Michael: und herzlich willkommen zu einer neuen Folge von Das Gelbe von AI. Ich bin Michael, ihr, sicherlich wisst es, die Geschäftsführer von Rina Sky. Und schön, dass ihr wieder eingeschaltet habt. Die letzten zwei Wochen hatten sich viel getan. Wir waren leider auch viel unterwegs, deshalb mussten wir eine Woche pausieren, aber sind froh, heute wieder dabei zu sein. Ich hoffe, du siehst auch so schon Glück. und guten Mittag. Wir nehmen gerade Mittags auf.

Jean-Luc: Genau, richtig. Moin Michael, hallo liebe Zuhörerinnen und Zuhörer. Auch ich freue mich diese Woche wieder mit am Start zu sein, weil wir mit einer spannenden News-Folge auch wieder paar interessante Themen abdecken. Da hat sich einiges getan und Michael freue mich auch, dass du dabei bist. Du bist in der Nesterzeit sehr, viel unterwegs und deswegen verzeihst uns, wenn das Audio diesmal nicht ganz so perfekt ist und die KI nicht alles rausfiltern kann. Michael, ich glaube, du bist gerade am Flughafen, richtig?

Michael: Ja, genau. Ich bin aktuell in Wien und habe mir ein ruhiges Echtchen geguckt. Ich hoffe, geht einigermaßen.

Jean-Luc: Sehr gut, dann starten wir rein. Wie immer beginnen wir mit der Zahl der Woche und die Zahl der Woche ist dieses Mal die 71,5 Prozent. Denn so groß ist der Anteil der Open-Wayts-Modelle an allen Tokens, die über das AI Gateway von Versel laufen. Also Versel, ein sehr populärer Hosting-Anbieter, jetzt gerade zu den AI Assisted Coding und Vibe Coding Zeiten sehr stark zulauf und Dementsprechend nutzen sehr viele Menschen, vielleicht vorher noch gar nichts mit KI gemacht haben oder gar nichts mit Softwareentwicklung, Versailles für ihr Hosting und beziehen auch dann über Versailles KI-Modelle für ihre KI-Lösung. Mehr als sieben von zehn Tokens kommen also inzwischen aus offenen Modellen. Und spannend ist der zweite Wert dazu, denn beim Umsatz liegt der Anteil nur bei 23 Prozent. Also offene Modelle erledigen Die Masse der Arbeit bekommt aber nur knapp jeden vierten Dollar dann auch tatsächlich zugerechnet. Vercel veröffentlicht diese Zahlen in seinem Production Index für Oktober. Es geht dabei echte Produktionsverkehr, nicht nur einfach typische Benchmarks. Und der Trend ist hier deutlich. Der Ausgabenanteil der offenen Modelle hat sich seit Juni mehr als vierfach. Und die Kunden sind wechselfreudig. Fast jedes dritte Team hat im September sein meistgenutztes KI-Labor gewechselt. Und das ist auch ein Rekord für den Index. Für mich aus der Entwicklerperspektive ist das logisch. Viele Aufgaben in einer Anwendung sind Routine, sowas wie klassifizieren, Zusammenfassung von Informationen, auch kleinere Entscheidungen zu treffen. Und dafür braucht jetzt auch niemand das teuerste Frontier-Modell. Dementsprechend switcht man dann einfach auf ein günstigeres Modell und das sind dann nun mal eben die Openweight Modelle.

Michael: Ja, ich finde vor allem das Geschäftsmodell dahinter spannend. Weil es doch eine wichtige Verschiebung ist. Das Volumen wandert zu den günstigeren Modellen, die Premium-Anbieter erhalten, also eher die anspruchsvollen Aufgaben. Ob da wirklich hohe Marge dahinter steht, ist wieder die andere Frage. Ich glaube, die haben teilweise natürlich auch davon profitiert, einfache Aufgaben mit großen Modellen zu lösen, wo es einfach schnell geht. Warten wir mal ab, was das für einen Markt zu bedeuten hat. Für die großen Labs heißt es aber, sie verdienen nicht mehr mit Masse, sondern eben mit den schwierigsten 10 Prozent der Arbeit. Für Unternehmen ist es eine gute Nachricht, denn wer seine Modelle dann klug auswählt und mischt, der zahlt dann eben deutlich weniger. Also ich glaube, da nimmt auch das Tokenbewusstsein in den Konversationen gerade ziemlich zu, was ja nicht verkehrt ist, sondern der Output, wie man sagt, qualitativ passt. kann man daran ja auch gar nichts bemängeln. Das zeigt aber auch, dass die hohe Wechselrate gerade vor allem was das Thema Loyalität angeht, eigentlich zeigt, dass die meisten Unternehmen gar nicht so eine hohe Loyalität haben. Die brauchen auch, ihr schon sagt, für ihre Routineaufgaben das passende Modell. Welches das ist, ist im Zweifel egal.

