Hinweis: Dieser Beitrag wurde mit künstlicher Intelligenz erstellt.
Quer durch diese Woche ist das Erzeugen schneller geworden als das Prüfen. Ein Modell findet Lücken im Kern von PHP, doch bis daraus eingespielte Updates werden, vergehen Monate und hängen an den Serverbetreibern. Agenten arbeiten nachts, kaufen ein und bedienen Browser, während in Unternehmen oft unklar bleibt, wie viele von ihnen laufen und wer für sie einsteht. Und bei den Beweisen, die OpenAI vorlegt, ist offen, ob die weiteren Arbeiten unabhängig geprüft wurden. Dieselbe Lücke zwischen Können und Kontrolle zeigt sich bei Rechenleistung und offenen Modellen. Dort besteht sie nicht aus Software, sondern aus Stromnetzen, Genehmigungen und Budgets.
PHP2Shell: Wenn KI die Lücke findet, die 70 Prozent des Webs betrifft
Im Newsletter AINews von Latent Space heißt es, OpenAI habe im Rahmen seines Programms Patch the Planet gemeinsam mit dem Sicherheitsforscher Ryan Austin und der Firma Wiz schwere Schwachstellen im Kern von PHP gefunden. PHP ist die Skriptsprache, auf der nach dieser Darstellung rund 70 Prozent des Webs laufen. Die Lücken heißen PHP2Shell und sind als CVE-2026-109618 und CVE-2026-109619 erfasst. CVE ist die einheitliche Kennnummer für öffentlich bekannte Sicherheitslücken. Entdeckung und koordinierte Behebung zogen sich laut Latent Space über zwei Monate, in enger Abstimmung mit der PHP-Community und Sicherheitsanbietern. Der Titel des Beitrags nennt GPT-5.6 Sol als eingesetztes Modell und beschreibt OpenAI als eine von zwei Parteien, die die Lücken entdeckten.
Was das praktisch bedeutet, schildert Digitale Profis in einem Video. Demnach nahmen die Bundesregierung und die Universität Ulm Websites vorsorglich vom Netz. Die Lücken erlauben es Angreifern, aus der Ferne eigenen Schadcode auszuführen und sensible Daten auszulesen. Cloudflare berichtete von Millionen Angriffsversuchen, die automatisiert abliefen und möglicherweise KI-gestützt waren. Im begleitenden Artikel desselben Anbieters fällt die Einordnung zurückhaltender aus. Die PHP-Sicherheitsupdates stehen seit dem 21. Oktober bereit, eingespielt werden müssen sie aber von den Serverbetreibern. Wie viele der von Cloudflare gemeldeten Versuche erfolgreich waren und ob KI beteiligt war, bleibe offen. Die Abschaltungen bedeuteten ausdrücklich keinen erfolgreichen Einbruch. Das Video stellt also die Bedrohung ins Zentrum, der Text betont die Unsicherheit der Datenlage.
Eine dritte Lesart bietet Christoph Magnussen in seinem Video. Er räumt ein, dass Angreifer KI nutzen, um solche Schwachstellen zu finden. Dass aber Modelle von OpenAI und, soweit das Transkript es erkennen lässt, auch von Google die Lücke aufspürten, zeigt für ihn die andere Seite: KI kann Websites sicherer machen. Er wirbt dafür, nicht nur auf die negativen Schlagzeilen zu schauen. Latent Space hält zugleich fest, dass die Reaktionen in der Fachwelt auseinandergehen. Ein Teil betont, kritische Software müsse fortlaufend geprüft werden, ein anderer warnt vor übertriebener Alarmstimmung. Die Debatte dreht sich damit weniger um den Fund selbst als um die Frage, wie dringlich er zu behandeln ist.
Der Hintergrund ist düsterer, als ein einzelner Fund vermuten lässt. Unter dem Stichwort Black October fasst ein weiterer Beitrag von Latent Space mehrere Vorfälle innerhalb von 48 Stunden zusammen. Dazu zählt eine GitLab-Lücke mit dem Schweregrad 10 auf der CVSS-Skala, die seit 2014 in allen Versionen steckte. Hinzu kommen ein Passwortdiebstahl in LiteLLM 1.107.0, ein Verlust von Patientendaten bei Quest Diagnostics und eine Zuordnung eines Cyberangriffs zu einer staatlich unterstützten Gruppe aus China durch Microsoft. Latent Space nennt außerdem, die Zahl neuer CVEs pro Monat sei seit April von etwa 4.000 auf 15.000 gestiegen. Eine Ursache nennt die Zusammenfassung dafür nicht. Der Beitrag verbindet die Zahl aber mit der Forderung nach verbindlichen Richtlinien und stärkerer Verteidigung.
Zur Kernfrage, wem die KI-gestützte Suche am Ende nützt, lässt sich aus diesem Material keine endgültige Antwort ableiten. Es zeigt aber eine Asymmetrie. Das Finden geht offenbar schnell und lässt sich automatisieren, das Beheben nicht. Zwei Monate Abstimmung bis zur Veröffentlichung, Updates, die erst beim Betreiber wirken, und vorsorglich abgeschaltete Seiten sind die langsamen Teile der Kette. Die Verteidiger gewinnen nur, wenn aus dem Fund ein eingespielter Patch wird, bevor automatisierte Angreifer die Lücke ausnutzen. Diese Frist wird bei steigender CVE-Zahl nicht länger, und deshalb wird sie über die Woche hinaus zum eigentlichen Maßstab für den Nutzen von KI in der Sicherheit.
Claude Duet und die Agenten, die arbeiten, während wir schlafen
Anthropic hat mit Claude Duet einen KI-Agenten vorgestellt, der nicht wartet, bis jemand ihm eine Frage stellt. Er erledigt Aufgaben auch dann, wenn der Nutzer offline ist. Laut The Decoder läuft die App auf Claude Opus 5.5 und greift über mehr als 6.000 Konnektoren auf Dienste wie Gmail, Slack oder Stripe zu. Konnektoren sind dabei Schnittstellen, über die ein Agent fremde Programme bedienen darf. Vor sensiblen Aktionen wie Zahlungen holt Duet eine Freigabe ein. The Decoder ordnet den Start als Antwort auf ähnliche Produkte von xAI (Grok Bots), Meta (Muse) und OpenAI (Dots) ein. Golem betont einen anderen Punkt: Duet startet nur als Research Preview, also als frühe Testversion, und der Agent arbeitet in der Cloud. Die Rückfrage vor Zahlungen nennt Golem ebenfalls. Der Wettbewerbsblick macht also den Markt sichtbar, der Golem-Blick den vorläufigen Charakter.
