Wer braucht schon echte Daten? Forscher zeigen, dass ein KI-Modell mit rein synthetischen Programmieraufgaben trainiert werden kann und dabei größere Konkurrenten schlägt. Mehr Aufgaben schlagen mehr Lösungen.
Der Artikel X-Coder übertrifft deutlich größere KI-Modelle dank rein synthetischer Trainingsdaten erschien zuerst auf The Decoder.
Der neue ukrainische Verteidigungsminister Mykhailo Fedorov kündigt ein System an, mit dem Verbündete ihre KI-Modelle auf ukrainischen Kriegsdaten trainieren können. Die Daten sollen als Verhandlungshebel dienen.
Der Artikel Vier Jahre Krieg, Millionen Stunden Drohnenmaterial: Ukraine teilt Daten für KI-Training erschien zuerst auf The Decoder.
Nano Banana
Kurzfassung
▾
Quellen
▾
Cloudflare übernimmt das Startup Human Native, um einen Marktplatz für KI-Trainingsdaten zu etablieren. Webseitenbetreiber können durch die „Pay Per Crawl“-Technologie automatisiert Geld für das Auslesen ihrer Inhalte verlangen. Der Schritt ist eine Antwort auf den EU AI Act und zunehmende Urheberrechtskonflikte mit KI-Firmen. Die Infrastruktur wandelt das Internet von einem Selbstbedienungsladen in einen geregelten Markt für Datenlizenzen.
EU will Auskunft über die Trainingsdaten von ChatGPT – T3N
Cloudflare launches Pay Per Crawl marketplace – TechCrunch
The web has a new system for making AI companies pay up – The Verge
Cloudflare übernimmt das Startup Human Native und positioniert sich damit als zentraler Vermittler im Konflikt um urheberrechtlich geschützte Trainingsdaten. Für Webseitenbetreiber entsteht so eine technische Infrastruktur, um KI-Firmen für das Auslesen ihrer Inhalte direkt zur Kasse zu bitten. Vom Türsteher zum Daten-Makler Lange Zeit glich das Internet für KI-Entwickler einem kostenlosen Selbstbedienungsladen. Cloudflare bot Webseitenbetreibern im vergangenen Jahr zunächst Werkzeuge an, um diese KI-Bots per Knopfdruck pauschal auszusperren. Mit der Übernahme von Human Native vollzieht das Unternehmen nun einen strategischen Schwenk: Statt Bots nur zu blockieren, sollen sie künftig zur Kasse gebeten werden. Human Native hat sich auf die Vermittlung zwischen Rechteinhabern und KI-Modellentwicklern spezialisiert. Die Technologie des Startups ermöglicht es, Inhalte genau zu identifizieren und Lizenzvereinbarungen automatisiert abzuwickeln. Cloudflare integriert diese Logik tief in sein riesiges Netzwerk, über das ein signifikanter Teil des weltweiten Internetverkehrs läuft. Das Ziel ist ein standardisierter Marktplatz, auf dem Webseitenbetreiber festlegen, zu welchem Preis ihre Daten für das Training von Modellen genutzt werden dürfen. Anzeige Rechtlicher Druck und das Ende der „Wild West“-Mentalität Der Zeitpunkt für diesen Schritt ist nicht zufällig gewählt. Große KI-Akteure wie OpenAI, Apple oder Nvidia stehen zunehmend unter Druck. Berichte über das ungefragte Nutzen von YouTube-Inhalten oder urheberrechtlich geschützten Texten häufen sich. Gleichzeitig fordert der EU AI Act massive Transparenz darüber, mit welchen Daten Modelle trainiert wurden. Die Zeiten, in denen Daten unbemerkt abgegriffen wurden, neigen sich dem Ende zu. Für Publisher und Creator war die Situation bisher unbefriedigend: Sie konnten ihre Inhalte entweder komplett vor Crawlern verstecken und damit Reichweite riskieren, oder sie wurden ohne Kompensation ausgelesen. Individuelle Lizenzdeals waren bisher nur großen Medienhäusern vorbehalten, da der bürokratische Aufwand für kleinere Seiten zu hoch war. Cloudflare will diese Lücke schließen, indem es die Verhandlung und technische Auslieferung der Daten automatisiert bündelt. Automatisierte Abrechnung per Crawler Die technische Vision hinter der Übernahme ist das sogenannte „Pay Per Crawl“-Modell. Ähnlich wie bei Werbeanzeigen könnten Webseitenbetreiber dynamische Preise festlegen. Ein KI-Bot, der eine Seite besucht, weist sich digital aus und akzeptiert die Lizenzbedingungen in Echtzeit. Die Infrastruktur von Cloudflare prüft den Zugriff und wickelt im Hintergrund die Zahlung ab. Ergänzend dazu arbeitet Cloudflare mit der x402 Foundation zusammen, um Zahlungsmethoden zu entwickeln, die speziell auf autonome KI-Agenten zugeschnitten sind. Damit positioniert sich das Unternehmen als unverzichtbare Mautstelle im Internet der Zukunft, die sicherstellt, dass hochwertige Daten nicht versiegen, sondern zu einem handelbaren Gut werden.