Jean-Luc: Das kann nicht so komplett unterschreiben, das Thema Loyalität zu den Modellen. sucht sich, bzw. zu den Modellanbietern ja viel mehr, wie du sagst. Man sucht sich nicht seinen Lieblingsanbieter raus und dort dann das passendste Modell, sondern wechselt auch im Zweifel zwischen den Anbietern. Und ja, die Zahlen zeigen ja, gerade für die vielleicht kleineren Tas oder die vorhersehbaren Tas, bei denen man genau weiß, was das Modell eigentlich machen soll, kann man dann auf die kleinere Modelle oder die günstigere Modelle zugreifen. Das ist auch eine gute Überleitung zu dem Hauptthema für diese Folge, denn ich habe mich in letzter Zeit sowohl für unsere eigenen Softwarelösungen als auch für die Softwarelösungen, die wir bei unseren RinaSky Kunden umsetzen, ziemlich stark mit dem Thema Effizienz und Kostendruck beschäftigt. Und deswegen würde ich da gerne mal bisschen tiefer eintauchen heute. Unter dem Stichwort Effizienz statt Masse wollen wir uns jetzt gleich mal angucken, wie dann KI-Agenten bezahlbar werden. Wir haben eine kleine Kerntese rausgearbeitet dafür, die sich sowohl bei uns in der Arbeit zeigt, aber auch tatsächlich mittlerweile mehr und mehr in den Medien lesen lässt. Denn bei KI-Agenten entscheidet immer seltener das stärkste Modell, sondern wer die Arbeit am klügsten verteilt. Und der Wert wandert somit vom Modell eigentlich rein in die Steuerung der Modelle, beziehungsweise der Agenten oder der einzelnen Tools, die dann die Arbeit übernehmen. Mehr Agenten bedeuten nämlich mehr Kosten, aber nicht mehr Qualitätszwangsläufig. Der Anbieter VALS AI testet Teams gegen Einzelagenten. Auf dem VibeCode Bench, das ist ein Benchmark, den Sie auf Ihrer Webseite veröffentlichen, der die Entwicklung kompletter Webanwendungen misst, liefen GPT-6 Sol von OpenAI und von Entropic Claude Opus 5.5 jeweils allein und im Team. mittleren und maximalen Reasoningaufwand. Teams kosten das 1,8 bis 5,1 fache, also schon sehr sehr viel. Jede Übergabe zwischen Agenten verbraucht hier Tokens für die Abstimmung, Zusammenfassung und auch die gegenseitige Prüfung der Ergebnisse. Die Qualität steigt meist nicht messbar, wurde dort herausgefunden, das können wir auch so unterschreiben aus unserer täglichen Arbeit. Nur bei Sol Mit mittleren Aufwand gab es einen statistisch signifikanten Vorteil. Mehr Denkzeit für einen einzelnen Agenten brachte oft ähnlich viel für deutlich weniger Geld. Entrophic bestätigt das Muster in der Praxis. den Dynamic Workflows schreibt Claude selbst das Programm, das mehrere Agenten steuert. In einer Demo zu Aktienanalysen fanden die Agenten mehr Details, kosten aber deutlich mehr als ein einzelner Agent. Das Budget bleibt für den Agenten unsichtbar. Also Entwickler können ein Ausgabenlimit pro Session setzen. Das laufende Modell kennt dieses Limit aber nicht und kann nicht danach planen und vorgehen. Der Engpass ist hier eher die Koordination, nicht die Rechenleistung. Schon 1975 beschrieb nämlich Fred Brooks, dass zusätzliche Entwickler ein verspätetes Projekt eher weiter verzögern. Bei Agenten wiederholt sich nun dieses Muster. Also das, was wir schon bei Menschen gesehen haben, sehen wir jetzt auch sozusagen in der Software. Der Kot ist billig geworden, teuer bleiben, entscheiden, prüfen und abstimmen. Letztendlich das, eigentlich ein Mensch bisher häufig gemacht hat mit dem typischen human in the loop Ansatz und jetzt immer mehr versucht wird, auf die Agenten abzugeben. Und das kostet natürlich auch Token.

Michael: Ja, sehr spannend. Würdest du sagen, dass die meisten Unternehmen mit den falschen Kennzahlen rechnen?