Dass Agenten selbst im Netz handeln, ist keine Eigenheit von Anthropic. Im Podcast Prompt mich mal! heißt es, die neue Agentengeneration nutze Headless-Browser, also Browser ohne sichtbare Oberfläche, um direkt mit Webseiten zu interagieren. Außerdem könne sie komplexe Datenanalysen übernehmen. CHIP beschreibt die Chrome-Erweiterung von ChatGPT als zweite Variante. Dort arbeitet die KI mit den geöffneten Tabs des Nutzers, liest Seiten und wechselt zwischen Tabs. Mit entsprechender Freigabe klickt sie auch, tippt, füllt Formulare aus oder startet Downloads. Duet arbeitet also abgekoppelt in der Cloud, ChatGPT dagegen im Browser des Nutzers, der dort zumindest theoretisch zusehen kann. In beiden Fällen steht die Freigabe als Kontrollmechanismus im Mittelpunkt.
Besonders heikel wird das, sobald Geld fließt. Wie The Decoder unter Berufung auf Upstarts Media berichtet, kaufen KI-Agenten über Stripes Bezahldienst Link immer häufiger für ihre Nutzer ein. Stripe sieht demnach erste nennenswerte Umsätze aus dieser Quelle. Dass Duet ausgerechnet Stripe als Konnektor führt und bei Zahlungen nachfragt, passt dazu. Wie die Freigabe bei den Link-Käufen im Einzelnen abläuft, geht aus dem Material nicht hervor. Ob die Rückfrage ein Sicherheitsnetz ist oder bei häufigem Einsatz zur Gewohnheit verkommt, ist deshalb offen.
Dass Autonomie auch teuer danebengehen kann, zeigt ein Beispiel aus dem Video 7.000 Euro für 2 Dollar Umsatz? von Christoph Magnussen. Ein Agent verbrauchte dort Tokens im Wert von 7.000 Euro, also die Recheneinheiten, nach denen Sprachmodelle abgerechnet werden, ohne nennenswerten Umsatz zu erzielen. Magnussen sieht die Ursache nicht im Modell, sondern in der Zielsetzung. Der Auftrag, Geld zu verdienen, reiche nicht aus, weil dazwischen viele Schritte liegen und ein durchdachter Plan nötig ist. Dr. Rasmus Rothe argumentiert im Gespräch Wir unterschätzen KI-AGENTEN! in eine andere Richtung. Aus seiner Sicht unterschätzen viele das Potenzial der Agenten, er warnt aber ebenfalls vor Missbrauch und Cybersicherheitsrisiken. Beide Sichtweisen schließen sich nicht aus: Die Fähigkeit wächst, die Fähigkeit zur sinnvollen Anweisung wächst nicht automatisch mit.
In Unternehmen verschiebt sich die Frage vom einzelnen Agenten zur Gesamtlage. Die Computerwoche beschreibt, wie jede Abteilung die Plattform wählt, die ihr passt, und eigene Assistenten baut. Über Monate entsteht eine Landschaft aus Agenten bei verschiedenen Anbietern, meist ohne zentrale Übersicht. Unklar bleibt, wie viele Agenten laufen, wo sie laufen und wer für sie verantwortlich ist. Der Druck wächst: Laut einer Deloitte-Erhebung, die die Computerwoche zitiert, erwarten drei Viertel der Unternehmen bis 2027 einen spürbaren Einsatz. Ebenfalls die Computerwoche meldet, dass ServiceNow seinen AI Control Tower um Steuerungsfunktionen erweitert. Die Zentrale für Agenten heißt nun Super Intelligence Control Tower, laut Bericht, um dem US-Präsidenten zu gefallen. Dazu kommt ein AI Passport, eine Art Ausweiskontrolle für Agenten.
Über die Woche hinaus zählt, dass die Freigabe per Klick ein Schutz für den einzelnen Nutzer ist, aber keine Antwort auf die Frage, wer im Betrieb Hunderte solcher Agenten überblickt. Je selbstständiger die Systeme werden, desto mehr hängt von Inventar, Identität und klar formulierten Zielen ab.
Mathematik als Prüfstein: KI löst Probleme, an denen Menschen jahrzehntelang scheiterten
Den konkretesten Anlass liefert der Beitrag AI Is Getting Good at Math. Here’s Why. von Latent Space. Danach hat OpenAI einen Gegenbeweis zur Erdősschen Einheitsabstands-Vermutung gefunden, also den Nachweis, dass diese Vermutung falsch ist. Sie war seit 1946 offen. Außerdem soll OpenAI Beweise zum Cycle-Double-Cover-Problem und zu den Navier-Stokes-Gleichungen veröffentlicht haben. Ob diese weiteren Arbeiten unabhängig geprüft wurden, geht aus dem Material nicht hervor, und das sollte man bei der Einordnung im Hinterkopf behalten. Der Beitrag interessiert sich auch weniger für die Einzelfälle als für zwei Fragen: Welche Art von Problemen können Modelle lösen, und was haben die Lösungen gemeinsam?
Die Antwort von Latent Space lautet, dass die Modelle anders vorgehen als Menschen. Sie nutzten tiefere Einsichten und eine eigene Herangehensweise an die Problemlösung. Besonders hervorgehoben wird die Fähigkeit, aus negativen Hinweisen gescheiterter Versuche zu lernen. Ein Fehlschlag ist demnach nicht verlorene Zeit, sondern Information für den nächsten Anlauf. Nach der Darstellung des Beitrags arbeiten die Modelle dadurch effizienter und kommen schneller zu Lösungen. Das ist ein anderes Bild als das vom Rechner, der lediglich schneller probiert.
Mathematik als Werkzeug zeigt sich auch bei Anthropic, über das The Decoder berichtet. Anthropic ließ Claude mathematische Beweise für die Sicherheit bestehenden Codes erstellen, rund 180 Millionen Zeilen Beweiscode für 123 Open-Source-Bibliotheken. Diese formale Verifikation weist mathematisch nach, dass Software bestimmte Eigenschaften einhält, und ein solcher Beweis lässt sich maschinell nachprüfen. Das Modell fand dabei Fehler, die jahrelanges Testen übersehen hatte. Anthropic will formale Verifikation per KI bald so praktikabel machen wie heutige Standardtests. Hier ist die Mathematik also kein Forschungsziel, sondern ein Mittel, um Software belastbarer zu machen.
Über die Mathematik hinaus verweist OpenAI auf die Biologie. Der Beitrag Using thousands of AI agents to uncover new leads in biological data wurde über Hacker News bekannt. Im Material liegt davon nur der Titel vor: Tausende KI-Agenten sollen in komplexen biologischen Daten neue Spuren finden. Welche Ergebnisse das brachte, lässt sich daraus nicht ableiten. Jack Clark nennt in Import AI 477 Mathematik und Biologie ausdrücklich als Beispiele, in denen KI bedeutende Probleme löse und bei neuen Medikamenten helfe.
