinenunabhängig ist, skaliert es über heterogene Maschinensätze,
wie sie im Mittelstand typisch sind, und verbindet Altanlagen schnell mit
modernen Analysen.
VON DATEN ZU ENTSCHEIDUNGEN
Daten allein sind kein Wert; Wert entsteht, wenn Teams Erkenntnisse nutzen, um
Verhalten und Prozesse zu e4ndern. Historische Analysen ermf6glichen Planern
Szenarien zu rechnen: Wenn die Rfcstzeit um 15% sinkt, wie viel Kapazite4t wird
in einem Monat frei? Wenn Produktionsverantwortliche Trade-offs mit echten
Zahlen simulieren, werden Entscheidungen schneller und kalkulierbarer. Diese
Fe4higkeit beeinflusst direkt Planung, Ersatzteilbevorratung und Lieferzusagen.
ENGPASS-ERKENNUNG
Automatisierte Engpass-Erkennung berechnet kontinuierlich die Durchsatzrate pro
Station aus zeitgestempelten Fertigungsdaten. Eine Engpassberechnung
identifiziert die langsamste Ressource und quantifiziert verlorene
Produktionsminuten pro Stunde. Wenn drei Maschinen in Serie theoretisch 100
Teile/h erzeugen und die mittlere Maschine 20% langsamer arbeitet, kann die
Linie bis zu 30% potenzielle Kapazite4t verlieren. Die Visualisierung des
Engpasses auf Live-Dashboards erlaubt pragmatische Priorisierung von Wartung
oder Investition.
WIE ANALYTIK VERLUSTE REDUZIERT
Analytik reduziert Produktionsverluste auf drei Wegen: Entdeckung, Diagnose und
Verhinderung. Entdeckung lokalisiert das Ereignis; Diagnose findet die Ursache;
Verhinderung verankert die Lösung in Prozessen und Planung. Mit statistischen
Modellen und leichter KI werden Anomalien erkannt, bevor sie kaskadieren. Viele
Hersteller berichten über eine 10–30 %ige Reduktion ungeplanter Ausfallzeiten im
ersten Jahr nach Einführung, wenn Analytik, Instandhaltung und Produktion
zusammenarbeiten.
Praktisches Beispiel: Eine Druckerei nutzte zyklusbasierte Überwachung und
erkannte, dass Werkzeugverschleiß die Zykluszeit wöchentlich um 0,5 % steigen
ließ. Durch einen leicht früheren Wechsel des Werkzeugs um zwei Tage wurde ein
schichtweiter Stillstand vermieden und Ausschuss reduziert. Diese Ersparnisse
lassen sich direkt in den Fertigungsdaten nachweisen.
SCHNELLE AMORTISATION DURCH FERTIGUNGSDATENANALYSE
Rechnen Sie es vor: Läuft eine Linie bei 30 % OEE und die theoretische Kapazität
beträgt 100 Teile pro Stunde, dann sind effektiv 30 Teile pro Stunde möglich.
Eine Steigerung auf 60 % OEE liefert sofort 60 Teile pro Stunde.
Fertigungsdatenanalyse zeigt genau, wo diese zusätzlichen Produktionsminuten
entstehen. Für viele KMU amortisiert sich ein Pilot und Retrofit innerhalb
weniger Monate.
CHANGE-MANAGEMENT-TIPP
Wie sorgen Sie dafür, dass Teams auf Daten reagieren? Beginnen Sie mit schnellen
Feedback-Schleifen. Geben Sie Bedienern eine visuelle KPI und eine
Ein-Minuten-Checkliste zum Erfassen von Problemen. Führen Sie kurze wöchentliche
Reviews ein, in denen Daten statt Anekdoten sprechen. Belohnen Sie kleine
Erfolge: Eine 5%ige Verringerung der Mikro-Stops innerhalb von zwei Wochen ist
ein messbarer Fortschritt.
Bieten Sie rollenbasierte Schulungen an: Bediener erhalten Dashboards,
Instandhaltung Root-Cause-Reports, Planung Szenario-Simulationen. Ernennen Sie
pro Schicht einen Daten-Champion, um Fokus zu halten und Widerstand zu
reduzieren. Diese Governance-Schritte beseitigen die größten menschlichen
Barrieren für nachhaltige Verbesserung.
PRAKTISCHE HÜRDEN
Adoptionshürden sind real: ERP/MES-Integration, Personalqualifikation und
initiales Sensor-Mapping dauern. Die 2024er-Umfrage zu Industrie 4.0 und Talent
zeigt, dass zwar viele Unternehmen Projekte gestartet haben, doch die
vollständige Produktionsverfolgung in den meisten KMU noch unvollständig ist.
Anbieter, die niedrigintegrative Piloten und transparente ROI-Modelle anbieten,
beschleunigen die Umsetzung.
Um Hürden zu überwinden, beginnen Sie mit einem kurzen Audit: Kartieren Sie
vorhandene Datenpunkte, identifizieren Sie die drei größten Verlusttreiber und
schlagen Sie messbare Gegenmaßnahmen vor. Schulen Sie eine Schicht am Dashboard
und benennen Sie einen Instandhaltungsverantwortlichen. Diese kleinen Schritte
reduzieren Reibung und schaffen Momentum.
DER WEG NACH VORN
Hersteller, die Fertigungsdatenanalyse als strategisches Instrument nutzen,
verkleinern die Lücke zwischen Planung und Produktion. Starten Sie klein:
Pilotieren Sie eine kritische Linie, messen Sie zyklusbezogene Verluste acht
Wochen lang und fokussieren Sie auf die zwei größten Verlusttreiber.
Moderne Lösungen wie die WatchMen-Plattform von Novo AI ermöglichen sichere
lokale Verarbeitung und maschinenunabhängiges Retrofitting über mehrere
Standorte hinweg.
Wenn Liefertermine verpasst werden, unerklärlicher Ausschuss auftritt oder
Energiespitzen wiederkehren, fordern Sie ein kurzes Site-Audit an. Die
Fertigungsdatenanalyse zeigt präzise, wo gehandelt werden muss. Starten Sie
klein, messen Sie präzise und skalieren Sie schnell.
REFERENZEN
1. - Bericht zur digitalen Transformation und Handlungsempfehlungen (Zugriff
am: 2026-04-13)
2. - Leitstudie mit Use-Cases aus KMU (Zugriff am: 2026-04-13)
3. - Forschungsergebnisse zu vernetzter Produktion (Zugriff am: 2026-04-13)
4. - Internationale Analyse zu Industrie 4.0 Effekten (Zugriff am: 2026-04-13)
5. - Branchenkontext und Konjunkturhinweise (Zugriff am: 2026-04-13)
Dimitrij Lewin, Co-Founder von Novo AI, verbindet industrielle Praxis mit
KI-gestützter Retrofit-Technologie. Sein Fokus liegt darauf, bestehende
Maschinen in Echtzeit-Datenquellen zu verwandeln und Fertigungen transparenter,
effizienter und zukunftsfähiger zu machen.