Anthropic analysiert erstmals systematisch, wie oft Claude bei Aufgaben scheitert. Die Daten zeigen: Je komplexer die Arbeit, desto geringer die Erfolgsquote. Das Unternehmen korrigiert seine Produktivitätsprognosen deutlich nach unten.
Der Artikel Anthropic veröffentlicht Erfolgsraten von Claude – und dämpft Erwartungen an Produktivitätsgewinne erschien zuerst auf The Decoder.
Nano Banana
Kurzfassung
▾
Quellen
▾
Eine kritische Sicherheitslücke in Anthropics Desktop-Agent „Claude Cowork“ ermöglicht Hackern den Zugriff auf das lokale Dateisystem. Durch „Indirect Prompt Injection“ in manipulierten Dateien (z.B. PDFs) führt die KI unbemerkt Befehle aus und sendet Daten an Dritte. Da das Sprachmodell legitime Nutzerbefehle nicht von bösartigen Inhalten in Dateien unterscheiden kann, ist eine technische Lösung schwierig. Experten raten dringend dazu, den Zugriff des Agenten auf sensible Ordner zu beschränken oder ihn nur in isolierten Umgebungen zu nutzen.
t3n – Sicherheitslücke in Claude Cowork: So verschaffen sich Hacker unbemerkt Zugriff
VentureBeat – Anthropic launches Cowork, a Claude Desktop agent that works in your files
Unite.ai – Anthropic macht Claude Code Power mit Cowork für alle zugänglich
Ad-hoc-news – Anthropics Claude Cowork: KI-Assistent wird zum aktiven Datei-Manager
Finanznachrichten.de – Sicherheitslücke in Claude Cowork: So verschaffen sich Hacker unbemerkt Zugriff
Anthropics neuer Desktop-Agent Claude Cowork weist eine kritische Schwachstelle auf, die Hackern den unbemerkten Zugriff auf lokale Dateisysteme ermöglicht. Für Nutzer bedeutet dies ein akutes Risiko, da vertrauliche Dokumente ohne direkte Interaktion autonom exfiltriert werden können. Der Traum vom autonomen Dateimanager Mit der Einführung von Claude Cowork versprach Anthropic eine Revolution der digitalen Büroarbeit. Der Desktop-Agent sollte als tief integrierter Assistent fungieren, der selbstständig Ordnerstrukturen bereinigt, Dokumente sortiert und Inhalte analysiert – ganz ohne Programmierkenntnisse des Anwenders. Die Vision war ein KI-Kollege, der Zugriff auf das lokale Dateisystem erhält, um administrative Lasten zu übernehmen. Doch genau diese weitreichenden Befugnisse werden dem System nun zum Verhängnis. Sicherheitsforscher haben nur wenige Tage nach dem Start eine gravierende Lücke in der Architektur des Agenten entdeckt. Das Problem liegt nicht in der Intelligenz des Modells, sondern in dessen Vertrauensseligkeit gegenüber verarbeiteten Daten. Claude Cowork behandelt Inhalte aus Nutzerdateien oft wie direkte Handlungsanweisungen. Dies öffnet Tür und Tor für sogenannte „Indirect Prompt Injections“. Dabei platzieren Angreifer versteckte Befehle in scheinbar harmlosen Dokumenten, die der Agent bei seiner täglichen Arbeit scannt und anschließend ausführt. Anzeige Einfallstor Dateisystem Die Angriffsmethode ist so simpel wie effektiv. Ein Hacker muss lediglich eine präparierte Datei – etwa ein PDF mit unsichtbarem Text oder eine Notiz im Projektordner – auf dem Rechner des Opfers platzieren. Sobald Claude Cowork diesen Ordner indexiert oder