Jean-Luc: Eigentlich oft ja, würde ich sagen. Viele Business Cases rechnen mit dem Preis pro Token oder pro Aufruf. Klar, ist das, was die Anbieter kommunizieren. Deswegen ist es einfach, das zu übernehmen. Entscheidend sind aber die Kosten pro korrekt erledigte Aufgabe. Denn das ist ja das, was eigentlich bei mir die Wertsteigerung auslöst. Also inklusive viel Versuchen und menschlicher Nacharbeit. Ein Team, das jetzt dreimal so viel kostet und nicht häufiger richtig liegt in dieser agentischen Lösung. Es verdreifacht einfach nur die Stückkosten. Und solange das Modell sein Budget nicht kennt, denn das wird nicht weitergereicht in den Sessions normalerweise und dementsprechend, wie ich gerade sagte, auch nicht danach geplant, gehört die Kostengrenze ins System selbst. Und Kostenkontrolle wird Teil der Architektur, dann nicht nur der Buchhaltung.

Michael: Wann lohnen sich Agententeams trotzdem?

Jean-Luc: Bei Aufgaben, die in die Breite gehen und sich gut aufteilen lassen, also etwa Recherchen über viele Quellen oder Dateien hinweg oder auch parallele Marktanalysen, bei denen man beispielsweise im Internet dann viel recherchiert. Entropics Demo fand genau dort mehr Details. Der Wahltest misst Softwareentwicklung, keine Recherche. Also hier geht es tatsächlich dann darum, Software zu entwickeln, nicht Aufgaben wie Recherche, Aufgaben oder großartige Nachdenken dann zu erledigen. wenn wir jetzt so ein Versuch, Vergleich zu machen, wo sehen wir das als Analogie in der realen Welt, wenn man sich die Notaufnahme vorstellt, im Bild der Notaufnahme, dass wir vielleicht auch später noch mal so bisschen fortführen können durch dieses Thema, da könnte man sagen, bei einem Großschadensfall, da ruft man auch mehrere Ärzte, für einen gebrochenen Arm tut man das nicht. Also Teams sind ein Werkzeug für die Breite, nicht für die Tiefe. Denn ich brauche bei einem Großunfall auf der Autobahn mehrere Ärzte oder Sanitäter, die die Versorgung machen. Wenn ich jetzt nur einen Fall habe, wie einen gebrochenen Arm, dann würde ich im Krankenhaus auch nicht fünf Ärzte brauchen, die mich rumstehen. Da stehen die sich dann selber nur im Weg. lasst uns im Thema ein bisschen tiefer einsteigen, nämlich zu den Decision Models. Denn wenn die Agenten miteinander sprechen in der sogenannten Triage, dann müssen sie Entscheidungen treffen. Und eine neue Modellklasse übernimmt nun diese kleinen Entscheidungen. Das sind die Decision Models, die beantworten Ja-Nein-Fragen. Sie klassifizieren, sie priorisieren oder prüfen auch, ob ein Arbeitsschritt erledigt ist. Lange Texte schreiben sie nicht. Das heißt, sie geben keinen Prosa-Text aus, sondern eher kurze Rückmeldungen. Microsoft setzt auf ein kleines Spezialmodell, das nennt sich Microsoft Decision One. Und das basiert laut Berichten auf einem Modell mit neun Milliarden Parametern. Und es kostet 0,042 Dollar, also 4,2 Cent pro Million Eingabetokens. Und die Ausgabe ist kostenlos. Das ist ein Phänomen, was wir jetzt bei diesen Decision Models sehr häufig sehen. Eingabetokens kosten, Ausgabetokens nicht. Warum? Weil die Ausgaben sind meist nur ein Ja, Nein, True, False, Null oder Eins oder ähnliches und dementsprechend nicht der Rede wert. Der Wettbewerb ist hier breit. Also es gibt auch andere Anbieter wie zum Beispiel Cloudfair hat Clef rausgebracht, Perplexity hat das PPLX Decider Modell rausgebracht. Von Liquid AI gibt es das D1 Ultra und von TypeSafe das bekannte und auch schon in letzten Folge besprochene Jeff, mittlerweile in der Version 1.1.4. dass alles in nur zwei Wochen sehr viel sehr ähnliche Modelle, daraus gekommen sind. Auf der anderen Seite muss man aber sagen, der Preisabstand ist enorm. Also das ClefFlash, das kostet 3,8 US-Cent pro Million Eingabetokens und das GPT 6,1 Zoll im Ultrafast Modus. Das kostet 12 Dollar, also einen riesigen Unterschied von fast 4 Cent zu 12 Dollar. Und das ist ein Faktor, wenn man das mal umrechnet, von 300. Erste Messungen zeigen hier Einsparungen. In einem Test sanken die Aufrufe eines Agenten 29,6 Prozent, die API-Kosten 26,6 Prozent und die Latenz 19,7 Prozent. Einschränken gibt es aber auch. Es handelt sich einen einzelnen Community-Test, den man hier online finden kann, mit 360 Fällen, nicht eine unabhängige Studie. Router werden zum neuen Baustein, könnte man auch sagen. Das ergibt sich jetzt aus diesen Decision Models, denn sie verteilen Anfragen automatisch an das passende Modell. Investor Gavin Baker erwartet hierzu, dass offene Spezialmodelle und Frontiersysteme künftig hinter solchen Routern dann zusammenarbeiten. Router kennt ihr vielleicht auch aus unseren Lösungen, wo wir dann je nach Anfrage immer das passendste Modell raussuchen. Und genau solche Decision Models sind dann auch die Modelle, die dort im Hintergrund zu laufen.