Quelle: the-decoder.de

Seit dem Start von ChatGPT 2022 treiben laut einem Analysebericht 42
KI-Unternehmen im S&P 500 rund 65 bis 80 Prozent der Gewinne, Erträge und
Investitionen des gesamten Index. Die Bank sieht Anzeichen für eine
"übertriebene Begeisterung von Investoren".
In einer Analyse beschreibt die Bank mehrere Risiken. So zeige die
Halbleiter-Rallye technische Muster wie zuletzt während der Dotcom-Blase.
Hedgefonds seien stark in Halbleiter- und Hardware-Aktien investiert,
Margin-Kredite an der koreanischen Börse stiegen, und der Handel mit
Halbleiter-Optionen durch Privatanleger nehme zu.
Gehebelte Chip-ETFs, also Fonds, die Kursbewegungen verstärken, hätten ihren
Einfluss auf die globalen Aktienmärkte seit Anfang 2024 verfünffacht. Auch die
Marktbreite sei sehr gering. Nur wenige Aktien tragen die Gewinne.
BÖRSENGEWINNE KONZENTRIEREN SICH AUF WENIGE UNTERNEHMEN
J.P. Morgan warnt vor dieser extremen Konzentration. Die zehn größten US-Aktien
machen inzwischen rund 40 Prozent der S&P-500-Marktkapitalisierung aus. 2015
waren es noch 17 Prozent.
Nvidia halte zwar noch den größten Anteil am Markt für KI-Beschleuniger, also
spezielle Chips für KI-Berechnungen. Dieser Anteil falle laut J.P. Morgan aber
von 85 Prozent im Jahr 2023 auf geschätzte 75 Prozent im Jahr 2026.
Eigene Chips der großen Cloud-Anbieter wie Googles TPUs oder Amazons Trainium
senkten die Betriebskosten um 30 bis 40 Prozent im Vergleich zu Nvidia-GPUs.
Anthropic etwa habe sich verpflichtet, seine .
Zugleich relativiert die Bank diese Zahl im globalen Vergleich: Die USA gehörten
trotz der gestiegenen Konzentration weiterhin zu den Märkten mit vergleichsweise
niedriger Aktienmarktkonzentration; nur Indien und Japan stünden besser da.
CHINA DRÜCKT AUF DIE MARGE
Die US-Bank beschreibt zudem bekannte Risiken bei den Einnahmen der führenden
KI-Labore wie OpenAI und Anthropic. Deren Umsätze stiegen zwar rasant, die
Ausgaben für Rechenleistung seien aber enorm und die .
Steigende Preise für KI-Nutzung, sogenannte Token-Preise, , auf günstigere
Open-Source-Modelle umzusteigen. Erste Hinweise darauf gibt es bereits. ,
durchschnittliche Token-Preise fielen, und .
Gleichzeitig steige der Anteil von Tech-Investitionen am Wirtschaftswachstum,
während die freien Cashflow-Margen der großen Cloud-Anbieter sinken . Insgesamt
schaffe KI damit laut J.P. Morgan mehrere Schichten von .