Clark hielt seine Rede beim IMF-Treffen in Bangkok und vertrat dort die These, die Singularität habe bereits begonnen. Gemeint ist der Punkt, an dem KI-Systeme wissenschaftlichen Fortschritt weitgehend selbst vorantreiben. Er sieht darin große Chancen und große Risiken. Seine Folgerung lautet, die Infrastruktur für KI und Forschung auszubauen und die Entwicklung verantwortungsvoll zu handhaben und zu regulieren. Im KI-Update von heise kommt Benjamin Balde von ControlAI zu einem anderen Schluss. Er geht von derselben Beobachtung aus: KI sei bei Programmierung und mathematischer Problemlösung in vielen Bereichen bereits besser als Menschen. Daraus leitet er die Forderung nach einem gesetzlichen, global koordinierten Verbot von Superintelligenz ab, weil sie nicht mehr kontrollierbar wäre. Im selben Beitrag heißt es, auch Dario Amodei und Sam Altman warnten vor den Gefahren einer Intelligenz jenseits menschlicher Fähigkeiten. Der Unterschied liegt also nicht in der Diagnose, sondern darin, ob man den Weg ausbauen und begleiten oder an einer Grenze stoppen will.
Dass die Mathematik zum Prüfstein dieser Debatte wird, hat einen einfachen Grund: Ein Beweis oder Gegenbeweis stimmt oder stimmt nicht, und die Lösung eines jahrzehntealten Problems lässt sich nicht als bloße Vermutung abtun. Wer über Superintelligenz streitet, muss sich künftig an solchen nachprüfbaren Fällen messen lassen, und die offene Frage der Prüfung bleibt dabei bestehen, solange Beweise schneller entstehen als ihre Kontrolle.
Offene Modelle: China holt auf, die USA ziehen nach, die Politik greift ein
Die deutlichste Zahl der Woche stammt von Artificial Analysis, einem Anbieter unabhängiger Modellvergleiche. Im Beitrag Kimi K3.1 Pro launches at 4th on the Intelligence Index and will lead open weights models heißt es, das Modell erreiche im hauseigenen Intelligence Index 55 Punkte und damit Platz vier. Sobald die Gewichte veröffentlicht sind, werde es das stärkste Modell mit offenen Gewichten sein, also eines, dessen trainierte Parameter sich herunterladen und selbst betreiben lassen. Der Abstand zu den proprietären Modellen schrumpfe dadurch von 12 auf 3 Punkte. Im GDPval-AA kommt Kimi K3.1 Pro auf 1.846 Elo, einen Wert aus paarweisen Vergleichen, und liegt damit 312 Punkte über Kimi K3. Im Terminal-Bench 4.0 erzielt es den höchsten Wert. Die Kosten liegen bei 1,98 US-Dollar je Aufgabe, ähnlich wie beim Vorgänger, obwohl die Tokenpreise um 33 Prozent gesenkt wurden. Das deutet darauf hin, dass das Modell je Aufgabe mehr Tokens verbraucht. Wichtig ist der Zusatz: Der Spitzenplatz unter den offenen Modellen hängt an Gewichten, die zum Zeitpunkt der Analyse noch nicht draußen waren.
Eine zweite Lücke betrifft das Verhältnis zwischen China und den USA. Interconnects beschreibt in Meta shakes up the frontiers, open and closed, dass Meta mit Muse Spark Open nun das stärkste amerikanische Open-Weight-Modell stellt. Es hat 816 Milliarden Gesamtparameter, von denen 42 Milliarden aktiv sind, also pro Rechenschritt tatsächlich genutzt werden. Interconnects hält es deshalb für geeignet für Coding und agentische Arbeit. Der Abstand zu den besten chinesischen Modellen sei damit deutlich kleiner geworden. Einen Haken sieht der Autor in den Lizenzbedingungen: Sie seien kompliziert und könnten die Verbreitung bremsen. Meta hat außerdem die geschlossenen Modelle Muse Wonder und Muse Wonder Full vorgestellt, die in klassischen Benchmarks stark abschneiden. Die offene Variante ist also nicht das einzige Eisen, das Meta im Feuer hat.
Bei DeepSeeks Inferenz-Software DeepInfer gehen die Bewertungen auseinander. Inferenz bezeichnet den Betrieb eines fertigen Modells, also das Beantworten von Anfragen. Interconnects nennt DeepInfer effizienter als bestehende Open-Source-Werkzeuge und hält es für möglich, dass DeepSeek seine Preise senken kann. Latent Space liefert in DeepSeek DeepInfer: Open Source SOTA Inference die Zahlen dazu. Ein Cluster verarbeite bis zu 155 Billionen Tokens pro Tag und setze damit etwa 22 Millionen Dollar täglich um, bei rund 80 Prozent Marge und 81 Tagen bis zur Amortisation. Vision-Encoding, Prefill (das Einlesen der Eingabe) und Decoding (das Erzeugen der Antwort) laufen getrennt voneinander. 96 Prozent der Anfragen würden aus dem Cache bedient. Latent Space schränkt aber ein, dass die Produktionsumgebung nicht vollständig reproduzierbar ist, weil einzelne Komponenten unveröffentlicht bleiben. Offen ist hier also der Code, nicht der gesamte Betrieb. Die Wirtschaftlichkeitszahlen sind zudem Angaben aus DeepSeeks eigener Veröffentlichung, die sich von außen kaum prüfen lassen.
Politisch wird es enger. Interconnects berichtet in Latest open artifacts (#25) von Maßnahmen auf beiden Seiten. Chinas Handelsministerium hat einen Vorschlag veröffentlicht, nach dem die internationale Freigabe bestimmter KI-Modelle genehmigt werden muss. Das US-Heimatschutzministerium schließt DeepSeek von öffentlichen Ausschreibungen aus. Die Veröffentlichung von DeepInfer folgte laut Interconnects auf diese Entwicklung. Sie wirkt wie der Versuch, trotz Ausschluss Einfluss und Verbreitung zu sichern. Zugleich wird Kimi K3.1 dort noch als bevorstehende Veröffentlichung erwartet, während Artificial Analysis bereits Benchmarks vorlegt. Die Frage ist, ob eine Genehmigungspflicht in China genau die Gewichte verzögert, auf denen der Spitzenplatz beruht.
Über die Woche hinaus zählt, dass sich der technische Abstand offener Modelle auf wenige Punkte verringert, während der rechtliche Spielraum kleiner wird. Wenn Gewichte künftig Genehmigungen oder Beschaffungsverbote durchlaufen müssen, bestimmt weniger die Modellqualität als die Politik, wer offene Spitzenmodelle nutzen darf.
Rechenmacht und Souveränität: Wer besitzt die Compute-Infrastruktur?
