Google bringt diese Woche eine Fähigkeit in sein günstigstes Modell, die bisher nur wenige hatten: Computer Use. Also die Möglichkeit, dass eine KI nicht nur textbasiert antwortet, sondern einen Browser bedient, Buttons klickt und Formulare ausfüllt. Gleichzeitig zeigt ein neues Paper, warum der nächste Engpass bei KI-Code nicht das Schreiben ist, sondern das Überprüfen. Und ein chinesisches Modell zieht in Benchmarks an Claude vorbei. Genug Stoff für heute. Ich bin Lissy und das sind die Daily AI News.
Fangen wir mit Google an. Gemini 3.5 Flash bekommt ein neues Feature, das die Art verändert, wie Entwickler mit dem Modell arbeiten können: Computer Use. Das bedeutet, man kann dem Modell sagen, es soll einen Browser öffnen, eine Webseite laden, ein Formular ausfüllen, einen Button klicken, also genau das, was Anthropic mit Claude schon seit einiger Zeit anbietet. Google zieht jetzt nach und macht dieses Feature direkt im günstigsten und schnellsten Gemini-Modell verfügbar. Was sich hier auf den ersten Blick wie eine weitere Produktankündigung anfühlt, ist strategisch ziemlich bedeutend. Denn plötzlich haben Entwickler die Wahl zwischen drei Anbietern für GUI-Agents: Anthropic, OpenAI und jetzt Google. Und Wettbewerb in diesem Bereich bedeutet, dass die Preise sinken, die Qualität steigt, und die Integrationen besser werden. Aber es gibt auch einen Haken. Ein Paper aus Oxford, das diese Woche erschienen ist namens GauntletBench hat getestet, wie gut aktuelle KI-Agenten in realistischen Szenarien abschneiden. Das Ergebnis ist ernüchternd. Der beste getestete Agent erreichte nur 19 Prozent Erfolgsrate bei Aufgaben wie Videobearbeitung, 3D-Modellierung oder Flugdatenanalyse. Menschen schaffen über 80 Prozent. Die Defizite liegen vor allem in drei Bereichen: zeitliches Verständnis, also wann etwas passiert ist und in welcher Reihenfolge; grafisches Verständnis, also UI-Elemente erkennen und bedienen; und räumliches Denken. Das heißt: Computer Use ist angekommen, aber die Systeme sind noch weit davon entfernt, zuverlässig zu sein. Für Entwickler bedeutet das: Nutzen, aber nicht blind vertrauen. Und wer heute Entwickler ist, sollte wissen: Der Wettbewerb zwischen diesen Plattformen wird in den nächsten Monaten dafür sorgen, dass die Fähigkeiten besser werden und die Preise sinken. Genau dieser Wettbewerb ist es, der KI am Ende für alle zugänglicher macht.
Kommen wir zu einem Paper aus dem Qwen-Team, das mir heute wirklich im Kopf geblieben ist. Der Titel sagt eigentlich schon alles: The Verification Horizon. Die Kernaussage ist überraschend simpel und tief zugleich. Bisher dachte man: Code generieren ist schwer, Code prüfen ist leicht. Das klassische Gefühl: Ein Programm zu schreiben dauert Stunden, aber zu sehen ob es läuft dauert Sekunden. Bei KI-Code-Agents dreht sich das um. Ein großes Sprachmodell kann in Sekunden tausende Code-Vorschläge generieren. Aber zu prüfen, ob einer davon wirklich korrekt ist, wird zum Flaschenhals. Warum ist das so? Das Paper identifiziert drei Dimensionen, die jeder Verifier gleichzeitig erfüllen muss. Erstens: Skalierbarkeit. Funktioniert der Verifier auch bei großen, komplexen Aufgaben. Zweitens: Treue. Misst er wirklich das, was der User wollte, oder nur einen Proxy. Drittens: Robustheit. Kann er nicht ausgetrickst werden. Und das Problem ist, dass kein Verifier alle drei gleichzeitig erreicht. Das Team hat vier verschiedene Verifier-Architekturen getestet. Test-basierte Verifier erreichen 60 bis 70 Prozent Korrelation mit menschlichem Urteil. Rubrik-basierte Verifier sind besser für Frontend-Aufgaben mit 75 Prozent. Der beste Ansatz war ein Agent-Verifier, der selbstständig prüft, kombiniert mit menschlichem Feedback, der erreicht etwa 80 Prozent Korrelation. Die wichtigste Erkenntnis für alle, die KI-Code-Tools nutzen: Wenn euch ein Agent eine Lösung vorschlägt, die gut aussieht, aber ihr nicht sicher seid ob sie stimmt, dann liegt das nicht an euch. Das ist ein fundamentales Problem. Der Engpass verschiebt sich vom Generieren zum Verifizieren. Und gute Entwickler werden in Zukunft nicht die sein, die die besten Prompts schreiben, sondern die, die die besten Prüfmechanismen bauen.