Michael: Kannst du uns das Prinzip dahinter vielleicht noch mal einfacher erklären? weiß nicht, ob alle Hörerinnen und das gerade schon verstanden haben, dass da Unterschied ist.

Jean-Luc: Ja, machen es am besten. Bleiben wir bei der Notaufnahme Arztthematik. Dort entscheidet jetzt eine Triage-Fliege-Kraft, wenn man so möchte, Sekunden. wer sofort zum Chefarzt muss und wer auch noch warten kann, wer vielleicht bei Notarzt war. Ich leider in letzter Zeit etwas häufiger durch meine Kids bedingt bei Notarzt oder im Krankenhaus. Und da werden genau diese Entscheidungen getroffen. Akute Schmerzen, Blut, Übelkeit, Schwindel. Dann geht es direkt zum Arzt. man keine Schmerzen hat, dann muss man erst mal warten. Also niemand würde den Chefarzt jetzt jeden Patienten am Empfang begrüßen lassen. Das macht keinen Sinn. Also quasi mit Kanonen auf Spatzen oder mit den teuren Modellen jeden Anwendungsfall bedienen. Und Decision Models sind nun genau diese Triage. Die Frontier-Modelle sind der Chefarzt, dieses Beispiel. Bisher haben viele Agenten den Chefarzt auch für die Anmeldung eingesetzt. Überhaupt nicht unterschieden im Grunde genommen. Und mancher dieser Modelle vergeben sogar eine Art Dringlichkeitsstufe in Form eines Konfidenzwertes dann bei der Zuteilung. Ein Mensch prüft dann gezielt die unsicheren Fälle statt stichprobenartig alles zu testen, also auch hier immer noch die Möglichkeit des Human in the Loops gegeben.

Michael: Was heißt das für die Margen?

Jean-Luc: Ja, der Druck steigt, ich sagen. Also eine neue Rechnung aus den Versell-Zahlen aus der Zahl der Woche. zeigen ja ganz eindeutig, geschlossene Modelle sind dort pro Token im Schnitt rund achtmal so teuer wie offene. Auch wenn das jetzt eher so eine Mischkalkulation ist. Aber im Grunde genommen ist es so, jeder Router, der Routine zu günstigen Modellen schiebt, der nimmt den Labs das Volumen. mit jedem Router-Modell, gerade auch wenn die nachher dann Open-weight sind und selber zu betreiben sind oder sehr günstig zu betreiben sind, dann brauche ich nicht mehr die Anfrage an die großen Modelle machen oder habe halt diese Routerschranke davor. Und die Gegenbewegung gibt es ja auch schon. Also Entropix Hi-Co 5.5 kostet 10 US-Dollar Cent pro Million Eingabetokens und die Labs geben selbst in den Preiskeller immer weiter nach unten, das Volumen trotzdem noch halten zu können. Ja, vielleicht auch hier noch mal ein kurzer Blick über den Tellerrand. Bei Gemini gibt es auch einen Agenten. Google will jetzt die Notaufnahme betreiben, wenn man in der Analogie bleiben möchte. Google stellt nämlich einen universellen Agenten vor, der Gemini Agent, und der übernimmt jetzt die Wissensarbeit, auch die Medienerstellung, Coding und mehrstufe der Abläufe in Workspaces und anderen Unternehmenstools. Es steuert andere Agenten, ähnlich jetzt wie die Router-Thematik wird hier auch die Steuerung dann übernommen. Unternehmen können jetzt Sub-Agents mit eigener Identität und mehrstufigen Gedächtnis anlegen und Google öffnet ihn jetzt für die Konkurrenz. Also neben Gemini lassen sich Claude und auch ein Trapwake bzw. auch offene Modelle einbinden und dazu auch beliebige MCP-Server undocking. Kostenkontrolle ist auch hier eingebaut. Thema, was ich vorhin bemängelt habe, also es gibt eine Agent Sandbox, eine Agent Gateway. Es gibt Ausgabenlimits, die durchgeschleust werden und die Agenten beim Erreichen des Budgets dann auch anhalten. Google investiert dafür massiv. Laut Sundar Pichai verzichtet Google auf kurzfristigen Cloud-Umsatz, Rechenleistungen in diese Modellentwicklung dann reinzustecken.

Michael: Ja, sehr spannend. Warum lässt Google plötzlich Konkurrenzwunder dazu? Was meinst du?