Die Zahl, auf die sich diese Woche gleich zwei Quellen stützen, lautet 75 Prozent. So hoch ist nach dem Beitrag KI-Wettrennen: So verteilt sich die globale Rechenmacht von KI-Beratung der Anteil der USA an der weltweiten KI-Rechenleistung. Das Video Der Kampf um das Weltgehirn von Everlast AI nennt dieselbe Größenordnung. Beide Quellen belegen sie nicht selbst, es handelt sich um eine übernommene Schätzung. Interessanter ist, woran die drei Machtblöcke jeweils scheitern: Keiner hat alles, was es für KI-Rechenleistung braucht, nämlich Chips, Strom und Fabriken.
Die USA stoßen an die Grenzen ihrer Stromnetze. Beide Quellen sind sich darin einig, dass der Ausbau der Rechenzentren weniger am Geld hängt als an der Leistung, die das Netz liefern kann. Bei China gehen die Darstellungen auseinander. KI-Beratung beschreibt ein Land mit Strom im Überfluss, dem es dafür an Speicher und Silizium fehlt, also an Chips und dem Material dafür. Everlast AI legt den Akzent anders: China habe zwar die größten Erzeugungskapazitäten, doch der Großteil fließe in die Industrie und stehe den KI-Rechenzentren nicht zur Verfügung. Der Engpass wäre demnach weniger die Menge als die Verteilung des Stroms. Beide Lesarten können zugleich stimmen, sie führen aber zu verschiedenen Prognosen, je nachdem, ob man bei Chips oder bei der Energiepolitik ansetzt.
Als Gegenentwurf stellt Everlast AI das Projekt Mission Gobi vor. Bei Wulan in der Mongolei soll das größte Rechenzentrum der Welt entstehen, mit Wind- und Solarstrom und bis 2030 rund 5 Gigawatt grüner KI-Rechenleistung. Das Video spricht von der tausendfachen Leistung eines heutigen KI-Supercomputers. Das ist eine Ankündigung, keine Messung. KI-Beratung erwähnt ein geplantes Zentrum in Ulanqab, offenbar dasselbe Vorhaben, denn die Schreibweisen der maschinellen Transkripte weichen ab. Beide Quellen sprechen von Plänen, nicht von laufendem Betrieb.
Für Europa fällt die Diagnose ebenfalls unterschiedlich aus. Beide Quellen verweisen auf ASML, das bei Belichtungsanlagen für moderne Chips eine Monopolstellung hat. Das sind die Maschinen, mit denen Strukturen auf Siliziumscheiben gebracht werden. KI-Beratung folgert daraus, Europa habe die Technologie, investiere aber zu wenig in eigene KI-Rechenzentren. Everlast AI sieht das Problem woanders: Es fehle an eigenen Chipfabriken und an ausreichender Nachfrage. Im ersten Fall wäre Europa vor allem zu zögerlich, im zweiten fehlt ihm ein Stück der Wertschöpfungskette, das sich nicht allein mit Rechenzentrumsbudgets schließen lässt.
Deutschland steht dabei zwischen Abhängigkeit und Aufbruch. Im Video Nvidia-Chef: Deutschland bei KI abgehängt? von Christoph Magnussen geht es um Jensen Huang. Der Nvidia-Chef zeigt sich besorgt über den Rückstand des Landes und betont zugleich die Abhängigkeit von Nvidia-GPUs. Er lobt vorhandene Modelle, etwa die von Black Forest Labs, und fordert, KI aktiv zu lernen und anzuwenden. Dass der Ausrüster, von dem die Abhängigkeit ausgeht, zum Handeln mahnt, ist selbst ein Hinweis auf die Lage. Im Beitrag Nvidia und die Bundesregierung: der KI-Deal beschreibt Magnussen eine geplante Kooperation der Bundesregierung mit Nvidia. Beteiligt sein sollen Siemens, Audi und Black Forest Lab, der Schwerpunkt liegt auf physischer KI und hochwertigen Bildmodellen. Magnussen versteht das als Chance, die Abhängigkeit von ausländischer Technologie zu verringern. Das ist bemerkenswert, denn der Partner ist derselbe Konzern, dessen GPUs die Abhängigkeit erst begründen. Souveränität hieße hier, die Anwendung im eigenen Land zu beherrschen, nicht die Hardware.
Auf der Marktebene zeigen zwei Folgen des Latent-Space-Podcasts, wie sich der Zugang zu Rechenleistung verschiebt. Erik Bernhardsson, Chef von Modal, berichtet im Gespräch Why AI Compute Comes in Rectangles von einer Series-D-Runde über 750 Millionen Dollar bei 16 Milliarden Dollar Bewertung und einem Jahresumsatz von über einer Milliarde Dollar. Modal bündelt die Nachfrage tausender Kunden und stellt Kapazität elastisch bereit, statt fester GPU-Zahlen über feste Laufzeiten. Ein wachsender Umsatzanteil stammt von Sandboxes, in denen KI-generierter Code ausgeführt wird. Evan Conrad von SF Compute beschreibt in The Programmable Data Center, dass ein Cluster früher 50 bis 100 Millionen Dollar Investition erforderte, während heute GPU-Stunden gehandelt werden, mit physischer Lieferung dahinter.
Über die Woche hinaus zählt, dass sich Rechenmacht in zwei Schichten teilt: Chips, Strom und Fabriken auf der einen, ein Markt für abrufbare Kapazität auf der anderen. Für Deutschland und Europa entscheidet sich Souveränität wohl daran, auf welcher Schicht sie wirklich mitbestimmen, und beide Quellenlager geben darauf bisher unterschiedliche Antworten.
Lokale KI: Datenschutz hat seinen Preis
Die Frage, ob sich ein eigenes Sprachmodell im Haus lohnt, hängt weniger an der Technik als an den Daten. Der Podcast KI im Unternehmen von neuost beginnt mit einer Klarstellung, die manche Debatte entschärft: Dienste wie ChatGPT oder Claude lernen demnach nicht aus den Unternehmensdaten, die man ihnen übergibt. Das Argument für lokale Modelle ist also nicht in erster Linie die Sorge, dass fremde Systeme mit den eigenen Inhalten trainiert werden. Es geht um Unabhängigkeit von externen Anbietern. Für besonders schützenswerte Bereiche wie Medizin oder Rechtsberatung empfiehlt der Podcast deshalb lokale Modelle. Bei Cloud-Angeboten unterscheidet er nach Herkunft aus EU, USA oder China und sieht bei US-Diensten potenziell höhere Datenschutzrisiken.