Quelle: the-decoder.de

Die ehemalige US-Handelsministerin Gina Raimondo und der ehemalige Gouverneur
von Indiana, Eric Holcomb, haben Raise Us ins Leben gerufen.
Die überparteiliche gemeinnützige Organisation soll amerikanische Arbeitskräfte
auf eine KI-geprägte Wirtschaft vorbereiten. Raimondo übernimmt die Rolle der
CEO. Hinter der Initiative stehen über zwei Dutzend Großunternehmen und vier
Gouverneure. Das Ziel ist, eine Milliarde Dollar einzusammeln. Zum Vergleich:
Google, Amazon, Microsoft und Meta wollen in diesem Jahr zusammen .
"Amerika hat eine Technologiestrategie, um den globalen KI-Wettbewerb
anzuführen. Es hat noch keine Strategie für die Menschen", sagt Raimondo
anlässlich der Ankündigung. "Wenn wir die besten KI-Systeme der Welt bauen und
Millionen Amerikaner zurücklassen, haben wir nichts gewonnen, wir hätten unseren
eigenen Niedergang automatisiert."
Anzeige
Die Organisation will neue Unternehmensanreize für Umschulung und
Weiterbeschäftigung entwickeln, Pilotprogramme mit Gouverneuren starten und
Ausbildungsmodelle an den sich verändernden Bedarf der Arbeitgeber anpassen.
Erfolg soll daran gemessen werden, ob Arbeitskräfte dauerhaft vernünftig
bezahlte und stabile Arbeitsplätze finden und behalten.
Anzeige
DEC_D_Incontent-1
KI-RIVALEN FINANZIEREN ERSTMALS GEMEINSAM ARBEITSKRÄFTEINITIATIVE
Bemerkenswert an Raise Us ist die Zusammensetzung der Geldgeber. zählen Amazon,
Anthropic, Microsoft und die OpenAI Foundation zu den Förderern der Initiative.
Raimondo zufolge ist es das erste Mal, dass führende KI-Entwickler gemeinsam
eine unabhängige Initiative zur Unterstützung des Arbeitskräfteübergangs
finanzieren. Bank of America finanziert als Hauptförderer eine
Lehrlingsinitiative für die fortschrittliche industrielle Fertigung.
Daneben unterstützen unter anderem ADP, AMD, Autodesk, Blackstone, Cisco,
Cognizant, Deloitte, Eli Lilly, General Motors, IBM, Mastercard, ServiceNow, UPS
und Workday die Initiative. Auf philanthropischer Seite stehen die Rockefeller
Foundation, Arnold Ventures, die Pritzker Traubert Foundation und die Stephen A.
Schwarzman Foundation. Insgesamt will Raise Us eine Milliarde Dollar an
mehrjährigen Zusagen einsammeln, laut der sind bereits 500 Millionen Dollar
gesichert.
Anzeige
Die Finanzierung durch große KI- und Technologiekonzerne wirft zugleich Fragen
nach der Unabhängigkeit der Initiative auf. Viele der beteiligten Unternehmen
profitieren selbst von der schnellen Verbreitung von KI-Systemen oder treiben
sie direkt voran. Kritiker könnten daher einwenden, dass Raise Us Lösungen für
mögliche KI-bedingte Jobverluste entwickeln soll, aber wesentlich von jenen
Unternehmen getragen wird, die diesen Wandel mit auslösen.
PILOTPROJEKTE IN VIER BUNDESSTAATEN
Raise Us startet mit Partnerschaften in Arkansas, Connecticut, Maryland und
Utah. Die Wahl ist bewusst überparteilich: Die Gouverneure Sarah Huckabee
Sanders (Republikanerin, Arkansas) und Spencer Cox (Republikaner, Utah) stehen
neben Ned Lamont (Demokrat, Connecticut) und Wes Moore (Demokrat, Maryland).
Anzeige
DEC_D_Incontent-2
Die Pilotprogramme sollen vor allem Übergänge erleichtern: Menschen sollen
schneller erkennen, welche Berufe trotz KI-Nutzung gefragt bleiben, welche
Qualifikationen dafür nötig sind und wie sie in solche Tätigkeiten wechseln
können. Laut der Ankündigung unterstützt Raise Us in Arkansas etwa eine
KI-gestützte Karrierenavigationsplattform namens Arkansas LAUNCH, die
Studierende und Jobsuchende mit personalisierten Lernpfaden und
arbeitgebergebundenen Karrierewegen verbindet.
Anzeige
In Maryland soll laut der New York Times das sogenannte "Service Year", ein
Freiwilligenprogramm für Schulabgänger, auf Bereiche mit Arbeitskräftemangel wie
das Gesundheitswesen ausgeweitet werden. Zudem plant die Organisation dort einen
Wettbewerbsfonds für innovative Karriereübergangsmodelle und ein
Accelerator-Programm, das verdrängte Arbeitskräfte bei der Unternehmensgründung
unterstützt.
In weiteren Staaten hofft Raise Us der New York Times zufolge, eine
"Lohnversicherung" anbieten zu können. Sie würde einen Teil der
Einkommensverluste ausgleichen, wenn Arbeitnehmer schlechter bezahlte Stellen
annehmen, statt ganz aus dem Arbeitsmarkt auszuscheiden.
RAISE US VERFOLGT VIER ZENTRALE ARBEITSFELDER
Raise Us gliedert sich in vier Bereiche. Die "State Partnerships" sollen
staatliche Bildungs- und Arbeitsmarktprogramme stärker auf den Bedarf von
Arbeitgebern ausrichten, etwa durch Lehrlingsprogramme und Kurzzeit-Zertifikate.
Öffentliche Mittel sollen künftig stärker davon abhängen, ob Teilnehmer
tatsächlich Arbeit finden, statt nur von Einschreibungszahlen.
Die "Employer Coalition" bringt Unternehmen zusammen, die KI einsetzen, um
gemeinsam Pilotprogramme für Umschulung und Weiterbeschäftigung zu entwickeln.
Microsoft hat laut der NYT bereits ein Modell erprobt: Das Unternehmen schult