bearbeitet, liest die KI die darin enthaltenen Instruktionen. Der Nutzer bekommt davon nichts mit, da der Prozess im Hintergrund abläuft. Sicherheitsexperte Simon Willison demonstrierte, wie der Agent durch solche manipulierten Dateien dazu gebracht werden kann, sensible Informationen aus anderen Dokumenten zusammenzutragen. Die KI unterscheidet dabei nicht zwischen dem legitimen Befehl des Eigentümers und dem bösartigen Befehl innerhalb der Datei. Für das Sprachmodell sind beides valide Inputs, die priorisiert abgearbeitet werden. Besonders in Unternehmen, in denen Dateien oft geteilt und heruntergeladen werden, potenziert sich dieses Risiko enorm. Unsichtbarer Datenabfluss Das Schreckensszenario endet nicht beim bloßen Auslesen der Daten. Die eigentliche Gefahr besteht in der „Data Exfiltration“, also dem unbemerkten Abfluss von Informationen an Dritte. Die manipulierten Anweisungen können Claude Cowork dazu zwingen, die gesammelten Daten an einen externen Server zu senden. Da der Agent über eine aktive Internetverbindung verfügt und für die Kommunikation mit den Anthropic-Servern ausgelegt ist, wird dieser Datentransfer von herkömmlichen Firewalls oft nicht blockiert. Die Sicherheitsmechanismen, die Anthropic implementiert hat, greifen in diesem Szenario zu kurz. Zwar gibt es Filter gegen offensichtliche Angriffe, doch die Komplexität der natürlichen Sprache ermöglicht es Angreifern, diese Barrieren kreativ zu umgehen. Das System führt die Exfiltration aus, im Glauben, eine legitime Aufgabe zu erfüllen, etwa das „Zusammenfassen und Sichern“ von Projektstatusberichten an eine externe URL. Reaktion und Risikoeinschätzung Anthropic reagierte bereits mit einer Aktualisierung der Support-Dokumente zur sicheren Nutzung, doch eine technische Schließung der Lücke gestaltet sich schwierig. Es handelt sich um ein systemimmanentes Problem moderner LLM-Agenten (Large Language Models), die Zugriff auf externe Werkzeuge und das Internet haben. Solange das Modell nicht zweifelsfrei zwischen Systembefehl und Dateninhalt unterscheiden kann, bleibt das Restrisiko bestehen. Unternehmen und Privatanwendern wird aktuell geraten, Claude Cowork nur in isolierten Umgebungen zu nutzen oder den Zugriff auf sensible Verzeichnisse strikt zu limitieren. Der Vorfall zeigt deutlich, dass die Autonomie von KI-Agenten auf dem Desktop einen Preis hat: Wer einem Assistenten den Generalschlüssel zu seinen Daten gibt, muss sicherstellen, dass dieser nicht versehentlich dem Einbrecher die Tür öffnet.
Nano Banana
Kurzfassung
▾
Quellen
▾
OpenAI fordert externe Auftragnehmer auf, echte Arbeitsdokumente wie Präsentationen und Tabellen aus früheren Jobs hochzuladen. Ziel ist das Training autonomer KI-Agenten, die komplexe, mehrstufige Arbeitsprozesse simulieren und eigenständig lösen können. Dieser Schritt gilt als entscheidend auf dem Weg zur AGI (Artificial General Intelligence), da synthetische Daten für das nächste Level nicht mehr ausreichen. Experten sehen kritische Datenschutzfragen, da sensible Interna ehemaliger Arbeitgeber in die KI-Modelle einfließen könnten.