Die Gegenrechnung liefert Christoph Magnussen in seinem Video KI im Keller: Lohnt sich lokale KI wirklich?. Wer sensible Daten sicher lokal verarbeiten will, kann demnach um leistungsstarke Hardware kaum herumkommen. Als Beispiel nennt er einen Mac Studio, dessen Preis bei bis zu etwa 10.000 Euro liegen kann. Das neue Modell 4.1 Flash von Deep Seek sei auf normalen MacBooks und selbst auf hochgerüsteten PCs nicht sinnvoll zu betreiben, weil es zu viel Rechenleistung verlangt. Magnussen verweist außerdem auf eine günstigere Alternative, den Betrieb in einer virtuellen Maschine, also einem softwareseitig abgeschotteten Rechner. Der Preis dafür sei zusätzliche Komplexität. Viele Nutzer griffen ohnehin lieber zu einfachen Lösungen. Datenschutzabkommen mit den USA schränken nach seiner Darstellung zudem den Zugang zu großen Modellen aus China ein.
Dieselbe Größenordnung taucht in einem zweiten Video von Magnussen auf, Zuckerberg und Apple: Metas KI läuft jetzt lokal auf dem Mac. Meta treibt demnach Modelle voran, die lokal auf Macs laufen und für den Mac Studio optimiert wurden. Sie heißen im Transkript Mus, der Name ist dort womöglich verhaspelt. Um sie effizient zu nutzen, braucht man laut Magnussen zwei Mac Studios, also wieder rund 10.000 Euro. Er hebt vor allem die Wendung hervor, dass ausgerechnet Mark Zuckerberg, der sich früher oft kritisch über Apple geäußert hat, nun auf dessen Hardware setzt. Für Anwender bedeutet das: Das Modell ist verfügbar, aber der Einstieg liegt bei einem Preis, den kleine Teams oder Einzelpersonen erst einmal aufbringen müssen.
Einen anderen Weg beschreibt Magnussen in KI made in Germany. Kolibri 1 von ALF Alpha, so schreibt das Transkript den Anbieter, ist ein Open-Weight-Modell. Die trainierten Parameter sind also einsehbar und herunterladbar. Es wurde in Deutschland und Europa trainiert, versteht Deutsch und Englisch und legt den Schwerpunkt auf Deutsch. Weil es als Mixture-of-Experts-Modell gebaut ist, einer Architektur mit mehreren spezialisierten Teilnetzen, kommt es mit weniger Parametern aus als große Sprachmodelle. Wer es herunterlädt und selbst betreibt, behält Kontrolle über Daten und Betrieb. Konkrete Hardwareanforderungen nennt das Material dazu nicht.
Aus den Quellen ergibt sich keine einfache Empfehlung, aber eine Abwägung mit klaren Kriterien. Neuost argumentiert von der Schutzbedürftigkeit der Daten her und kommt bei Medizin und Recht zu lokalen Modellen. Magnussen argumentiert von den Kosten und dem Aufwand her und rät, die Entscheidung gut zu überlegen, weil schon das passende Gerät ein fünfstelliger Posten sein kann. Da nicht jedes Modell auf jedem Rechner läuft, bietet sich vorab ein Abgleich an. Ein Beitrag von t3n verweist dafür auf ein Werkzeug, das in Sekunden das passende Modell für das eigene Setup ermittelt. Im frei zugänglichen Teil bleibt offen, wie es das tut. Auch ohne diese Details ist die Logik klar: erst Hardware und Modell zusammen prüfen, dann kaufen.
Über diese Woche hinaus zählt, dass Datenschutz bei KI zunehmend eine Frage von Budget und Betriebswissen wird. Kleinere, offene Modelle wie Kolibri könnten die Einstiegshürde senken, doch solange die leistungsstärksten Modelle zwei Mac Studios verlangen, bleibt lokale KI vor allem dort wirtschaftlich, wo Daten wirklich geschützt werden müssen.
Am längsten trägt die Frist zwischen Fund und eingespieltem Patch, denn die Zahl neuer CVEs ist laut Latent Space seit April von etwa 4.000 auf 15.000 pro Monat gestiegen. Beobachten sollte man, ob die Gewichte von Kimi K3.1 Pro tatsächlich erscheinen oder ob Chinas vorgeschlagene Genehmigungspflicht sie bremst, denn daran hängt der Spitzenplatz unter den offenen Modellen. Bei Claude Duet, das erst als Research Preview läuft, und bei den Agenten im Unternehmen wird sich zeigen, ob die Freigabe per Klick im Alltag ein Schutz bleibt oder zur Gewohnheit wird. Dasselbe gilt für die mathematischen Beweise: Sie zählen erst richtig, wenn die Prüfung mit ihnen Schritt hält.
Zum Hören
Transkript dieser Folge
Sprecherin: Ein Hinweis vorab: Dieser Rückblick wurde mit künstlicher Intelligenz erstellt und mit synthetischen Stimmen gesprochen. Willkommen zum Wochenrückblick. Diese Woche hat ein Muster: Das Erzeugen ist schneller geworden als das Prüfen. Das zeigt sich bei PHP-Lücken, Agenten, mathematischen Beweisen, offenen Modellen, Rechenmacht und lokaler KI.
Sprecher: Fangen wir mit PHP an. OpenAI hat im Programm Patch the Planet, zusammen mit dem Sicherheitsforscher Ryan Austin und der Firma Wiz, schwere Lücken im Kern von PHP gefunden. Sie heißen PHP2Shell und tragen die Nummern CVE-2026-109618 und 109619. CVE steht für Common Vulnerabilities and Exposures, die gängige Kennung für bekannte Sicherheitslücken.
Sprecherin: Wie verbreitet ist PHP eigentlich?
Sprecher: Nach Latent Space läuft rund siebzig Prozent des Webs darauf. Von der Entdeckung bis zur koordinierten Behebung vergingen gut zwei Monate, abgestimmt mit der PHP-Community und Sicherheitsanbietern.
Sprecherin: Moment, war das OpenAI allein? Im Titel steht ja GPT-5.6 Sol.
Sprecher: Das ist das Modell. OpenAI ist aber nur eine von zwei Parteien, die die Lücken fanden. Christoph Magnussen sagt, soweit das Transkript es hergibt, sei auch ein Google-Modell beteiligt gewesen.
Sprecherin: Und was hat das praktisch ausgelöst?
Sprecher: Digitale Profis berichten, dass die Bundesregierung und die Universität Ulm Websites vorsorglich vom Netz nahmen. Angreifer könnten aus der Ferne Schadcode ausführen und Daten abgreifen. Cloudflare meldete Millionen automatisierter Angriffsversuche, möglicherweise KI-gestützt.
Sprecherin: Möglicherweise. Wie sicher ist das?
Sprecher: Gar nicht. Im Begleitartikel desselben Anbieters steht, es sei offen, wie viele Versuche Erfolg hatten und ob KI im Spiel war. Die Abschaltungen bedeuten ausdrücklich keinen erfolgreichen Einbruch. Die Updates liegen seit dem 21. Oktober bereit, einspielen müssen sie die Serverbetreiber, und wenn du selbst einen Server betreibst, gehört das jetzt ganz oben auf deine Liste.