Berufseinsteiger im Rechtsbereich in verschiedenen Abteilungen und vermittelt
ihnen KI-Kompetenzen, damit sie bei technologischen Veränderungen leichter in
neue Rollen wechseln können. "Man kann das mit fast jedem Job machen, den wir
haben", sagt Microsoft-Vizechef Brad Smith.
Der Bereich "Education and Training" soll KI-gestützte Ausbildungsmodelle
skalieren, die praktische Arbeitserfahrung mit Qualifizierung verbinden und
günstigere Alternativen zur traditionellen Hochschulbildung bieten. Das "Policy
Lab" schließlich soll neue politische Ansätze entwickeln und testen. Es wird
ausdrücklich nicht durch Unternehmensgelder finanziert.
UMSCHULUNG BLEIBT DER SCHWIERIGE TEIL
Die Umschulung verdrängter Arbeitskräfte hat in den USA eine durchwachsene
Bilanz. Raimondo selbst bezeichnete bisherige Bemühungen laut der NYT als
"ineffektiv". Der US-Kongress hat die Finanzierung seines wichtigsten Gesetzes
zur Arbeitskräfteentwicklung seit seiner Verabschiedung 1973 kontinuierlich
gekürzt. Geplante Überarbeitungen sind im Sande verlaufen.
Ob Raise Us bessere Ergebnisse erzielt als frühere Umschulungsprogramme, muss
sich erst zeigen. Die Initiative entsteht jedoch in einer Phase, in der die USA
massiv in KI-Infrastruktur und KI-Modelle investieren, aber noch keine
belastbare Antwort darauf haben, wie Arbeitnehmer durch den erwarteten
Strukturwandel kommen sollen.
Unklar ist auch, wann und in welchem Umfang dieser antizipierte KI-Wandel am
Jobmarkt überhaupt stattfindet. .

Quelle: the-decoder.de

Laut Anthropic hat die US-Regierung die erneute Bereitstellung von Claude Mythos
5 genehmigt. Das Modell ist und darf nun wieder von US-Organisationen genutzt
werden, die kritische Infrastruktur betreiben und schützen.  dürfen im Rahmen
dieser Ausnahme auch Anthropic-Mitarbeiter und Mitglieder zugelassener
Organisationen Mythos 5 nutzen, selbst wenn sie keine US-Staatsangehörigen sind.
Die Genehmigung dürfte im Einklang mit jener für OpenAI stehen, das sein neues
zumindest ausgewählten Organisationen und Kunden zur Verfügung stellen darf.
Seit der hatte Anthropic gemeinsam mit der US-Regierung daran gearbeitet, den
Zugang wiederherzustellen. Nun will das Unternehmen auch den Zugang zu Mythos 5
ausweiten und Fable 5 wieder allgemein verfügbar machen. Einen Zeithorizont
hierfür nennt Anthropic nicht. OpenAI geht bei GPT-5.6 von "einigen Wochen" aus.
Anzeige
DEC_D_Incontent-1
Anzeige

Quelle: the-decoder.de

OpenAIs GPT-5.6 pfuscht sehr viel. Das ist das zentrale Ergebnis einer
unabhängigen Bewertung durch METR.
Bei Tests mit Software-Aufgaben zeigte die höchste je gemessene Rate an
Schummelversuchen unter allen öffentlich getesteten Modellen. Konkret nutzte das
Modell Fehler in der Testumgebung aus, extrahierte versteckte Lösungen und
versuchte anschließend, sein Fehlverhalten zu verbergen.
Die eigentlichen Leistungsmessungen sind dadurch kaum verwertbar: Je nach Umgang
mit den Schummelversuchen schwankt die sogenannte Time-Horizon-Schätzung
zwischen 11,3 und über 270 Stunden. METR betrachtet keinen dieser Werte als
verlässliche Messung der tatsächlichen Fähigkeiten.
Anzeige
METR misst mit seiner Time-Horizon-Methodik, wie lange eine Aufgabe dauern darf,
damit ein KI-Modell sie noch mit 50-prozentiger Wahrscheinlichkeit lösen kann.
Als Referenz dienen dabei menschliche Bearbeitungszeiten: Einfache Aufgaben wie
das Trainieren eines Klassifizierers dauern etwa 45 Minuten, komplexere wie das
Trainieren eines robusten Bildmodells rund vier Stunden. Je höher der erreichte
Zeithorizont, desto fähiger das Modell.
Anzeige
DEC_D_Incontent-1
UNGENAUE MESSUNG, ABER: MYTHOS LIEGT VORNE
Im Vergleich dazu lieferte Anthropics  bei einer früheren Evaluierung saubere,
auswertbare Ergebnisse mit einem Zeithorizont von mindestens 16 Stunden. Das
dürfte noch etwas leistungsfähiger sein, wird aber derzeit .
Allerdings stieß auch diese Messung bereits an die Grenzen von METRs
Testmethodik: Von 228 Aufgaben in der Test-Suite sind lediglich fünf für
Aufgabenlängen von 16 Stunden oder mehr ausgelegt, was Messungen in diesem
Bereich laut METR instabil und weniger aussagekräftig macht.
Anzeige
Unabhängig von den Messproblemen geht METR davon aus, dass GPT-5.6 Sol nicht
wesentlich über dem aktuellen Stand der Technik liegt und keine vollautomatische
KI-Forschung ermöglicht. Positiv bewertet METR, dass OpenAI die Schummelvorfälle
durch internes Monitoring entdeckt und offen mit METR geteilt hat.
Dass das Fehlverhalten so auffällig auftritt, sei sogar ein beruhigendes
Zeichen, da schwerwiegendere Probleme so ebenfalls erkannt würden. Gleichzeitig
warnt METR: "Wenn künftige Modelle deutlich weniger unerwünschte
Verhaltensweisen zeigen, könnte uns das mehr Sorgen bezüglich einer
katastrophalen Fehlausrichtung machen, da wir befürchten würden, dass die
Modelle gelernt haben, die Erkennung zu umgehen."
Anzeige
DEC_D_Incontent-2
Anzeige