Jean-Luc: Ja, das ist eine super spannende Frage tatsächlich, weil das sehen wir so super selten eigentlich bei den großen eigenen Inferenzanbietern. Letztendlich hat Google erkannt, dass der Wert bei dem liegt, der die Arbeit verteilt. Auch hier wieder Analogie zur Notaufnahme. Wer die Klinik betreibt, der entscheidet jetzt, welcher Facharzt zu welchem Patienten kommt. Und die Fachärzte werden austauschbar. Also der Betreiber behält jetzt hier die Patientenakte in der Hand, die Abrechnung macht er selber und auch die Beziehung zum Patientenpflegter. Und das kennen wir auch von zum Beispiel Hotelportalen, über die ein Teil der Marge vom Hotel zur Plattform gewandert ist. Die Grenze des Bildes hier im Grunde genommen. Unternehmen können den Betreiber wechseln, Gedächtnis Workflows und auch die Integration machen diesen Wechsel aber mit jedem Monat teurer, weil die Wechselhürden einfach steigen.

Michael: Und wer wird die Klinik dann am Ende betreiben? Und was heißt das für zum Beispiel Mittelständler?

Jean-Luc: Ja, Gesetzes-Google hier auf jeden Fall nicht. Also Microsoft mit Foundry, OpenAI mit GCPT Work und auch Entropic mit den Managed Agents bauen dieselben Steuerungsebenen gerade. Und das entscheidende Signal ist nicht die nächste

Michael: Dann können uns noch mal bisschen

Jean-Luc: Demo, die gezeigt wird, sondern wer zuerst viele produktive Workflows in Unternehmen hält und verlängert und damit quasi den Fuß in der Tür hat. Für Mittelständler würde ich sagen, senkt ein fertiger

Michael: Das war's heute.

Jean-Luc: Orchestrator die Einstiegshürden. Also je einfacher der Einstieg ist, desto einfacher komme ich ins Thema rein. Und vor dem Start sollte aber vertraglich geklärt sein, wie Gedächtnis, auch Workflows und Protokolle dann wieder exportiert werden können. Unsere Empfehlung ist ja immer, möglichst modular zu denken, unabhängig zu platen, damit man auch diesen Durchtausch von Anbietern, Modellen, Routern, ETC gut durchführen kann. Ja, last but not least vielleicht ein kleiner Blick auf das ganze Thema Inferenz und den Preiskampf dazu. DeepSeek nennt beeindruckende Betriebszahlen. Ein Cluster soll täglich 155 Millionen Tokens verarbeiten und 38 Dollar Umsatz pro GPU-Stunde erzielen bei DeepSeek. gibt aber auch eine Einschränkung. Die Angabe, die stammt aus einem chinesischen Fachbeitrag, ist also nicht unabhängig geprüft und die Größe eines Clusters ist hier auch nicht definiert worden. Deepseek veröffentlicht sein Inferenz-Framework, das nennt sich Deep Infer, und es läuft auf NVIDIA GPUs und auf Huawei's S-Hand 950 Chips. Und damit wird chinesische KI ein Stück unabhängiger von NVIDIA. Effizienz kommt aus der Architektur, denn Deepseeks V4.1 Flash, also das neueste Modell, braucht nur noch rund ein Achte des Zwischenspeichers seines Vorgängers. Und weniger Speicher pro Anfrage heißt mehr Anfragen, dann pro Chip auch verarbeitet werden können. Deepseek ist hier nicht alleine, also andere Anbieter ziehen auch mit. Minimax M3.1 Flash ist fast dreimal so schnell und senkt die Nutzungskosten 70 Prozent. Und Mercury 3 von Inception Labs. Das schafft laut Hersteller über 1000 Tokens pro Sekunde und schlägt damit sogar GPT-6 Luna und Claude Heiko 555, also die kleineren Modelle der großen Anbieter in mehreren Benchmarks.

Michael: Ist der Preisverfall dauerhaft oder was bleibt im westlichen Labs?

Jean-Luc: Ich würde sagen, überwiegend ist der schon dauerhaft. Die Einsparungen kommen ja aus den Speicher der Architektur und Software, also nicht nur aus den Rapatten, die hier eingeräumt werden. Ich könnte auch eine Gegenthese aufstellen. Ein Teil könnte subventioniert sein, auch Markenanteile zu gewinnen. Das ist sicherlich aktuell immer noch der Fall. Mein Lieblingsvergleich ist sowas wie Car Sharing, E-Scooter Sharing. Auch da ging es erstmal immer darum, viele Marktanteile zu gewinnen und dann später den Winner takes it all Markt und da sind wir noch weit von entfernt. Deep Bei Standardaufgaben geraten westliche Labster mit weiterhin Unterdruck. Ihm bleibt jetzt der Schutzwall, der nichts mit Technik zu tun hat, nämlich Compliance, denn da sieht es ja mit den chinesischen Anbietern noch schwieriger aus. europäische Unternehmen setzen chinesische Modelle aus Datenschutz und auch aus Sicherheitsgründen nicht ein. Open-weight-Modelle lösen das nur, wenn man sie selbst betreibt und damit geht im Grunde genommen der Umsatz an den Entwicklern dieser Open-weight-Modelle vorbei.

