7 min read · 16 sources

OpenAI schreibt im Hintergrund neu, wie Enterprise-KI abgerechnet wird. Das Unternehmen hat begonnen, einer begrenzten Zahl seiner größten Kunden zu erlauben, nur dann zu zahlen, wenn seine KI einen Auftrag tatsächlich abschließt - ergebnisbasierte Abrechnung statt tokenbasierter. Konditionen, Kunden und Preise sind nicht bekannt, die Richtung aber ist klar: gescheiterte Versuche kosten kein Geld mehr. Das ist die direkte Umkehrung der verbrauchsbasierten Abrechnung, bei der eine fehlgeschlagene Aktion trotzdem berechnet wird. Intercom verlangt bereits 0,99 US-Dollar pro gelöstem Gespräch, Zendesk berechnet “Verified Resolutions” ab. OpenAI folgt diesem Muster nun an der Spitze.

Der Wechsel ist relevant, weil er verändert, was “Wert” in der KI-Beschaffung bedeutet. Tokenbasierte Preise erschweren die Buchhaltung - bezahlt wird für Versuche, nicht für Ergebnisse. Ergebnisbasierte Preise zwingen den Anbieter, die Kosten für Fehlschläge zu tragen. Für Ingenieure bedeutet das: das ökonomische Risiko eines unzuverlässigen Agenten wandert vom Kunden zum Anbieter. Es ist zu erwarten, dass weitere Labs diesen Hebel als Wettbewerbsvorteil nutzen, insbesondere da Enterprise-Einkäufer sich auf ein oder zwei benannte Anbieter standardisieren.

Die Werbeumsatzrate von OpenAI in Höhe von 1 Milliarde US-Dollar wurde weniger als 200 Tage nach dem Start erreicht und signalisiert eine schnelle Monetarisierung der eigenen Konsumentenbasis.

Solaris erzeugt interaktive Interfaces Bild für Bild

Source: runway.com ↗

Runway hat Solaris vorgestellt, ein Interface World Model, das Echtzeit-Interfaces Bild für Bild erzeugt, während Nutzer mit ihm interagieren. Solaris verarbeitet Rendering und Interaktion gemeinsam - jeder Frame und jede Reaktion auf Nutzereingaben wird ohne eine Zwischendarstellung wie Code erzeugt. Damit entfällt die klassische Pipeline aus Design → Code → Render.

Die Implikationen sind weitreichend. Websites, Apps und andere Online-Interfaces lassen sich durch eine Beschreibung dessen erstellen, was man möchte, statt durch das Schreiben von Markup. Solaris kann außerdem Agenten in deutlich dynamischeren Umgebungen trainieren als in statischen, codebasierten Interfaces. Für Entwickler bedeutet das ein neues Paradigma: das Interface ist kein festes Artefakt mehr, sondern eine Live-Ausgabe des Modells. Der Kompromiss liegt in der Kontrolle - das Modell muss bei jedem Frame konsistente und korrekte Interaktionen liefern.

OpenClaw 2.0 erscheint nach 16.000 Pull Requests

Source: openclaw.ai ↗

OpenClaw hat Version 2.0 veröffentlicht, das bisher größte Update. Der Aufwand begann als Vereinfachung der Installation und Neuaufbau des Browser-Erlebnisses und wuchs sich dann zu einer umfassenderen Überarbeitung aus. Das Release bündelt über 16.000 Pull Requests quer über Memory, Skills, Modelle, Automatisierungen, Apps, Plugins und Security hinweg.

Dieser Umfang - rund 50 % aller jemals ins Projekt gemergten Pull Requests - brauchte knapp zwei Monate zur Stabilisierung. Herausgekommen ist ein umfassender Umbau des Agent-Frameworks mit dem Ziel, schneller einen brauchbaren Agenten zum Laufen zu bringen und den Zugang zu erleichtern. Für Teams, die bereits auf OpenClaw setzen, ist das ein großer Sprung; für Neueinsteiger senkt der vereinfachte Installationspfad die Einstiegshürde.

Googles TimesFM-3 liefert Zero-Shot Multivariate Forecasting

Source: research.google ↗

Google Research hat TimesFM-3 veröffentlicht, ein 330M-Parameter-Zeitreihen-Foundation-Model, vortrainiert auf über 1 Billion Zeitpunkten. Die zentrale Neuerung: Zero-Shot-Forecasting über mehrere Zielgrößen hinweg, mit Unterstützung für historische und bekannte zukünftige Kovariablen - ohne taskspezifisches Fine-Tuning. Frühere TimesFM-Versionen waren auf univariate Forecasting beschränkt.