Wired: OpenAI Contractor Upload Real Work Documents AI Agents
t3n: Auf dem Weg zur AGI: OpenAI testet neue KI-Modelle an echten Aufträgen
TechCrunch: OpenAI is Reportedly Asking Contractors to Upload Real Work from Past Jobs
FinanzNachrichten: Auf dem Weg zur AGI: OpenAI testet neue KI-Modelle an echten Aufträgen
OpenAI fordert externe Auftragnehmer auf, echte Arbeitsdokumente aus früheren Jobs hochzuladen. Dieser Schritt markiert eine entscheidende Phase in der Entwicklung autonomer KI-Agenten, die komplexe berufliche Aufgaben eigenständig lösen und den Weg zur AGI ebnen sollen. Vom Chatbot zum autonomen Mitarbeiter OpenAI verlässt die Ebene rein generierter oder öffentlicher Trainingsdaten und setzt verstärkt auf Realität. Externe Fachkräfte laden derzeit Präsentationen, komplexe Tabellenkalkulationen und interne PDF-Dokumente aus ihrer vergangenen Berufspraxis hoch. Das Unternehmen benötigt dieses Material, um die nächste Generation von KI-Modellen an authentischen Szenarien zu schulen. Das Ziel ist das Training spezialisierter KI-Agenten, die nicht nur Texte verfassen, sondern echte Arbeitsprozesse simulieren. Die Modelle sollen lernen, wie Menschen komplexe, oft unstrukturierte Aufgaben im Unternehmenskontext bewältigen. Es findet eine klare Verschiebung statt: Weg vom reinen Dialogpartner, hin zum digitalen Angestellten, der Aufträge autonom abarbeitet. Anzeige Training mit realen Wirtschaftsabläufen Nach dem Upload der Dokumente weisen die Auftragnehmer die KI an, die ursprünglich mit diesen Dateien verbundenen Aufgaben auszuführen. Anschließend bewerten die menschlichen Experten, wie präzise, logisch und nützlich die Ergebnisse der Software im Vergleich zur menschlichen Leistung ausfallen. Es geht dabei nicht mehr um simple Frage-Antwort-Szenarien, wie sie von ChatGPT bekannt sind. Die Systeme müssen logische Schlussfolgerungen ziehen und mehrstufige Prozesse verstehen, die bisher menschliche Kognition erforderten. Die KI muss beispielsweise aus einer Bilanz Strategien ableiten oder aus technischen Spezifikationen einen Projektplan erstellen. Der nächste Schritt zur allgemeinen künstlichen Intelligenz Diese Methodik unterstreicht OpenAIs Ambition, eine Artificial General Intelligence (AGI) zu entwickeln. Solche Systeme sollen in der Lage sein, jede intellektuelle Aufgabe zu erfüllen, die auch ein Mensch erledigen kann. Experten sehen in der Fähigkeit, reale „White-Collar“-Arbeit zu verrichten, den ultimativen Test für diese Technologie. Durch die Konfrontation mit echten Daten aus der Wirtschaft lernt die KI, mit der Unvorhersehbarkeit des Arbeitsalltags umzugehen. Dies gilt als Nadelöhr für den breiten Einsatz autonomer Agenten in Unternehmen. Rein synthetische Daten reichen offenbar nicht mehr aus, um die Modelle auf das nächste Leistungsniveau zu heben. Herausforderung Datenschutz und Sicherheit Die Verwendung authentischer Geschäftsunterlagen aus der Vergangenheit der Auftragnehmer wirft Fragen zum Umgang mit sensiblen Informationen auf. Die Prozesse erfordern, dass Auftragnehmer genau abwägen, welche Daten sie teilen, um keine Vertraulichkeitsvereinbarungen alter Arbeitgeber zu verletzen. OpenAI geht diesen Weg bewusst, um eine mögliche Stagnation bei der Leistungsfähigkeit der Modelle zu überwinden. Echte Daten gelten in der Branche als der entscheidende Rohstoff für den nächsten Qualitätssprung. Wer den Sprung zum funktionierenden Agenten zuerst schafft, sichert sich den entscheidenden Wettbewerbsvorteil im Jahr 2026.
OpenAI hat einen umfassenden Bericht zur KI-Nutzung in Unternehmen veröffentlicht. Die Daten zeigen Produktivitätsgewinne und eine wachsende Kluft zwischen Vorreitern und Nachzüglern.