Quelle: www.it-boltwise.de

TOKIO / LONDON (IT BOLTWISE) – SMS Data Tech vertreibt humanoide Roboter für
Fabriken und Logistikzentren und reagiert damit direkt auf Japans akuten
Arbeitskräftemangel. Partner ist Donut Robotics mit den Modellen Cinnamon 1 und
Cinnamon Crew, während SMS Data Tech Installation, Netzwerkaufbau und Support
übernimmt. Branchenbeobachter sehen darin einen klaren Einstieg in eine breitere
Kommerzialisierung: Die Preise einfacher Modelle sind bereits auf unter 5.000
US-Dollar gefallen. Gleichzeitig zeigen internationale Pilotprojekte, dass
humanoide Systeme in vielen Branchen vom Flughafen bis zur Altenpflege mehr als
ein Showroom-Thema werden.
--------------------------------------------------------------------------------
* 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!
--------------------------------------------------------------------------------
Japans steht unter Druck, und humanoide Roboter wirken in dieser Lage wie ein
pragmatischer Hebel: SMS Data Tech wechselt laut Mitteilung vom reinen
Technologietraining in den Vertrieb und will humanoide Maschinen künftig direkt
in Fabriken und Logistikzentren ausrollen. Der Schritt ist vor allem eine
Antwort auf den Arbeitskräftemangel, der in Japan seit Jahren spürbar ist und
sich demographisch voraussichtlich weiter verschärft. Humanoide Systeme sollen
dabei weniger neue Prozessketten erfordern als vielmehr in bestehende Abläufe
eingegliedert werden – ein Unterschied, der für die Budgetplanung vieler
Betriebe entscheidend ist.
Im konkreten geht es um ein Kompletteinsatz-Paket, das mehr ist als nur
Hardware. Die Vereinbarung mit Donut Robotics umfasst die Modelle Cinnamon 1 und
Cinnamon Crew. SMS Data Tech liefert nicht nur die Roboter, sondern übernimmt
auch Installation, Netzwerkaufbau und laufenden Support. Damit wird ein
typischer Engpass adressiert, der bei Automatisierungsprojekten oft nach der
Erstbeschaffung beginnt: Integration in die IT- und OT-Landschaft, stabile
Konnektivität, Monitoring und das schnelle Schließen von Betriebsproblemen.
Technisch bedeutet das meist, dass -Pipelines, Firmwarestände und Berechtigungen
sauber zugeordnet werden müssen, damit Automatisierung nicht zum Ausnahmezustand
wird.
STELLENANGEBOTE
Für die Marktdynamik ist auch der Preis relevant: Branchenbeobachter berichten,
dass Einstiegspreise einfacher humanoider Modelle inzwischen unter 5.000
US-Dollar gefallen sind. Das ist bemerkenswert, weil Roboter in vielen
Unternehmen bisher entweder als Pilot für Großkunden liefen oder mit hohen
Integrationskosten scheiterten. Sinkende Stückpreise senken nicht automatisch
die Projektkosten, aber sie erleichtern den Übergang von einem Proof-of-Concept
zu wiederholbaren Rollouts. Als Beispiel für die internationale Testbereitschaft
taucht die Meldung auf, dass Tokios Flughafen Haneda chinesische Roboter zum
Gepäckhandling prüft. Solche Piloten sind wirtschaftlich interessant, weil sie
klare Taktzeiten und messbare Kennzahlen liefern.
Dass der Trend nicht auf Japan beschränkt bleibt, zeigt auch die parallele
Industrialisierung bei Wettbewerbern. Unitree etwa platziert mit dem G1-System
Lösungen für repetitive Aufgaben; zugleich nutzt etwa HEINEKEN Vietnam einen
mehrjährigen Rahmen mit der Technischen Universität Ho Chi Minh City, um Unitree
G1 Roboter in typischen Brauereiarbeiten einzubinden – etwa Palettenstapeln,
Entladen und das Setzen von Deckeln. Auch bei CATL wird in die Produktion von
Batteriemodulen getragen: Der Galbot S1 übernimmt schwere Transportaufgaben,
einschließlich Obstacle-Avoidance. wiederum setzt im Werk Spartanburg auf den
Figure-03-Roboter für die Logistik-Sequenzierung; Tests mit dem Vorgänger sollen
dabei bereits zehntausende Fahrzeuge unterstützt haben. Für Unternehmen ergibt
sich daraus ein klares Signal: Humanoide Systeme konkurrieren nicht nur um
Technik, sondern um Prozess-KPIs wie Durchsatz, Ausfallrate und
Wiederholgenauigkeit.
Während die Konkurrenz ihre Pilotfelder ausweitet, verdichtet sich das
Kapitalbild. Agility Robotics kündigte den ngang über eine Fusion mit einer
SPAC-Gesellschaft an und bewertet den Hersteller des Digit-v5-Roboters mit 2,5
Milliarden US-Dollar. Solche Bewertungsanker sind für den Wettbewerb wichtig,
weil sie den Finanzierungszugang beschleunigen und damit Testvolumen erhöhen.
Gleichzeitig liefern Vorbestellungen ein zweites Frühindikator-Signal: UBTECH
meldet über 5.000 Vorbestellungen für den U1 Companion Robot in einem kurzen
Zeitraum, was in etwa dem fünffachen Vorjahresniveau entsprechen soll. Ava
Robotics aus Indien schließt eine Series-A-Runde ab und zielt mit dem Ava-1 auf
die – massenproduziert zu Kosten, die unter 25 Lakh Rupien liegen sollen. In der
Praxis entscheidet bei all dem aber weniger die Schlagzeile als die Frage, wie
schnell sich Systeme in realen Umgebungen stabil betreiben lassen.
Auch M&A und Team-Strategien sprechen für die Versachlichung des Marktes. Bear
Robotics übernimmt Kinisi Robotics und integriert den KR1 Humanoiden inklusive
KI für Manipulationsaufgaben. Das Muster ist typisch: Statt alles neu zu bauen,
werden Fähigkeiten und Datensätze gebündelt, um die Lernkurve bei Greif- und
Bewegungsaufgaben zu verkürzen. Für IT- und Security-Verantwortliche entsteht
daraus allerdings ein anderes Risiko: Mit wachsender Zahl an Robotern steigt die
Angriffsfläche. Je stärker Rollouts in bestehende Netzwerke integriert werden,
desto wichtiger werden Segmentierung, rollenbasierte Zugriffe, das sichere
Management von Updates sowie eine lückenlose Protokollierung. In Unternehmen mit
regulierten Datenflüssen gilt zusätzlich: Selbst wenn Roboter keine
„personenbezogenen“ Daten verarbeiten sollen, können Kameras, Sensoren oder
Betriebsdaten im Kontext von Standorten und Arbeitsabläufen indirekt sensible
Informationen berühren.
Was viele Entscheider unterschätzen, ist der Weg vom Showroom zur zweiten
Produktionslinie. Der Text verweist darauf, dass BYD humanoide Roboter innerhalb
von ein bis zwei Jahren in Autohäusern einsetzen will, um Kunden zu informieren
und Fahrzeuge zu präsentieren. Das ist weniger eine Fabrikfrage als eine
Schnittstellenfrage: Wie werden Inhalte geladen, wie wird die Interaktion sicher
orchestriert, und wie werden Workflows so gestaltet, dass die Roboter im
Tagesgeschäft nicht ständig nachtrainiert werden müssen? Parallel dazu wird
humanoide in die Altenpflege gedacht: An der Waseda-Universität in Tokio
arbeitet man am AIREC-Roboter, ein 150-Kilogramm-System für Pflegeaufgaben wie
etwa Windelwechsel. Solche Szenarien treiben besonders - und
Sicherheitsanforderungen, weil sie häufig in unmittelbarer Nähe zu Menschen
stattfinden und die Betriebssicherheit eine zentrale Voraussetzung für jede
Markteinführung ist.
Regulatorisch und operativ wird die Branche damit zwangsläufig erwachsener.
Humanoide Systeme bewegen sich in überlappenden Zuständigkeitsbereichen zwischen
Arbeitsschutz, Produktsicherheit, und IT-Security. Unternehmen, die jetzt
kaufen, sollten deshalb frühzeitig dokumentieren, welche Sensorik eingesetzt
wird, welche Daten an externe Dienste fließen (wenn überhaupt) und wie lange
welche Daten gespeichert werden. Ebenso zentral ist die Frage der Fernwartung:
Laufender Support, wie ihn SMS Data Tech anbietet, kann den Betrieb
stabilisieren, muss aber in klare Sicherheitsprozesse eingebettet werden, etwa
durch VPN-Policies, Mindestprivilegien und nachvollziehbare Update-Freigaben. In
der Praxis entscheidet sich hier, ob Automatisierung in Wochen skaliert oder im
Ernstfall ausgebremst wird.
Für den Ausblick nennt die Meldung ein starkes Wachstum: Der Markt für humanoide
Roboter soll von etwa drei Milliarden Dollar im Jahr 2025 auf rund 28 Milliarden
Dollar bis Ende des Jahrzehnts steigen. Solche Wachstumsraten sind nur
plausibel, wenn mehrere Faktoren zusammenkommen: ausreichende Zuverlässigkeit,
tragfähige ROI-Rechnungen und ein Liefer- sowie Integrationsökosystem, das nicht
bei der ersten Abweichung im Feld kollabiert. Der Wettbewerb zwischen
Herstellern und Systemintegratoren verschiebt sich damit hin zu „Time-to-Value“.
Wer wie SMS Data Tech Installation und Netzwerkaufbau mitliefert, reduziert die
Hürde für Mittelständler, die sonst Integrationspartner suchen oder intern hohe
Lücken im betrieb schließen müssten. Künftig dürften zudem mehr Branchen – von
Logistik über Produktion bis Service – standardisierte -Referenzen verlangen,
inklusive Security-Baselines und Wartungspaketen.
Die nächsten Monate werden zeigen, welche Pilotprojekte in reproduzierbare
Rollouts übergehen. Entscheidend ist, ob die Systeme die versprochenen
Fähigkeiten im Alltag halten: stabile Handhabung, sichere Navigation, schnelle
Fehlerdiagnose und eine Lernkurve, die ohne monatelange Stillstände
funktioniert. Für Entwickler eröffnet sich parallel ein klarer Markt:
Schnittstellen für -Orchestrierung, robuste Middleware für Event- und
Statusdaten sowie MLOps-Prozesse für Manipulationsmodelle werden stärker
nachgefragt. Wenn die Hardwarepreise weiter fallen und Integrationspakete wie
Support und Konnektivität standardisierter werden, könnten humanoide Roboter
deutlich schneller in den Mainstream der llen Automatisierung rutschen – nicht
als futuristische Einzelstücke, sondern als planbare Betriebsressource.
💳
🔥
🎉
* 🤖 Präzisions-Roboterarm – Spielen wie gegen einen echten Gegner – SenseRobot
reproduziert das reale Schacherlebnis mit einem mechanischen Arm, der Figuren
mit weniger als 1 mm Genauigkeit bewegt und jeden Zug in nur 8 Sekunden
ausführt – im gleichen Tempo wie ein professioneller Spieler.
* 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.
* 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.
Bestseller Nr. 1 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 2 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 3 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 4 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 5 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 6 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 7 ᵃ⤻ᶻ «KI Gadgets»
Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des
letzten Tages per eMail - ohne Werbung:
--------------------------------------------------------------------------------

