Heute geht es um ein Open-Source-Modell, das Bildverstehen und Bildgenerierung in einem vereint, mit einem Trainingsbudget von nur 400.000 Dollar. Das ist weniger als manche KI-Firma allein für die Stromrechnung ihres Büros im Monat ausgibt. Dazu eine kleine, aber feine Änderung bei Google, und ein Produktmanager, der sich mit KI anderthalb Stunden am Tag zurückerobert hat. Ich bin eure Lissy, das ist euer Daily AI News Update, los gehts.
Fangen wir mit einem Modell an, das ich aus mehreren Gründen richtig spannend finde. Boogu-Image-0.1 ist eine Open-Source-Familie von KI-Modellen, die zwei Dinge können, die bisher meist getrennt waren: Bilder verstehen und Bilder generieren. Die meisten Systeme brauchen dafür zwei separate Modelle. Eins für das Verstehen, ein zweites für das Erzeugen. Boogu macht beides in einem Guss. Und das ist nicht nur praktischer, sondern auch effizienter, weil das Modell beim Verstehen lernt, was gute Bilder ausmacht, und beim Generieren weiss, worauf es beim nächsten Verstehen ankommt. Wie genau funktioniert das technisch? Ein spezielles Trainingssetup sorgt dafür, dass dieselben Gewichte sowohl für Understanding-Tasks wie Bildbeschreibung und Texterkennung als auch für Generation-Tasks wie Text-zu-Bild und Bildbearbeitung zuständig sind. Das Modell versteht also, wie ein Hund aussieht, und kann auch einen zeichnen. Das klingt nach Grundlagenforschung, hat aber einen Haken, der mich zum Schmunzeln bringt: Das gesamte Training hat nur 400.000 Dollar gekostet. Wie haben die das gemacht? Der Trick liegt in der Datenqualität. Statt Milliarden von ungeprüften Bildern zusammenzukratzen, haben die Entwickler nur 208 Millionen einzigartige, hoch kuratierte Bilder verwendet. Das ist ein Bruchteil dessen, was andere Modelle füttern. Jedes Bild wurde so ausgewählt, dass das Modell maximal daraus lernen kann. Dazu kommt ein Ansatz, der Agentic Inference-Time Scaling heisst. Das bedeutet, dass das Modell bei schwierigen Aufgaben zur Laufzeit mehr Rechenleistung bekommt. So wie ein Mathematiker bei einem Beweis länger braucht als beim Kopfrechnen. Das Modell allokiert also dynamisch mehr Compute für schwierige Prompts. Die Ergebnisse sind beachtlich. Das Open-Source-Modell erreicht Werte, die nah an geschlossene Systeme wie GPT-Image-2 herankommen. Vor allem bei der Texterkennung in Bildern und bei der Verarbeitung von chinesischen und englischen Texten. Bei komplexen Szenen mit vielen Objekten hat GPT-Image-2 noch die Nase vorn. Aber der Abstand schrumpft, und das bei einem Budget, das für die grossen Anbieter nur ein Rundungsfehler ist. Was bedeutet das für uns? Dass der Vorsprung der grossen geschlossenen Anbieter schneller schrumpft, als viele denken. Wer heute eine Bild-KI bauen will, braucht keine Milliarden mehr. Vierhunderttausend Dollar reichen, wenn man weiss, worauf es bei den Daten ankommt. Und das ist eine dieser Geschichten, die zeigen, wie KI demokratischer wird. Nicht von heute auf morgen, aber stetig und spürbar.
Ein kurzer Blick auf Google. Der KI-Notizassistent NotebookLM heisst jetzt Gemini Notebook. Das klingt auf den ersten Blick nach einer reinen Kosmetik-Änderung, aber es steckt mehr dahinter. Das Produkt bekommt eine tiefere Integration in das Google-Ökosystem und einen sogenannten Cloud Computer. Das ist ein sicherer Bereich in der Cloud, in dem das Modell Dokumente lesen, Code ausführen und Analysen durchführen kann, ohne dass Daten den Google-Sicherheitsbereich verlassen. Faktisch ändert sich für bestehende Nutzer nicht viel. Wer NotebookLM bisher gemocht hat, wird Gemini Notebook genauso mögen. Die spannende Frage ist strategischer Natur. Google vereinheitlicht seine KI-Produkte unter der Gemini-Marke. NotebookLM, Gemini, alle Assistenten unter einem Dach. Das macht es einfacher für Nutzer, macht aber auch klar, dass Google alle KI-Angebote in eine gemeinsame Plattform zieht. Für uns Hörer heisst das: Wer NotebookLM noch nicht ausprobiert hat, sollte jetzt neugierig werden. Das Produkt wird nicht weniger, sondern mehr.
Und dann ist da noch eine Geschichte, die viele im Alltag nachvollziehen können. Ein Produktmanager hat sich einen KI-Assistenten eingerichtet, der ihm die lästigsten Admin-Aufgaben abnimmt. Das Setup klingt unspektakulär und ist gerade deshalb so wertvoll. Der Assistent fasst morgens E-Mails, Slack-Nachrichten und Kalendereinträge zusammen. Früher hat dieses Briefing 25 Minuten gedauert. Jetzt sind es drei. Und das nicht, weil er schneller liest, sondern weil der Assistent die relevanten Infos vorselektiert und in eine Struktur bringt, die er auf einen Blick erfassen kann. Recherche vor Kundenanrufen, die früher 15 Minuten verschlungen hat, entfällt komplett, weil der Assistent die relevanten Notizen und Dokumente direkt zusammenstellt. Action Items aus Meetings werden automatisch getrackt und in die richtige Todo-Liste einsortiert. Am Ende gewinnt er zwischen einer und anderthalb Stunden pro Tag zurück. Was mich an dieser Geschichte freut, ist dass es kein Coding-Use-Case ist. Kein Entwickler, der schneller programmiert. Kein Startup, das seine Kosten optimiert. Sondern ein ganz normaler Wissensarbeiter, der einfach weniger Zeit mit Routinen verschwenden will. Und das ist genau der Punkt, an dem KI für die Mehrheit der Menschen relevant wird. Nicht indem sie spektakuläre neue Dinge tut, sondern indem sie die langweiligen, wiederkehrenden Aufgaben übernimmt, die jeden Tag ein bisschen Zeit fressen. Eine Stunde am Tag mag nicht nach viel klingen. Aber über ein Jahr sind das 250 Stunden. Das sind mehr als sechs Arbeitswochen. Und die bekommt man zurück, ohne dass man irgendetwas Neues lernen oder umstellen muss.
Mein Takeaway für heute: Boogu-Image-0.1 zeigt, dass der Vorsprung der geschlossenen KI-Systeme schrumpft, und zwar schneller, als viele wahrhaben wollen. Vierhunderttausend Dollar, hochwertige Daten und ein cleverer Trainingsansatz reichen aus, um an Ergebnisse heranzukommen, die vor einem Jahr noch undenkbar gewesen wären. Gleichzeitig zeigt der Produktmanager, dass KI nicht nur für Entwickler und Tech-Firmen da ist. Wer morgens E-Mails sortiert, vor Calls recherchiert und Action Items durchgeht, kann sich diese Arbeit jetzt an vielen Stellen abnehmen lassen. Das muss uns nicht begeistern. Aber es ist ehrlich. 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. Das hilft mir sehr. Pfiat euch und bis morgen, eure Lissy.