Sprecherin: Das Video also Alarm, der Text Vorsicht. Und Magnussen?
Sprecher: Er sagt: Ja, Angreifer nutzen KI. Aber dass Modelle die Lücke aufspürten, zeige auch, dass KI Websites sicherer machen kann. Latent Space vermerkt, die Fachwelt sei gespalten: Die einen fordern dauernde Prüfung kritischer Software, die anderen warnen vor Alarmismus.
Sprecherin: Der Hintergrund heißt Black October. Was steckt da drin?
Sprecher: Mehrere Vorfälle binnen achtundvierzig Stunden. Eine GitLab-Lücke mit Schweregrad zehn auf der CVSS-Skala, seit 2014 in allen Versionen. Ein Passwortdiebstahl in LiteLLM 1.107.0, Patientendaten bei Quest Diagnostics, und Microsoft ordnet einen Angriff einer staatlich unterstützten Gruppe aus China zu.
Sprecherin: Und die Zahl neuer CVEs?
Sprecher: Seit April von etwa viertausend auf fünfzehntausend im Monat.
Sprecherin: Liegt das an KI?
Sprecher: Das sagt die Zusammenfassung nicht. Eine Ursache nennt sie nicht, sie koppelt die Zahl nur an die Forderung nach verbindlichen Richtlinien.
Sprecherin: Wem nützt die KI-Suche am Ende, Angreifern oder Verteidigern?
Sprecher: Endgültig lässt sich das nicht sagen, aber es gibt eine Asymmetrie. Finden geht schnell und automatisiert, Beheben nicht: zwei Monate Abstimmung, Updates, die erst beim Betreiber wirken, abgeschaltete Seiten. Die Verteidiger gewinnen nur, wenn der Patch läuft, bevor Angreifer die Lücke nutzen. Bei steigender CVE-Zahl wird diese Frist nicht länger.
Sprecherin: Dann zu den Agenten. Anthropic hat Claude Duet vorgestellt, einen Agenten, der nicht auf Fragen wartet.
Sprecher: Er arbeitet auch, wenn du gerade offline bist. Laut The Decoder läuft er auf Claude Opus 5.5 und erreicht über mehr als sechstausend Konnektoren Dienste wie Gmail, Slack oder Stripe.
Sprecherin: Konnektoren?
Sprecher: Schnittstellen, über die ein Agent fremde Programme bedienen darf. Bei sensiblen Aktionen wie Zahlungen holt Duet vorher eine Freigabe ein.
Sprecherin: Ist das schon ein fertiges Produkt?
Sprecher: Nein. Golem betont, es ist eine Research Preview, also eine frühe Testversion, und der Agent läuft in der Cloud. The Decoder liest den Start eher als Antwort auf die Konkurrenz: Grok Bots von xAI, Muse von Meta, Dots von OpenAI.
Sprecherin: ChatGPT geht doch einen anderen Weg, oder?
Sprecher: Ja, über eine Chrome-Erweiterung. Die KI arbeitet in deinen offenen Tabs, liest Seiten, wechselt zwischen ihnen und klickt, tippt oder füllt Formulare aus, wenn du es erlaubst. Du kannst also zumindest theoretisch zusehen. Der Podcast Prompt mich mal! spricht zudem von Headless-Browsern, also Browsern ohne sichtbare Oberfläche.
Sprecherin: Heikel wird es, sobald Geld fließt.
Sprecher: Und das passiert schon. Laut The Decoder, unter Berufung auf Upstarts Media, kaufen Agenten immer öfter über Stripes Bezahldienst Link ein. Stripe sieht erste nennenswerte Umsätze daraus.
Sprecherin: Wie läuft da die Freigabe ab?
Sprecher: Das steht nicht im Material. Offen bleibt, ob die Rückfrage ein Sicherheitsnetz ist oder bei häufigem Gebrauch zur Gewohnheit verkommt.
Sprecherin: Wie beim Cookie-Banner. Gibt es ein Beispiel, wo Autonomie richtig danebengeht?
Sprecher: Magnussen erzählt von siebentausend Euro für zwei Dollar Umsatz. Ein Agent verbrannte Tokens im Wert von siebentausend Euro, Tokens sind die Recheneinheiten, nach denen Modelle abgerechnet werden. Schuld sei nicht das Modell, sondern das Ziel. Verdiene Geld reicht eben nicht, dazwischen liegen viele Schritte.
Sprecherin: Rasmus Rothe sagt dagegen, wir unterschätzen die Agenten.
Sprecher: Ja, er sieht mehr Potenzial, warnt aber auch vor Missbrauch und Cyberrisiken. Beides passt zusammen: Die Fähigkeit wächst, das Geschick beim Anweisen nicht automatisch.
Sprecherin: Und in Unternehmen? Da gibt es die Computerwoche.
Sprecher: Jede Abteilung wählt die Plattform, die ihr gefällt, und baut eigene Assistenten. Über Monate entsteht ein Wildwuchs ohne zentrale Übersicht. Wie viele Agenten laufen, wo und wer dafür geradesteht, bleibt unklar. Laut Deloitte erwarten drei Viertel der Unternehmen bis 2027 einen spürbaren Einsatz.
Sprecherin: Und was tut der Markt dagegen?
Sprecher: ServiceNow erweitert seinen AI Control Tower, der jetzt Super Intelligence Control Tower heißt, angeblich um dem US-Präsidenten zu gefallen. Dazu kommt ein AI Passport, eine Art Ausweiskontrolle für Agenten.
Sprecherin: Löst der Klick auf Freigeben die Frage, wer Hunderte Agenten im Blick hat?
Sprecher: Nein. Er schützt den einzelnen Nutzer. Im Betrieb hängt alles an Inventar, Identität und klar formulierten Zielen.
Sprecherin: Drittes Thema: Mathematik. Latent Space meldet, OpenAI habe die Einheitsabstands-Vermutung von Erdős widerlegt.
Sprecher: Offen seit 1946. Ein Gegenbeweis heißt, die Vermutung ist falsch. Dazu soll OpenAI Beweise zum Cycle-Double-Cover-Problem und zu den Navier-Stokes-Gleichungen vorgelegt haben.
Sprecherin: Soll? Hat das jemand unabhängig geprüft?
Sprecher: Bei den weiteren Arbeiten geht das aus dem Material nicht hervor. Das sollte man beim Einordnen im Kopf behalten.
Sprecherin: Was machen die Modelle denn anders als Menschen?
Sprecher: Laut Beitrag gehen sie mit tieferen Einsichten und eigenem Zugang an Probleme heran. Besonders: Sie lernen aus den Hinweisen gescheiterter Versuche. Ein Fehlschlag ist dann keine verlorene Zeit, sondern Information für den nächsten Anlauf.