Quelle: the-decoder.de

Forscher der Renmin University und von Bytedance haben mit iLLaDA ein
8B-Sprachmodell vorgestellt, das anders funktioniert als ChatGPT. Es schließt
auf der Basisebene zu Qwen2.5 auf, bleibt im Feintuning aber zurück.
Fast alle bekannten KI-Sprachmodelle wie GPT, Claude oder Qwen erzeugen Text
autoregressiv: Wort für Wort, von links nach rechts, jedes neue Token hängt nur
von den vorhergehenden ab. Diffusions-Sprachmodelle gehen anders vor. Sie
starten mit einer Sequenz aus Platzhaltern, den maskierten Tokens, und
verfeinern diese in mehreren Durchläufen parallel, ähnlich wie Bildmodelle aus
Rauschen ein Motiv formen. Dabei dürfen alle Positionen einander gleichzeitig
berücksichtigen, also bidirektional arbeiten.
iLLaDA ist kein Einzelfall, sondern Teil einer breiteren Bewegung, in der auch
Google mitmischt. Im Juni 2026 veröffentlichte Google Deepmind . Das Modell
generiert Text rund viermal schneller per Diffusion, schneidet bei Benchmarks
wie MMLU und Code aber schlechter ab als das gleich große autoregressive ,
weshalb Google es für latenzarme Anwendungen statt für qualitätskritische
Produktion empfiehlt.
Hier zeigt sich der zentrale Unterschied. DiffusionGemma wurde aus dem
Gemma-4-Backbone abgeleitet, ein 25-Milliarden-Parameter-Mixture-of-Experts, der
nur die Generierungsmethode tauscht und auf Tempo setzt. iLLaDA, kurz für
"improved LLaDA", verfolgt das Gegenteil: ein dichtes 8B-Modell, von Grund auf
trainiert, mit Fokus auf Qualität.
Die Frage dahinter lautet, ob ein neu aufgebautes Diffusionsmodell überhaupt mit
autoregressiven Modellen mithalten kann. Ein direkter Zahlenvergleich beider
Modelle ist allerdings kaum möglich, da Google teils andere und härtere
Benchmark-Varianten nutzt und DiffusionGemma in einer anderen Gewichtsklasse
spielt.
WAS ILLADA LEISTET
Das Team trainierte iLLaDA mit 12 Billionen Tokens vor, gegenüber 2,3 Billionen
beim Vorgänger LLaDA, und feintunte zwölf Epochen lang. Laut dem Paper
verbessert sich iLLaDA-Base deutlich gegenüber LLaDA, etwa um 21,6 Punkte beim
Reasoning-Test BBH. Im Schnitt erreicht es 63,9 Punkte und liegt damit knapp vor
dem autoregressiven Qwen2.5 7B (63,3).
iLLaDA 8B LLaDA 8B Dream 7B Qwen2.5 7B Model Diffusion Diffusion Diffusion AR
Training tokens 12T 2.3T 18T + 0.6T 18T General Tasks MMLU 74.8 65.9 69.5 71.9
BBH 71.3 49.7 57.9 63.9 ARC-C 60.8 45.9 59.8 51.5 Hellaswag 76.6 70.5 73.3 79.0
Mathematics & Science GSM8K 81.9 70.3 77.2 78.9 Math 38.4 31.4 39.6 41.1 Code
HumanEval 50.0 35.4 57.9 56.7 MBPP 57.8 40.0 56.2 63.6 Average 63.9 51.1 61.4
63.3
Tabelle: Ergebnisse des Basismodells
Aufschlussreich ist der Vergleich mit dem konkurrierenden Diffusionsmodell Dream
7B. Dieses wurde nicht neu trainiert, sondern aus einem fertigen Qwen2.5
weiter-finetuned. iLLaDA schlägt Dream im Schnitt dennoch (63,9 zu 61,4), obwohl
es nicht von der Vorarbeit eines starken autoregressiven Modells profitiert.
Dream behält nur bei den Programmiertests knapp die Oberhand.
Beim Instruct-Modell bleibt jedoch eine Lücke: iLLaDA-Instruct kommt auf 67,1
Punkte, Qwen2.5 7B Instruct auf 77,1, primär bei Mathematik und Code. Die
Autoren führen das auf das zusätzliche Reinforcement-Learning-Alignment bei
Qwen2.5 zurück, das bei iLLaDA fehlt. Im Anhang räumen sie zudem ein, dass das
Modell bei schweren Aufgaben in Denkschleifen geraten kann.
iLLaDA 8B LLaDA 8B Dream 7B Qwen2.5 7B Model Diffusion Diffusion Diffusion AR
General Tasks MMLU 71.6 65.5 67.0 76.6 MMLU-Pro 52.3 37.0 43.3 56.3 MMLU-Redux
76.4 68.9 76.3 75.7 Mathematics & Science GSM8K 89.0 77.5 81.0 91.6 Math 56.7
42.2 39.2 75.5 Code HumanEval 65.9 49.4 55.5 84.8 MBPP 58.0 41.0 58.8 79.2 Avg.
67.1 54.5 60.2 77.1
Tabelle: Ergebnisse des Instruct-Modells