Der Artikel OpenAI-Analyse: KI soll Wissensarbeitern 40 bis 80 Minuten pro Tag sparen erschien zuerst auf The Decoder.
Finanzblase hin, Finanzblase her: Generative KI wird genutzt. Neue Daten zeigen, dass Chatbots wie ChatGPT rasant an Bedeutung gewinnen, und das quer durch alle Altersgruppen. Klassische Suchmaschinen bleiben trotz KI-Boom weiter zentrale Anlaufstellen.
Der Artikel Chatbot-Nutzung nimmt stark zu, entwickelt sich zum „Internet-Backbone“ erschien zuerst auf The Decoder.
Nano Banana
Kurzfassung
▾
Quellen
▾
OpenAI führt „Shopping Research“ ein, ein neues Feature, das komplexe Produktrecherchen übernimmt und personalisierte Kaufempfehlungen liefert. Die Funktion basiert auf einer spezialisierten Version von GPT-5 mini und erreicht eine deutlich höhere Trefferquote als herkömmliche Suchanfragen. Das Tool ist ab sofort für alle Nutzer kostenlos verfügbar und ermöglicht interaktives Feedback, um die Ergebnisse in Echtzeit zu verfeinern. Zukünftig plant OpenAI die Integration einer direkten Bezahlfunktion, wodurch der Chatbot zur vollwertigen Shopping-Plattform wird.
OpenAI Blog: Introducing shopping research in ChatGPT
OpenAI rollt heute eine neue Funktion aus, die das Online-Shopping grundlegend verändert und die klassische Produktsuche alt aussehen lässt. „Shopping Research“ übernimmt ab sofort die mühsame Recherche nach Produkten, vergleicht Preise im Hintergrund und liefert maßgeschneiderte Empfehlungen direkt im Chat. Nutzer aller Abo-Stufen erhalten Zugriff auf das Tool, das tief im Internet gräbt. Schluss mit dem Tab-Chaos im Browser Wer kennt das nicht? Man sucht einen neuen Staubsauger oder ein Geschenk für die Nichte und hat plötzlich zwanzig Tabs offen. Damit ist jetzt Schluss. Du beschreibst der KI einfach, was du brauchst. Ein Beispiel wäre die Suche nach dem leisesten Akkustaubsauger für eine kleine Wohnung. Die Software bombardiert dich daraufhin nicht einfach mit Links. Sie stellt intelligente Rückfragen, um deine Wünsche und Budgetgrenzen zu präzisieren. Danach durchsucht der Bot das Netz nach Tests, technischen Daten und aktuellen Preisen. Das Ergebnis ist kein unübersichtlicher Link-Friedhof, sondern ein kuratierter Kaufberater. Das System vergleicht Vor- und Nachteile verschiedener Modelle und bereitet diese visuell auf. Besonders bei komplexen Kategorien wie Elektronik oder Haushaltsgeräten spart das enorm Zeit und Nerven. GPT-5 im Maschinenraum Unter der Haube arbeitet eine spezialisierte Version von GPT-5 mini. OpenAI hat dieses Modell mit Reinforcement Learning gezielt auf Shopping-Szenarien trainiert. Das zahlt sich in der Präzision aus. Interne Daten zeigen eine Trefferquote von 64 Prozent bei komplexen Produktanfragen, bei denen viele Bedingungen erfüllt sein müssen. Zum Vergleich: Die normale ChatGPT-Suche schafft hier nur 37 Prozent. Du kannst während der Suche direkt in den Prozess eingreifen. Gefällt dir ein Vorschlag nicht oder ist er zu teuer, markierst du ihn als uninteressant. Das System lernt sofort daraus und passt die nächsten Vorschläge an deine Vorlieben an. Auch das Gedächtnis der KI spielt eine Rolle: Weiß ChatGPT aus früheren Gesprächen, dass du gerne angelst, fließen diese Informationen in Geschenkvorschläge ein. Verfügbarkeit und Datenschutz OpenAI schaltet das Feature ab heute für alle Nutzergruppen frei, egal ob Free, Plus oder Pro. Pünktlich zum Weihnachtsgeschäft gibt es vorerst keine Nutzungslimits für die Recherche. Deine Chats werden laut OpenAI nicht direkt an Händler weitergegeben, sondern basieren auf öffentlich verfügbaren Daten. Langfristig plant das Unternehmen eine noch tiefere Integration in den E-Commerce. In Zukunft sollst du Produkte direkt über ChatGPT kaufen können, ohne die App zu verlassen. Mit diesem Schritt greift OpenAI direkt das Kerngeschäft von Google und Amazon an und verwandelt den Chatbot vom reinen Textgenerator in einen aktiven Handlungsgehilfen.