Michael: Was sollten Unternehmen jetzt tun?

Jean-Luc: Im Grunde genommen sollten Sie Ihre eigene Notaufnahme organisieren und das am besten in drei Schritten. Also erstens eine Triage einführen, Aufgaben nach Schwierigkeit zu sortieren, bevor die Aufgabe direkt abgearbeitet wird. Also die Entscheidung Chefarzt oder dann vielleicht doch nur jemand, einen Pflaster auf eine kleine Wunde kleben kann. Zweitens dann die Kosten pro erledigten Vorgang messen, nicht pro Token, denn es geht hier darum Mehrwert zu generieren und nicht einfach nur die Kostenkontrolle. Und drittens die Architektur modellunabhängig zu bauen, also damit man Fachärzte austauschen kann, wenn die Preise fallen. Ob es wirkt, das zeigt eine einfache Kennzahl. Sinkt eine Stückkosten bei gleicher Fehlerquote. Michael, genug zum Thema Kosteneffizienz und Agenten. Wie sieht es denn bei den Blickplayern aus? Was hat sich da in den letzten Tagen getan?

Michael: Ja, natürlich auch wieder jede Menge. Fangen wir mal mit OpenAI an. Dann fangen wir mit GPT-6 mit interaktiven Antworten für alle. Wie ich finde, sehr spannende News. Zwar rollt OpenAI, GPT-6 und alle Nutzer aus. Bezahlte Tarife bekommen jetzt GPT-6 Sol, Free and Go, GPT-6 Luna. Damit erreicht das Update rund 1,2 Millionen Jahren GPT-Nutzer. Also wirklich alle können jetzt GPT-6 einsetzen. Die Antworten dadurch interaktiv auch. Die neue Intelligent UI baut Grafiken und kleine Werkzeuge direkt in die Antwort. Das ein Rechner zum aufteilen einer Kastrohaurechnung. Und auch die Antworten kommen schneller. Bei Fragen mit Websuche sinkt die Wartezeit bis zum Antwortbeginn laut. 44 %

Jean-Luc: Interessantes Thema, diese Intelligent UI. Da dreht sich vielleicht für den einen oder anderen Entwickler der Magen Aber innerhalb des Chatverlaufs sicherlich sinnvoll, würde man sagen, Intelligent UI ersetzt jetzt klassische Apps.

Michael: Ja, für kleine Aufgaben schon. Anderdings, wer die Aufgabe beschreibt, das Werkzeug halt gleich mit. Das ist einerseits praktisch, andererseits immer die Frage, ob man das will, für Software- Serviceanbieter mit einfachem Tool ist das hier eine echte Bedrohung. Alle eben solche kleineren Applikationen und ansonsten eben auf Webseiten, die plötzlich direkt in Chatchabit funktionieren. Kommen wir zum nächsten Thema. Entropic Rekordumsatz und Kurs auf dem Börsengang. Entropic wächst kräftig. Das haben wir hier auch schon häufiger gehört. Auf Financial Times und Reuters lag der Umsatz im dritten Quartal bei rund 16,8 Milliarden Dollar. Das war 45 Prozent mehr als im fortgarten. Das Unternehmen soll bereinigt profitabel sein. Börsengang rückt damit auch immer näher. Das könnte schon im November kommen. Das Gespräch ist eine Bewertung von rund 2 Billionen Dollar. Die Rechenkosten wachsen ebenfalls mit. Parallel fahren wir to and fro mit Endscale über einen weiteren Compute Deal über 45 Milliarden Dollar.

Jean-Luc: ist eine Bewertung von 2 Billionen USD gerechtfertigt?