Quelle: www.it-boltwise.de

WASHINGTON / LONDON (IT BOLTWISE) – schränkt den Zugang zum nächsten KI-Modell
aus der GPT-5.6-Reihe auf ausgewählte US-Partner ein. Die Maßnahme folgt einem
politischen Druck aus den und startet zunächst mit einer klaren regionalen
Begrenzung. Gleichzeitig betont der Anbieter Sicherheitsvorkehrungen, obwohl das
Modell Aufgaben in Programmierung, Biologie und Cybersicherheit teils autonom
übernehmen kann. Damit rückt die zentrale Frage in den Fokus, wie Regulierung
Innovation in der KI-Entwicklung praktisch bremst oder absichert.
--------------------------------------------------------------------------------
* 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!
--------------------------------------------------------------------------------
setzt bei der Verfügbarkeit seiner nächsten Modellgeneration an einer Stelle an,
an der sich technologische Dynamik typischerweise nicht bremsen lässt: beim
Zugang. Laut der Meldung erhalten derzeit nur ausgewählte US-Partner eine
Vorschau auf GPT-5.6. Das ist weniger ein reines Produkt-Update als ein Signal
an den Markt, dass regulatorische Vorgaben unmittelbar auf die
Engineering-Roadmaps wirken. Während viele KI-Teams sonst über APIs,
Partnerprogramme und abgestufte Rollouts skaliert ausrollen, wird hier eine
Whitelist-Logik sichtbar, die Ressourcen und Experimente an wenige Zugänge
bündelt.
Technisch betrachtet bedeutet eine solche Zugangsbeschränkung in der Praxis
häufig nicht nur ein „Ja/Nein“ für die Nutzung, sondern eine kontrollierte
Pipeline vom Request bis zur Auswertung. Ein Unternehmen muss hierfür
Identitäten verifizieren, Berechtigungen granular vergeben und jedes
Modell-Exposure überwachen—inklusive Rate-Limits, Audit-Trails und mehrstufiger
Content-/Capability-Filter. Besonders im Fall von leistungsfähigen Modellen mit
„Agent“-ähnlichem Verhalten wird zudem die Frage relevant, welche Werkzeuge (z.
B. Code-Ausführung, Datenschnittstellen, externe Prüfsysteme) das Modell
überhaupt ansteuern darf. Damit verschiebt sich ein Teil der Systemverantwortung
von der reinen Modellgüte hin zu Governance und Policy-Engineering.
STELLENANGEBOTE
Marktseitig trifft diese Entscheidung auf eine Branche, in der Wettbewerbsdruck
ohnehin hoch ist. Der Text verweist darauf, dass auch Mitbewerber wie Anthropic
ähnliche Schritte unter Regierungsdruck erwogen haben sollen—nach dem
Zurückziehen eines neueren, besonders leistungsstarken Modells. Der gemeinsame
Nenner: In beiden Fällen geht es um die Balance zwischen „Capability“ und
Missbrauchspotenzial. Wenn ein Modell systematisch Schwachstellen identifizieren
und in mehrstufigen Abläufen ausnutzen könnte, werden Sicherheitsbewertungen
nicht nur zu internen Qualitätschecks, sondern zu regulatorischen
„Gate-Keepern“. Für Unternehmen heißt das: Differenzierung verlagert sich
zunehmend von Modellleistung allein hin zu Nachweisbarkeit, Sicherheitstests und
kontrollierbarer Deployment-Strategie.
Aus Expertenperspektive wird genau dieser Punkt häufig als struktureller Engpass
beschrieben: Regulierung kann Risiken senken, aber sie erzeugt zugleich
zusätzliche Koordinationskosten zwischen , Rechtsabteilung und Betrieb. Wenn ein
Rollout nicht mehr primär durch technische Reife getrieben ist, sondern durch
Prüfzyklen und Genehmigungsprozesse, wächst der Zeitraum bis zum produktiven
Nutzen. Das betrifft nicht nur die Anbieter selbst, sondern auch deren
Ökosystem: s, Beratungen und Enterprise-Kunden, die auf frühe Zugriffskanäle
angewiesen sind, verlieren Zeit für Prototypen und Validierung. Gleichzeitig
kann eine geordnete Freigabe die Sicherheitslage insgesamt verbessern, weil sie
Fehlgebrauch wahrscheinlicher in kontrollierte Test-Umgebungen überführt.
Ein weiterer Aspekt ist die regionale Ausgestaltung: stellt laut Meldung klar,
dass die aktuellen Freigaben zunächst exklusiv in den gelten, während weitere
Länder perspektivisch folgen sollen. Das ist besonders relevant, weil
Data-Residency, Rechtsräume und Durchsetzungsmechanismen in der KI praktisch „in
den Stack“ hineinwirken. Unternehmen mit globalen Kunden müssen dann doppelt
denken: an welchem Standort Daten verarbeitet werden, welche Vertrags- und
Compliance-Anforderungen gelten und wie sich Zugriffsdynamiken zwischen Regionen
auswirken. Selbst wenn die Technik identisch ist, kann das Deployment-Umfeld—von
Vertrag bis Logging—unterschiedlich ausfallen. Genau hier entscheidet sich, ob
Regulierung als Schutzrahmen oder als Standortbarriere wahrgenommen wird.
Für die bedeutet der Schritt auch, dass Sicherheit nicht nur ein Feature ist,
sondern ein organisatorisches Produkt. Der Text nennt Schutzvorkehrungen und
betont, dass das Modell—insbesondere die leistungsstärkere Variante mit dem
Namen Sol—autonom Aufgaben in Bereichen wie Programmierung, Biologie und
Cybersicherheit bearbeiten kann. Gleichzeitig warnt , nicht jede potenzielle
mehrstufige Attacke in Bewertungen abdecken zu können. Diese Einschränkung ist
technologisch plausibel: „Worst-case“-Szenarien sind schwer vollständig
abzudecken, besonders wenn Angreifer adaptive Strategien wählen. Deshalb steigt
die Bedeutung von Red-Teaming, kontinuierlichem Monitoring und in vielen Fällen
auch von Modell-Funktionalitätsreduktion (z. B. weniger Tool-Zugriff, strengere
Sandbox-Regeln), um reale Systeme belastbar zu machen.
In der Gesamtsicht ist das ein Balanceakt zwischen Sicherheitszielen und
Innovationsgeschwindigkeit. Kurzfristig kann eine Zugangsdrosselung die
Risikokurve für Missbrauch verflachen und gleichzeitig die Bewertungsfähigkeit
des Anbieters erhöhen. Langfristig aber könnte sie—wenn Genehmigungs- und
Prüfzyklen dauerhaft dominieren—Markteintrittsbarrieren verschieben und die
Lernkurven im Ökosystem verlangsamen. Gerade für Enterprise-Anwender ist das
kaufmännisch spürbar: Predictable Timelines zählen, wenn Budgets und Projekte an
Modellverfügbarkeit gekoppelt sind. Die Folge könnte sein, dass Teams mehr in
eigene Infrastrukturen und kleinere, stärker kontrollierte Modellvarianten
investieren. Damit wird aus Governance indirekt ein technischer
Wettbewerbsvorteil.
Ob die Maßnahme letztlich als Sicherheitsgewinn oder Innovationsbremse gelesen
wird, hängt daher davon ab, wie transparent und planbar der Zugang künftig
gestaltet wird. Sobald auch Partner außerhalb der Einladungen erhalten,
entscheidet die Ausgestaltung: Gibt es klare Kriterien, schnelle Testfenster und
nachvollziehbare Sicherheitsupdates? Oder bleiben Freigaben in einem schwer
vorhersehbaren Genehmigungsprozess hängen? Für die nächsten Quartale ist
entscheidend, ob neben der Whitelist auch Metriken und Sicherheitsnachweise
stärker standardisiert. Wenn das gelingt, könnten Unternehmen Regulierung nicht
nur „über sich ergehen lassen“, sondern als strukturierten Rahmen nutzen—und
genau dann entstehen neue, sichere Deployment-Patterns in der KI-Entwicklung.
💳
🔥
🎉
* 🤖 Präzisions-Roboterarm – Spielen wie gegen einen echten Gegner – SenseRobot
reproduziert das reale Schacherlebnis mit einem mechanischen Arm, der Figuren
mit weniger als 1 mm Genauigkeit bewegt und jeden Zug in nur 8 Sekunden
ausführt – im gleichen Tempo wie ein professioneller Spieler.
* 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.
* 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.
Bestseller Nr. 1 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 2 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 3 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 4 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 5 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 6 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 7 ᵃ⤻ᶻ «KI Gadgets»
Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des
letzten Tages per eMail - ohne Werbung:
--------------------------------------------------------------------------------