Nano Banana
Kurzfassung
▾
Quellen
▾
Google DeepMind und Google Research haben am 17. November 2025 das KI-Modell WeatherNext 2 veröffentlicht. Das neue System erstellt Wetterprognosen achtmal schneller als sein Vorgänger und bietet eine stundengenaue Auflösung. Durch die Berechnung hunderter paralleler Szenarien erreicht das Modell eine um 99,9 Prozent höhere Genauigkeit bei Temperatur und Wind.
DeepMind Google – WeatherNext 2
9to5Google – WeatherNext 2 is Google’s most accurate forecasting model
TechBuzz AI – Google DeepMind Unveils WeatherNext 2 – 8x Faster AI Weather Forecasting
Bloomberg – DeepMind’s Latest AI Weather Model Targets Energy Traders
Google DeepMind und Google Research haben am 17. November 2025 mit WeatherNext 2 ihr bislang leistungsfähigstes Wettermodell vorgestellt. Das System erstellt Prognosen achtmal schneller als der Vorgänger und liefert dabei eine stundengenaue Auflösung. Die KI setzt neue Standards bei der Vorhersagegenauigkeit von Temperatur, Wind und Luftfeuchtigkeit. Massive Beschleunigung der Prognosen Die Geschwindigkeit moderner Wettermodelle bestimmt oft ihren Nutzen bei schnell aufziehenden Extremwetterlagen. WeatherNext 2 verkürzt die Rechenzeit drastisch. Das Modell generiert komplexe Vorhersagen in einem Bruchteil der Zeit, die herkömmliche physikalische Simulationen benötigen. Google gibt an, dass der Prozess nun achtmal schneller abläuft als bei der vorherigen Version. Nutzer erhalten Daten in einer zeitlichen Auflösung von bis zu einer Stunde. Diese Frequenz erlaubt eine nahezu lückenlose Überwachung dynamischer Wetterfronten. Meteorologen reagieren dadurch früher auf kurzfristige Änderungen in der Atmosphäre.
Wahrscheinlichkeiten statt starrer Daten Der größte technische Sprung liegt in der Art der Berechnung. Das Modell sagt nicht nur ein einzelnes Ergebnis voraus. Es simuliert hunderte mögliche Szenarien aus einem einzigen Ausgangspunkt. Dieser Ansatz nennt sich probabilistische Vorhersage. Die KI bewertet dabei die Wahrscheinlichkeit verschiedener Wetterentwicklungen parallel. Unsicherheiten in der Prognose werden so transparent und messbar. Entscheidungsträger im Katastrophenschutz erhalten dadurch ein klareres Bild über mögliche Risikoszenarien. Das System erkennt Muster in riesigen Datensätzen, die dem menschlichen Auge oder klassischen Formeln oft verborgen bleiben. Präzision für kritische Sektoren Die gesteigerte Rechenleistung schlägt sich direkt in der Qualität der Daten nieder. Im direkten Vergleich zum Vorgängermodell stieg die Genauigkeit bei Kernvariablen wie Temperatur, Windgeschwindigkeit und Luftfeuchtigkeit um 99,9 Prozent. Diese Präzision zielt nicht nur auf den Endverbraucher ab. Energiehändler nutzen solche exakten Daten, um Schwankungen bei Wind- und Solarenergie vorherzusehen. Auch Google Maps integriert die neuen Funktionen für genauere Reiseplanungen. Die Veröffentlichung markiert einen wichtigen Schritt weg von reinen Physik-Simulationen hin zu KI-gestützten Hybridmodellen in der Meteorologie.