Sprecherin: Also kein bloßes schnelleres Herumprobieren?
Sprecher: So stellt es der Beitrag nicht dar. Die Modelle arbeiten effizienter und kommen schneller zur Lösung.
Sprecherin: Anthropic nutzt Mathematik ja ganz praktisch.
Sprecher: Claude erstellte Sicherheitsbeweise für bestehenden Code, rund hundertachtzig Millionen Zeilen Beweiscode für hundertdreiundzwanzig Open-Source-Bibliotheken. Solche formalen Beweise lassen sich maschinell nachprüfen. Dabei fielen Fehler auf, die jahrelanges Testen übersehen hatte.
Sprecherin: Wie weit ist das vom Alltag entfernt?
Sprecher: Anthropic will formale Verifikation per KI bald so handhabbar machen wie heutige Standardtests.
Sprecherin: Und die Biologie? OpenAI hatte da etwas mit tausend Agenten.
Sprecher: Tausende Agenten sollen in biologischen Daten neue Spuren finden. Vorliegend ist nur der Titel, Ergebnisse lassen sich daraus nicht ableiten.
Sprecherin: Jack Clark hat daraus eine große These gemacht.
Sprecher: In Import AI 477 und bei seiner Rede vor dem Internationalen Währungsfonds in Bangkok sagt er, die Singularität habe begonnen. Gemeint ist: KI treibt wissenschaftlichen Fortschritt weitgehend selbst voran. Er sieht Chancen und Risiken und will Infrastruktur ausbauen, verantwortungsvoll und mit Regulierung.
Sprecherin: Benjamin Balde von ControlAI zieht im heise-KI-Update einen ganz anderen Schluss.
Sprecher: Gleiche Beobachtung, nämlich dass KI bei Programmierung und mathematischer Problemlösung oft schon besser ist als Menschen. Aber er fordert ein gesetzliches, global koordiniertes Verbot von Superintelligenz, weil sie nicht mehr kontrollierbar wäre. Auch Dario Amodei und Sam Altman warnen vor solchen Gefahren.
Sprecherin: Gleiche Diagnose, andere Therapie also.
Sprecher: Genau: den Weg ausbauen und begleiten oder an einer Grenze stoppen.
Sprecherin: Und warum ausgerechnet Mathematik als Prüfstein?
Sprecher: Weil ein Beweis stimmt oder nicht stimmt, du bist dabei nicht auf Meinungen angewiesen. Die Lösung eines jahrzehntealten Problems lässt sich nicht als Vermutung abtun. Wer über Superintelligenz streitet, muss sich an solchen nachprüfbaren Fällen messen lassen. Die offene Frage ist nur, ob die Prüfung mitkommt.
Sprecherin: Weiter zu den offenen Modellen. Die größte Zahl der Woche kommt von Artificial Analysis.
Sprecher: Kimi K3.1 Pro erreicht im hauseigenen Intelligence Index fünfundfünfzig Punkte, Platz vier. Sobald die Gewichte draußen sind, wäre es das stärkste offene Modell. Der Abstand zu den proprietären Modellen schrumpft damit von zwölf auf drei Punkte.
Sprecherin: Gewichte, das heißt konkret?
Sprecher: Die trainierten Parameter, die man herunterladen und selbst betreiben kann.
Sprecherin: Wie sieht es bei Aufgaben und Kosten aus?
Sprecher: Im GDPval-AA kommt es auf 1.846 Elo, das sind 312 Punkte mehr als Kimi K3. Im Terminal-Bench 4.0 hat es den Bestwert. Pro Aufgabe kostet es 1,98 Dollar, wie der Vorgänger, obwohl die Tokenpreise um dreiunddreißig Prozent fielen. Es verbraucht also je Aufgabe mehr Tokens.
Sprecherin: Und der Haken?
Sprecher: Die Gewichte waren zum Zeitpunkt der Analyse noch nicht veröffentlicht. Der Spitzenplatz hängt daran.
Sprecherin: Und in den USA? Interconnects schreibt über Meta.
Sprecher: Muse Spark Open ist jetzt das stärkste amerikanische Open-Weight-Modell, mit 816 Milliarden Parametern, von denen 42 Milliarden pro Rechenschritt aktiv sind. Gut für Coding und agentische Arbeit, der Abstand zu China ist deutlich kleiner. Der Haken sind die komplizierten Lizenzbedingungen. Parallel stellte Meta die geschlossenen Modelle Muse Wonder und Muse Wonder Full vor.
Sprecherin: Bei DeepSeeks DeepInfer gehen die Urteile auseinander?
Sprecher: Inferenz ist der Betrieb eines fertigen Modells. Interconnects nennt DeepInfer effizienter als bisherige Open-Source-Werkzeuge, DeepSeek könnte Preise senken. Latent Space liefert Zahlen: Ein Cluster schafft bis zu 155 Billionen Tokens am Tag, rund 22 Millionen Dollar Umsatz täglich, etwa achtzig Prozent Marge, nach 81 Tagen amortisiert. Sechsundneunzig Prozent der Anfragen kommen aus dem Cache.
Sprecherin: Klingt fast zu gut. Lässt sich das prüfen?
Sprecher: Kaum. Die Zahlen stammen aus DeepSeeks eigener Veröffentlichung, und die Produktionsumgebung ist nicht komplett reproduzierbar, weil Komponenten fehlen. Offen ist der Code, nicht der ganze Betrieb.
Sprecherin: Und politisch?
Sprecher: Chinas Handelsministerium will die internationale Freigabe bestimmter KI-Modelle genehmigungspflichtig machen. Das US-Heimatschutzministerium schließt DeepSeek von öffentlichen Ausschreibungen aus. DeepInfer kam laut Interconnects danach, als Versuch, trotzdem Einfluss zu sichern.
Sprecherin: Dann trifft eine Genehmigungspflicht genau die Kimi-Gewichte, auf denen der Spitzenplatz beruht.
Sprecher: Genau da wird es unangenehm. Interconnects erwartet Kimi K3.1 noch, Artificial Analysis hat schon Benchmarks. Der technische Abstand schrumpft, der rechtliche Spielraum auch. Wer offene Spitzenmodelle nutzen darf, entscheidet dann die Politik.
Sprecherin: Rechenmacht: Die Zahl dort lautet fünfundsiebzig Prozent.
Sprecher: Das ist der Anteil der USA an der weltweiten KI-Rechenleistung, nach KI-Beratung und Everlast AI. Beide belegen sie nicht, es ist eine übernommene Schätzung.
Sprecherin: Woran scheitern die drei Machtblöcke?
Sprecher: Keiner hat alles: Chips, Strom und Fabriken. Die USA stoßen an ihre Stromnetze, weniger an das Geld.