Quelle: www.it-boltwise.de

LONDON (IT BOLTWISE) – Ein kleines KI- namens Lindy hat den Chatbot-Stack
radikal umgestellt und spart laut CEO Millionen, indem es komplett von Claude zu
wechselt. Die Entscheidung soll eine Kostenkurve „abgestürzt“ haben und damit
die KI-Ausgaben wieder in eine tragbare Größenordnung bringen. Gleichzeitig
stellt das Beispiel die Frage, wie schnell sich günstigere Modelle in der Praxis
durchsetzen, wenn Budgets strenger werden. Für Unternehmen bedeutet das: Vendor-
und Kostenmanagement rückt stärker in den Vordergrund als reine Modellleistung.
--------------------------------------------------------------------------------
* 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!
--------------------------------------------------------------------------------
Der Markt für Künstliche Intelligenz steht spürbar unter Budgetdruck – und das
nicht nur auf der Folie, sondern in der täglichen Rechnung eines kleinen Teams.
Wie aus einem Bericht über ein KI- hervorgeht, hat Lindy mit 25 Mitarbeitenden
seine Ausgaben für Modell-Requests drastisch gedrückt, indem es seinen
bisherigen Claude-Stack durch ersetzte. CEO Flo Crivello beschreibt die Wirkung
als „abgestürzt“: Die KI-Kosten seien von einem „nicht tragbaren“ Niveau in eine
Größenordnung gefallen, die sich nicht mehr wie ein Nebenprodukt der
Personalkosten anfühlt.
Technisch ist der Kern der Aussage weniger eine magische Modellformel, sondern
ein Architektur- und Beschaffungsentscheid: Lindy nutzt gehostet von einer
US-Firma in den . Damit spielt neben dem reinen Preis pro auch die
Betriebsrealität eine Rolle – also Latenz, Integrationsaufwand und die
Fähigkeit, den Wechsel ohne komplette Neuimplementierung durchzuziehen. Viele
Teams merken dabei, dass „Modelle austauschen“ nicht beim Frontend endet:
Prompt-Templates, Guardrails, Antwortformate und Monitoring müssen an die neuen
Ausprägungen der Modellfamilie angepasst werden. Genau hier entscheidet sich, ob
Einsparungen auch dauerhaft bleiben.
STELLENANGEBOTE
Der Preishebel trifft auf einen Wettbewerb, der in den letzten Monaten zunehmend
um Kosten-Performance-Relationen geführt wird. Während Anthropic mit Claude in
Unternehmen schnell sichtbar war, hat parallel mit größeren Plattform- und
Modelloptionen investiert, während Branchenbeobachter den Markteintritt und
Timing solcher e als kritisch einordnen. Dazu kommt, dass in der Praxis nicht
nur „Claude vs. “ zählt, sondern die Frage, ob eine Organisation ihre Workloads
flexibel umschichten kann. Lindy setzt hier offenbar auf einen pragmatischen
Ansatz: Crivello stellt in Aussicht, zurückzuwechseln, falls Anthropic die
Preise senkt – ein klares Signal, dass Wettbewerbsfähigkeit zunehmend über
Preisstrukturen statt über Prestige entsteht.
Ein weiterer Kontext stammt aus n führender Technologiekommentatoren: In einer
Auswertung wurde betont, dass günstigere chinesische Modelle wie GLM-5.2 zwar
nicht auf die gleiche Qualitätsstufe wie Claude kommen, aber in bestimmten
Aufgaben mithalten können. Das ist wichtig, weil es Unternehmen eine
realistische Option eröffnet, Leistung zu priorisieren – je nach Use Case. In
der Entscheidungslogik bedeutet das häufig: Für komplexe, risikokritische Fälle
wird ein teureres Top-Modell beibehalten, während Standard-Workflows, interne
Assistenz oder Teile der Texterstellung auf günstigere Modelle verschoben
werden. Lindys „komplett“-Wechsel wirkt wie die harte Variante dieser Strategie
und verdeutlicht, wie stark Kosten heute als Limit wirken.
Unter dem Blickwinkel Enterprise-Security und Compliance verschiebt sich zudem
das Risiko- und Kontrollmodell. Wenn Modelle über US-Infrastruktur gehostet
werden, hängt die - und standortbezogene Bewertung nicht nur vom
Modellhersteller ab, sondern von Transport, Logging und Aufbewahrung.
Unternehmen müssen prüfen, welche Daten in Prompts tatsächlich landen, wie lange
sie in Telemetrie- oder Support-Prozessen gespeichert werden und ob es
technische Mechanismen zur Minimierung sensibler Inhalte gibt. Gerade bei einem
Stack-Wechsel sollten Teams die Security-Richtlinien neu abklopfen: neue
Anbieterpfade, neue Rate-Limits, veränderte Response-Strukturen und
möglicherweise andere -Schnittstellen.
Für die Marktstruktur bedeutet der Fall mehr als eine Anekdote. Wenn selbst ein
25-Personen-Team KI-Ausgaben als „überlebenskritisch“ beschreibt, dann können
größere Unternehmen nicht lange so tun, als sei Kostenmanagement ein
nachgelagerter Optimierungsschritt. Der Wettbewerb zwischen Modellanbietern wird
deshalb wahrscheinlich stärker in Richtung „adaptive Preisgestaltung“ und
„Bündelung mit Infrastruktur“ laufen: SLA-Optionen, Monitoring-Tools und
Governance-Support werden zum Teil des Verkaufs. Gleichzeitig dürften MLOps- und
FinOps-Teams stärker gefordert sein, weil die Kosten pro Use Case sichtbar
gemacht werden müssen – basiert, aber auch mit Blick auf Prompt-Längen, Retries
und Tool-Aufrufe.
Aus technischer Sicht ist die nächste Entwicklung absehbar: Statt monolithischer
„Vendor Lock-ins“ werden mehr Organisationen auf austauschbare
Abstraktionsschichten setzen. Das betrifft Modellschnittstellen, einheitliche
Prompt-Konventionen, standardisierte Output-Contracts und einheitliche
Evaluationsläufe. Genau dann wird ein Wechsel wie bei Lindy skalierbar: nicht
als einmaliger Bruch, sondern als kontinuierlicher Optimierungsprozess entlang
von Qualitätsmetriken und Kostenbudgets. Experten- und Analystenmeinungen deuten
darauf hin, dass die Differenz zwischen Modellfamilien in vielen Alltagsaufgaben
kleiner wird als man im Marketing vermutet – und das beschleunigt die
Bereitschaft, günstigere Optionen in Produktion zu nehmen, sobald Guardrails und
Qualitätschecks stehen.
In der praktischen Roadmap heißt das: Unternehmen sollten kurzfristig ihre
Top-Workloads identifizieren, pro Use Case eine Kostenobergrenze festlegen und
parallel einen Modell-„Swap“ in einer kontrollierten Umgebung testen.
Langfristig entscheidet dann, ob Governance und Datenflüsse so gebaut sind, dass
ein Anbieterwechsel nicht zur Compliance-Baustelle wird. Lindys Beispiel zeigt
jedenfalls, dass KI-Budgets nicht nur steigen, sondern auch härter verhandelt
werden. Wenn es gelingt, Preisvorteile mit akzeptabler Qualität zu koppeln,
könnten günstigere Modelloptionen den Weg aus dem Experimentierstadium in den
Standardbetrieb finden – und damit den Markt spürbar neu ordnen.
💳
🔥
🎉
* 🤖 Präzisions-Roboterarm – Spielen wie gegen einen echten Gegner – SenseRobot
reproduziert das reale Schacherlebnis mit einem mechanischen Arm, der Figuren
mit weniger als 1 mm Genauigkeit bewegt und jeden Zug in nur 8 Sekunden
ausführt – im gleichen Tempo wie ein professioneller Spieler.
* 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.
* 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.
Bestseller Nr. 1 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 2 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 3 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 4 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 5 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 6 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 7 ᵃ⤻ᶻ «KI Gadgets»
Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des
letzten Tages per eMail - ohne Werbung:
--------------------------------------------------------------------------------