Michael: Ja, da haben wir ja auch schon häufiger darüber diskutiert. Ich glaube, da kann man nur gespaltene Meinung sein. Das Wachstum ist stark, aber die Rechenkosten steigen halt mit, wie wir gerade auch gehört haben. Die Bewertung setzt voraus, dass Entropic das Enterprise-Geschäft dauerhaft dominierte. Und wie wir halt vorhin in den News auch gehört haben, ob das wirklich so kommt, muss man schauen. Also die Loyalität ist eben nicht so stark bei dem Unternehmen. Kommen wir zu Google. Die haben mit Gemini 4 Argon auch was Neues auf den Ort gebracht. neue Spitzenmodell Gemini 4 Argon. Steht abonniert von AI Pro und AI Ultra, eine Gemini App zur Verfügung. Unternehmen bekommen es über Google Cloud. positioniert Argon für lange mehrstufige Aufgaben mit Softwareentwicklung, Finanzenrecht und Cybersicherheit. Die API-Preise sind ziemlich aggressiv. Die Entwickler zahlen zwei Dollar pro Million Eingabetotens und 10 Dollar pro Million Ausgabetotens. Machen wir gleich weiter mit Meta. Meta hat sich zurückgemeldet im Spitzenfeld mit Muse Wonder. Und zwar veröffentlicht Meta seine erste Frontier-Modelle Muse Wonder. Muse Wonder Full. Wrigley Ranking auf Platz 3 und Platz 5 nur hinter Clode, Opus 5.5 und Summit 5.5. aktives Gedächtnis ist dort erkannt. Die Rundände merken sich Informationen aus früheren Gesprächen und nutzen sie gezielt. Die Muse-App wächst ziemlich schnell. Sie erreichte 10,2 Millionen US-Downloads in 40 Tagen.

Jean-Luc: Jeder versucht jetzt hier irgendwie eine Besonderheit rauszubringen, würde sagen, dieses Gedächtnis ist jetzt der neue Login.

Michael: Ich denke schon, ja. Ich kann das auch aus eigener Erfahrung sagen. mal länger in den Tools arbeitet und dort schon gewisses Kontext, wenn es da oft gebaut hat, ist es immer sehr, schwierig, das umzuziehen. Da sehe ich durchaus einen Log-in-Effekt. Ob man jetzt dieses Gedächtnis so unbedingt haben will, aus Datenschutzgrund ist wiederum das andere Thema. Aber grundsätzlich wäre seine Vorliebe und Projekte eben bei einem Assistenten unterlegt, der wechselt schon. ungern, wenn er diese Vorteile verliert. Das heißt, widerspricht sich das mit dem, was wir vorhin diskutiert haben, nicht wirklich. Unternehmen haben, glaube ich, keine Loyalität, aber durch so ein Gedächtnis kann man bei Nutzern zumindest Loyalität aufbauen und das hat vielleicht dann doch für das Unternehmen wieder Effekte, das Nutzer sich einfach weigern, umzuziehen in das Unternehmen und dann der Wechsel. XRI hat auch Neuigkeiten. zwar, ähnlich wie Google, öffnet sich Croc auch für fremde Modelle. Crocbot nutzt künftig Konkurrenzmodelle. Laut Elon Musk integriert der Assistent CrocOpus 5.5 mit Journey und Synop. SpaceX SI bauten Abobuseln, der X-Subscription kombiniert Xpremium, Croc und den Coding Editor Cursor.

Jean-Luc: Ja, würdest du sagen XRI gibt jetzt das Modellrennen auf?

Michael: Eher nicht, der XAI setzt aber auf Distribution statt nur auf eigene Modelle. Das zeigt eben auch, wie es diskutiert haben, wie Austauschbau an den Modellen werden können. Last but not least von den Big Player Apple. Homeview kommt aber nicht nach Deutschland. Das ist die schlechte Nachricht für alle deutschen Hörer von uns. denke fast alle, ist ja auch ein deutschsprachiger Podcast. Apple stellt einen Bildschirm fürs Zuhause vor. HomeView mit 7 Zoll kostet in USA 299 Dollar und erkennt bis zu 6 Haushaltsmitglieder. Die Dachregion fehlt allerdings, weil Siri AI in der EU nicht verfügbar ist. Funktioniert das halt leider hier auch nicht. Dementsprechend kommt HomeView vorerst erstmal nicht nach Deutschland, Österreich und die Schweiz.

Jean-Luc: Ja, wobei, wir uns unsere Podcast Analytics anschauen, dann haben wir auch vereinzelt höhere Außerhalb von Deutschland. Ich würde mal sagen, so ein paar Experts, die doch noch deutsche Stimmen hören möchten, zum Beispiel aus Thailand und Co. Grüße an euch. Meldet euch gern mal, falls ihr euch Homeview gönnt, was uns vergönnt bleibt, dann sind wir gespannt auf eure Erfahrungsberichte. Michael Wützeln sagen, Europa wird jetzt hier abgehängt bei dieser KI-Hardware.

Michael: Es ist schwer anzuschätzen, aber man hört immer mehr, dass es eine Einschränkung gibt. Manche Dinge aus AI-Act und Datenschutzbunden eben nicht in Europa starten. Ob das gut oder schlecht für den Nutzer ist, sich zeigen. In Fall von HomeView sehe ich jetzt unbedingt ein riesen Killerfeature, das wir hier verpassen. Entwicklung ist zumindest so, dass wir nicht mehr alles testen können. Ich glaube, macht manche Dinge vielleicht auch einfach begehrt.