Sprecherin: Bei China gehen die Quellen aber auseinander.
Sprecher: KI-Beratung sieht Strom im Überfluss, aber zu wenig Speicher und Silizium. Everlast AI sagt, China erzeuge am meisten, doch der Großteil gehe in die Industrie. Das Problem wäre dann die Verteilung, nicht die Menge.
Sprecherin: Welche Lesart stimmt?
Sprecher: Beide können stimmen, sie führen nur zu anderen Prognosen, je nachdem, ob du bei Chips oder bei Energiepolitik ansetzt.
Sprecherin: Was ist Mission Gobi?
Sprecher: Bei Wulan in der Mongolei soll das größte Rechenzentrum der Welt entstehen, mit Wind- und Solarstrom, bis 2030 rund fünf Gigawatt. Das Video spricht von tausendfacher Leistung eines heutigen KI-Supercomputers. Das ist eine Ankündigung, keine Messung. KI-Beratung nennt Ulanqab, offenbar dasselbe Vorhaben, nur anders transkribiert.
Sprecherin: Und Europa?
Sprecher: Beide Quellen verweisen auf ASML, das bei Belichtungsanlagen für moderne Chips ein Monopol hat. KI-Beratung folgert: Europa hat die Technologie, investiert aber zu wenig in eigene Rechenzentren. Everlast AI meint, es fehle an Chipfabriken und an Nachfrage.
Sprecherin: Und Deutschland? Magnussen greift Jensen Huang auf.
Sprecher: Huang zeigt sich besorgt über den Rückstand und betont die Abhängigkeit von Nvidia-Grafikprozessoren, kurz GPUs. Er lobt Modelle wie die von Black Forest Labs und fordert, KI aktiv zu lernen. Zugleich plant die Bundesregierung eine Kooperation mit Nvidia, mit Siemens, Audi und Black Forest Labs, Schwerpunkt physische KI und Bildmodelle.
Sprecherin: Aber der Partner ist doch der Lieferant der Abhängigkeit. Ist das dann Souveränität?
Sprecher: Dann hieße es: die Anwendung im eigenen Land beherrschen, nicht die Hardware.
Sprecherin: Auf der Marktseite zeigt Latent Space, wie sich der Zugang verschiebt.
Sprecher: Erik Bernhardsson von Modal nennt eine Series-D-Runde über 750 Millionen Dollar bei sechzehn Milliarden Bewertung und über einer Milliarde Jahresumsatz. Modal bündelt die Nachfrage tausender Kunden und liefert elastisch. Evan Conrad von SF Compute sagt, ein Cluster erforderte früher fünfzig bis hundert Millionen Dollar, heute werden GPU-Stunden gehandelt, du mietest also Rechenzeit stundenweise, statt ein ganzes Cluster zu kaufen.
Sprecherin: Rechenmacht liegt also auf zwei Schichten.
Sprecher: Chips, Strom und Fabriken unten, ein Markt für abrufbare Kapazität oben. Für Europa entscheidet sich Souveränität wohl daran, auf welcher Schicht es wirklich mitbestimmt.
Sprecherin: Letztes Thema: lokale KI. Lohnt sich ein eigenes Modell im Haus?
Sprecher: Der Podcast KI im Unternehmen von neuost räumt zuerst auf: ChatGPT oder Claude lernen nicht aus den Daten, die du ihnen gibst. Das Argument für lokal ist also Unabhängigkeit vom Anbieter. Bei Medizin oder Rechtsberatung empfiehlt er lokale Modelle, und bei US-Diensten sieht er potenziell höhere Datenschutzrisiken.
Sprecherin: Und was kostet das?
Sprecher: Magnussen nennt einen Mac Studio für bis zu etwa zehntausend Euro. Deep Seek 4.1 Flash laufe weder auf normalen MacBooks noch auf hochgerüsteten PCs sinnvoll, es braucht zu viel Rechenleistung.
Sprecherin: Gibt es etwas Billigeres?
Sprecher: Den Betrieb in einer virtuellen Maschine, also einem softwareseitig abgeschotteten Rechner. Der Preis ist zusätzliche Komplexität, und viele greifen ohnehin zu einfachen Lösungen. Datenschutzabkommen mit den USA schränken laut Magnussen zudem den Zugang zu großen chinesischen Modellen ein.
Sprecherin: Und Metas Modelle auf dem Mac?
Sprecher: Die sind für den Mac Studio optimiert, effizient nutzbar mit zwei Geräten, also wieder rund zehntausend Euro. Magnussen findet bemerkenswert, dass Zuckerberg, früher kritisch gegenüber Apple, jetzt auf dessen Hardware setzt. Der Modellname steht im Transkript als Mus, vermutlich verhaspelt.
Sprecherin: Gibt es einen günstigeren Weg?
Sprecher: Kolibri 1, im Transkript von ALF Alpha. Ein Open-Weight-Modell, in Deutschland und Europa trainiert, mit Schwerpunkt Deutsch. Als Mixture-of-Experts-Modell, also mit mehreren spezialisierten Teilnetzen, kommt es mit weniger Parametern aus. Hardwareanforderungen nennt das Material nicht.
Sprecherin: Wie entscheidest du dann sinnvoll, bevor du Geld ausgibst?
Sprecher: Neuost argumentiert von der Schutzbedürftigkeit der Daten, Magnussen von Kosten und Aufwand. Ein t3n-Beitrag verweist auf ein Werkzeug, das in Sekunden das passende Modell für dein Setup ermittelt, wie, bleibt offen. Die Logik ist klar: erst Hardware und Modell zusammen prüfen, dann kaufen.
Sprecherin: Heißt das, Datenschutz wird zur Budgetfrage?
Sprecher: Ja, auch eine des Betriebswissens. Kleine offene Modelle wie Kolibri könnten die Hürde senken. Solange die stärksten zwei Mac Studios verlangen, lohnt lokale KI vor allem dort, wo Daten wirklich geschützt werden müssen.
Sprecherin: Was nehmen wir in die nächste Woche mit?
Sprecher: Erstens die Frist zwischen Fund und eingespieltem Patch, bei fünfzehntausend CVEs im Monat. Zweitens, ob die Kimi-Gewichte erscheinen oder die chinesische Genehmigungspflicht sie bremst. Drittens: Bleibt die Freigabe bei Claude Duet und den Unternehmensagenten ein Schutz, oder wird sie zur Gewohnheit? Und viertens, ob die Prüfung der Beweise mit den Beweisen mithält.
Sprecherin: Das war die KI-Woche. Wenn du nicht nur zuhören, sondern selbst bauen willst: Auf foundic.org stehen unter KI-Projekte Schritt-für-Schritt-Anleitungen – auch dazu, wie dieser Podcast gebaut ist.
Sprecher: Nächsten Samstag sind wir wieder da. Bis dahin.