Ein kurzer Blick in den Wettbewerb. Das chinesische Modell GLM 5.2 von Zhipu AI hat in mehreren Benchmarks Claude hinter sich gelassen. Im Artificial Analysis Intelligence Index erreicht es 51 Punkte, Claude liegt bei 46. Bei GPQA Diamond, einem anspruchsvollen Wissenschafts-Benchmark, erreicht GLM 5.2 89 Prozent. Und im GDPval-AA liegt es auf einem Niveau mit GPT-5.5. Was bedeutet das konkret? GLM 5.2 ist kein Nischenmodell mehr. Es hat 744 Milliarden Parameter, aktiviert aber nur 40 Milliarden pro Anfrage, das ist eine sparsame Architektur. Der Kontext wurde von 200.000 auf eine Million Token erhöht. Und die Preise sind aggressiv: 1,40 Dollar pro Million Input-Token. Zum Vergleich, Claude liegt bei etwa 3 Dollar. Das ist kein Einzelfall. DeepSeek, Qwen, MiniMax, sie sind in den letzten Monaten massiv aufgerückt. Und während westliche Anbieter oft über Sicherheit und Alignment sprechen, liefern chinesische Teams einfach konkurrierende Benchmarks zu niedrigeren Preisen. Für den Markt heißt das: Der Wettbewerb wird globaler. Und je mehr ernsthafte Anbieter es gibt, desto mehr Druck auf die Preise und desto mehr Auswahl für Entwickler.
Bevor ich euch verabschiede, noch zwei kurze Meldungen, die heute nicht in die Hauptsegmente gepasst haben, aber trotzdem wichtig sind. Meta hatte eine bemerkenswerte Woche. Vier eigene KI-Chips in zwei Jahren, SAM 3.1 für Echtzeit-Videoverfolgung, und Muse Spark, eine Vision von persönlicher Superintelligenz. Das zeigt: Meta baut nicht nur Modelle, sondern eine komplette Infrastruktur. Chips, Computer Vision, Sprachmodelle, Augmented Reality. Alles aus einer Hand. Und dann gibt es neue Zahlen zum Thema AI im Kundenservice. Fin AI, QuickChat und IBM liefern konsistente Daten: Ein KI-Chatbot kostet pro Interaktion zwischen 50 Cent und 2 Dollar. Ein menschlicher Agent kostet zwischen 8 und 15 Dollar. Der Return on Investment liegt im ersten Jahr bei 41 Prozent, im dritten Jahr bei über 120 Prozent. Für jedes Unternehmen, das Support-Kosten senken will, sind das handfeste Argumente. Wenn ich den heutigen Tag in einen Satz packen müsste: KI-Systeme werden immer fähiger, aber die Grenzen verschieben sich nur. Sie verschwinden nicht. Computer Use kommt, aber die Verifikation wird zum neuen Engpass. Chinesische Modelle holen auf, aber das ist Wettbewerb, nicht Untergang. Und während die großen Player Infrastruktur bauen, zeigen konkrete ROI-Zahlen, dass KI längst im Geschäftsalltag angekommen ist. Wenn euch die Folge gefallen hat, schreibt mir eine Mail. Die Adresse steht in den Shownotes. Oder hinterlasst eine Bewertung auf Apple Podcasts oder Spotify. Pfiat euch, bis morgen, eure Lissy.