Das ist ein deutliches Upgrade für Bereiche wie Retail, Finanzwesen und Monitoring, in denen mehrere korrelierte Zeitreihen gemeinsam vorhergesagt werden müssen. Das Modell lässt sich nun direkt auf mehrere zusammenhängende Zeitreihen ansetzen und liefert ohne weiteres Zutun gemeinsame Forecasts. Der Kompromiss ist der übliche bei Foundation Models: man tauscht Kontrolle durch Fine-Tuning gegen Bequemlichkeit. Für Teams, die schnelle, akkurate multivariate Forecasts ohne eigene Modelle benötigen, ist das allerdings ein starkes Default-Modell.

Ein portables Dateiformat für Agent-Memory

Source: calpaterson.com ↗

Cal Paterson schlägt “memoryfields” vor, ein portables Dateiformat für Agent-Memory. Die Idee: Memory wird als Zip-Datei mit Markdown-Dateien gespeichert, optionaler YAML-Metadaten und einem SQLite-Vektorindex. Damit wird Memory zu inspizierbaren Daten statt zu einer proprietären Retrieval-Pipeline oder einem komplexen Stack aus pgvector und Neo4j.

Das Argument: bestehende Memory-Systeme sind entweder an eine bestimmte Laufzeit gebunden oder entziehen Informationen ihren Kontext. Memoryfields hält alles in einfachen Dateien, die sich lesen, editieren und versionieren lassen. Für Ingenieure heißt das: das Debuggen des Memorys eines Agenten wird so einfach wie das Öffnen einer Markdown-Datei. Es ist eine deutlich einfachere Alternative zu den schwergewichtigen Vektor-Store-Ansätzen, die derzeit den Raum dominieren.

diffium-db zeigt Live-Diffs dessen, was Agenten mit der Datenbank anstellen

Source: denislavgavrilov.com ↗

Denislav Gavrilov hat diffium-db gebaut, ein Terminal-UI, das einen Live-Diff dessen liefert, was Agenten, Migrationen oder andere Akteure mit einer Postgres-Datenbank anstellen. Es überwacht Tabellen, Views, Materialized Views, Enums, Funktionen und Zeilen und liest die Datenbank einmal pro Sekunde neu, um Änderungen seit einem Baseline anzuzeigen. Vier Kommandos - watch, snapshot, baselines und diff - decken den Workflow ab, mit --exit-code lässt sich CI fehlschlagen lassen.

Das Problem ist real: oft ist unklar, was eine Migration oder die Aktionen eines Agenten mit der Datenbank tatsächlich angestellt haben. diffium-db liefert Echtzeit-Transparenz, ein Pane zeigt, was sich geändert hat, ein anderes die Änderung selbst. Für Teams, die KI-Agenten gegen Produktionsdatenbanken laufen lassen, ist das ein praktisches Sicherheitswerkzeug.

OpenAIs Test mit ergebnisbasierter Abrechnung

Source: thenextweb.com ↗

The Next Web berichtet, OpenAI habe begonnen, mit einer begrenzten Zahl ausgewählter Großkunden ergebnisbasierte Abrechnung zu testen. Konditionen, Kunden und Preise sind unbekannt - OpenAI hat den Test nicht öffentlich angekündigt. Der Schritt folgt dem Branchendruck, sich von tokenbasierter Abrechnung, die Buchhaltung erschwert, hin zu einer Bezahlung pro Ergebnis zu bewegen.

Das ist ein struktureller Wechsel. Tokenbasierte Preise rechnen Versuche ab, ergebnisbasierte Preise rechnen Abschlüsse ab. Das verändert das Risikoprofil für Unternehmen - ein fehlgeschlagener Agent-Lauf kostet nichts. Es zwingt OpenAI außerdem, die Kosten eigener Modellfehler selbst zu tragen. Es ist zu erwarten, dass sich das ausbreitet, wenn sich der Ansatz als tragfähig erweist.

Sony verklagt Anthropic wegen angeblicher Trainingsdatenpiraterie

Source: arstechnica.com ↗

Ars Technica berichtet, Sony, EMI und Warner Chappell hätten Klage gegen Anthropic eingereicht und behaupten, die Trainingsdaten umfassten “tausende und abertausende” ihrer urheberrechtlich geschützten Musikkompositionen. Die Klage verweist auf interne Mitarbeiterchats, die Piraterie verherrlichen, darunter einer mit dem Wortlaut “Zlibrary my beloved”. Die Klage behauptet zudem, Anthropic-Mitgründer Benjamin Mann habe persönlich BitTorrent genutzt, um Millionen raubkopierter Bücher aus Library Genesis herunter- und hochzuladen, und CEO Dario Amodei habe das Torrenten gebilligt.

Anthropic bestreitet, das raubkopierte Material zum Training seiner kommerziellen Modelle genutzt zu haben, die Verlage glauben, das Gegenteil beweisen zu können. Die Klage argumentiert außerdem, der 1,5-Milliarden-US-Dollar-Vergleich mit Autoren reiche nicht aus, um das Verhalten abzuschrecken. Für Ingenieure ist das ein deutlicher Hinweis, dass Trainingsdatenherkunft eine rechtliche Haftung darstellt - und interne Chats zu Beweismitteln werden können.