Jean-Luc: Ich bin sehr gespannt. Als jemand, sehr viele Smart Home-Devices und diese ganzen Alexa und Google Homes zu Hause rumstehen hat, könnte ich mir vorstellen, dass jetzt so die zweite Welle und der zweite Versuch kommt, die Devices in die Haushalte zu bringen und entsprechend auch dann die KI-Nutzung zu steigern. Vielen Dank für die Big Player Updates. Lass uns doch noch einen letzten Blick auf unsere Quick News werfen. Ich habe auch eine Quick News von einem Big Player mitgebracht. Da habe ich sehr stark mit mir gerungen, ob das nicht auch die Zahl der Woche werden könnte. Deswegen ist bei mir in die Quick News reingerutscht. Und zwar geht es Entropic, denn die stellen kaum noch Berufseinsteiger vor. Entropic hat nämlich jetzt kürzlich Zahlen zur eigenen Belegschaft veröffentlicht und eine davon, die hat mich jetzt wirklich beschäftigt. Denn der Anteil der Berufseinsteiger an den technischen Neueinstellungen ist von 27 Prozent auf 9 Prozent gefallen. Und das schon seit Anfang 2025. Die Mitarbeitenden berichten von deutlichen Produktivitätsgewinn durch Claude. Gleichzeitig verschiebt sich die Arbeit. Es geht weniger darum, selber zu schreiben, sondern mehr die Agenten zu überwachen und Aufgaben zu delegieren. Dafür braucht man scheinbar erfahrenere Entwickler als die Junior-Entwickler. Menschliche Aufmerksamkeit wird damit quasi zum Engpass der Cloud Code. Das Claude-Code-Team hat deshalb seinen Code-Review fast komplett automatisiert und Menschen greifen erst bei höherem Risiko tatsächlich noch ein. Für mich ist das ein kleines Warnsignal, denn wenn Einsteiger keine Jobs mehr finden und das Thema hatten wir schon häufiger hier im Podcast, dann fehlen uns in fünf Jahren die erfahrenen Leute, die Agenten überhaupt sinnvoll steuern können.

Michael: Mit den schlechten Nachrichten kann ich diesmal auch mit aufwarten. Zwar kriegen wir es nur zwei heute. Frauen bekommen seltener KI-Schulungen. Studie vom Sean Stein Center der Harvard Kennedy School befragte mehr als 5.400 Erwachsenen in den USA. Dabei hat sich gezeigt, 64 Prozent der berufstätigen Frauen haben am Arbeitsplatz keine KI-Schule bekommen. Bei Männern sind es 49 Prozent. Man sieht, wirklich durchdrungen ist die KI-Schule ohnehin nicht. Aber man sieht ganz deutliche Unterschiede zwischen Mann und Frau. Ne, für Unternehmen ist doch eine klare KI-Kompetenz. steht nicht von selbst. Wer Schulungen im Zufall überlässt, der verschenkt Produktivität.

Jean-Luc: Kommen wir zur letzten Quick News, nämlich die gratis Handwerker, die gegen Trainingsdaten eingetauscht werden. Und damit möchte ich abschließen mit einer Geschichte, zeigt, wie hungrig Robotik nach Daten ist. Das KI Labor Human, geschrieben HUMXN, betr... zahlt in Minneapolis, Chicago und Miami Reparaturen im Haushalt. Also Klempner, Elektrik, Heizung und sogar Teppichreinigung. Der Haken, die Handwerker, tragen dabei Kameras. Sie zeichnen ihre Arbeit in echten Wohnungen auf und diese Aufnahmen trainieren später Roboter. Das Geschäftsmodell ist eigentlich clever, denn der Kunde bekommt eine Leistung, das Unternehmen bekommt die Daten, die es sonst nirgendswo gibt. Und gleichzeitig stellt sich die Frage nach dem Datenschutz, wer will schon, dass die eigene Küche zum Trainingsmaterial wird? In Europa wäre so ein Modell glaube ich deutlich schwieriger umzusetzen.

Michael: Das waren unsere Quick News von Jobs für Einsteiger bis zu Kameras und Heizungscanner. KI verändert Arbeit gerade auf allen Ebenen. Wenn euch die Folge gefallen hat, bewertet uns gerne und abonniert das Geld von heute.

Jean-Luc: Danke auch von meiner Seite fürs Zuhören. Ich muss mich nächste Woche leider ausklinken, deswegen müssen wir auch da noch einmal aussetzen. Da habe ich ein paar private Termine und dann hören wir uns aber die Woche drauf wieder mit einer spannenden News-Folge. Bis dahin, macht es gut, danke fürs Reinhören.