ChatGPT, Reddit und Roblox unterliegen den schärfsten EU-Online-Sicherheitsregeln

Source: arstechnica.com ↗

Ars Technica berichtet, die Europäische Kommission habe ChatGPT, Reddit und Roblox nach dem EU Digital Services Act (DSA) als “sehr große Online-Plattformen” eingestuft. Alle drei überschritten die Schwelle von 45 Millionen EU-Nutzern und lösten damit die Einstufung aus. Sie müssen nun illegale Inhalte entfernen und Minderjährige schützen; bei Nichteinhaltung drohen Bußgelder von bis zu 6 % des weltweiten Umsatzes.

Der Schritt weitet den Geltungsbereich des DSA auf generative KI aus, im Anschluss an eine bestehende Untersuchung gegen Grok von X. Für Ingenieure bedeutet das neue technische Pflichten rund um Content-Moderation und Nutzersicherheit in der EU. Compliance ist keine Option - die Bußgelder sind substanziell, und der technische Aufwand zur Erfüllung der Anforderungen wird nicht trivial sein.

Google entwickelt AI Rooms für Gemini Enterprise

Source: testingcatalog.com ↗

TestingCatalog berichtet, Google entwickle “Rooms” für Gemini Enterprise als Prototyp. Ein Room wäre ein geteilter Arbeitsbereich, in dem Teams mit Gemini an einem bestimmten Ziel zusammenarbeiten - definiert durch ein Ziel, ein Playbook und eine Wissensbasis. Es könnte sich aus dem bestehenden Feature “Projects” weiterentwickeln und Gemini näher an Projektmanagement-Software rücken als an einen simplen Assistenten.

Das ist ein Signal dafür, wohin Google Gemini Enterprise entwickelt: eine agentische Arbeitsplatzplattform, nicht nur ein Chatbot. Für Teams bedeutet das, dass KI-Zusammenarbeit stärker entlang von Zielen strukturiert wird als über Ad-hoc-Prompts. Die Frage ist, ob Rooms mit genügend Integrationstiefe ausgeliefert werden, um tatsächlich nützlich zu sein.

Instinct lässt den Consumer-Agenten real wirken

Source: x.com ↗

Sytaylor auf X beschreibt Instinct als persönlichen KI-Agenten, den man per Text oder Voicenote anspricht. Das System merkt sich den Kontext des eigenen Lebens und nutzt Websites und Apps, um Dinge zu erledigen. Der Autor hebt hervor, dass es eine Restaurantreservierung auf Basis vager Anweisungen zweimal erfolgreich verschoben hat - andere Nutzer haben es zudem genutzt, um Rechnungen zu verhandeln oder Termine zu buchen.

Das Argument: Instinct fühlt sich wie ein echtes Produkt an, nicht wie ein Projekt. Das ist der Wendepunkt, den Consumer-Agenten seit Langem anstreben: natürliche Interaktion, beständiges Memory und Handeln in der realen Welt. Für Ingenieure zeigt das ein neues Interaktionsmuster - Text oder Sprache statt Dashboards - das zum Standard für persönliche KI werden könnte.

ChatGPT Ads erreicht 1-Milliarde-US-Dollar-Umsatzrate

Source: openai.com ↗

OpenAI gibt an, ChatGPT Ads habe weniger als 200 Tage nach dem Start eine annualisierte Umsatzrate von 1 Milliarde US-Dollar erreicht. Das ist ein schneller Hochlauf für ein Werbeprodukt rund um einen Consumer-KI-Assistenten. Die Zahl signalisiert, dass Werbung in ChatGPT monetarisiert - und dass sich das Consumer-Geschäft von OpenAI über Abonnements hinaus diversifiziert.

Department of War startet ChatGPT Mil auf GenAI.mil

Source: x.com ↗

The Department of War hat OpenAIs ChatGPT Mil auf der Plattform GenAI.mil eingeführt. Akkreditiert für Controlled Unclassified Information (CUI) auf Impact Level 5 (IL5), ist es auf sicheren Enterprise-Einsatz ausgelegt und unterstützt dokumentenlastige Aufgaben wie Planung, Richtlinien und Logistik. Der Rollout skaliert auf über 3 Millionen Beschäftigte und etabliert ein Multi-Model-Ökosystem.

Für Ingenieure ist das ein großer Government-Rollout eines Frontier-KI-Modells. Die Sicherheitsakkreditierung auf IL5 ist eine hohe Hürde, und der Integrationsaufwand für die Versorgung von Millionen Nutzern ist substanziell. Es signalisiert zudem, dass Behörden über Pilotprojekte hinaus in produktive KI-Deployments gehen.