Servus, Lissy hier. Heute geht es um eine Frage, die vor zwei Jahren noch nach Gamescom geklungen hätte und jetzt nach KI-Infrastruktur: Was passiert, wenn Modelle nicht mehr nur Videos erzeugen, sondern Welten weiterlaufen lassen, während du eingreifst? Ein Paper zeigt 720p-Video mit bis zu 16 Bildern pro Sekunde auf einer einzelnen RTX 5090. Ein zweites bringt einen generativen Renderer von 0,56 auf 31,54 Bilder pro Sekunde. Und Anthropic macht aus seinem Arbeitsmarkt-Index ein Claude-Interface. Drei Meldungen: ein Muster: KI wird zur Oberfläche, durch die man Daten, Simulationen und Werkzeuge direkt steuert.
Fangen wir mit ABot-World-0 an. Das ist kein normales Text-zu-Video-Modell. Bei Text-zu-Video gibst du einen Prompt ein, wartest, bekommst einen Clip und fertig. ABot-World-0 versucht etwas anderes: Du gibst Aktionen rein, etwa Tastatursteuerung, und das Modell rollt die Welt weiter. Also nicht nur: zeig mir eine Straße im Regen. Sondern: ich laufe durch diese Straße, biege links ab, bewege die Kamera, und die Szene bleibt halbwegs konsistent.
Die Zahlen sind das Spannende. Die Autoren berichten 720p-Streaming mit bis zu 16 Bildern pro Sekunde auf einer einzelnen NVIDIA RTX 5090. Dazu 1,2 Sekunden vom Action-Eingang bis zum ersten Frame und ungefähr 19 GiB Peak-VRAM. Das ist noch kein perfektes Spielgefühl. 16 FPS ist unter dem, was Gamer als sauber empfinden würden. Aber es ist nah genug, dass man nicht mehr nur über Offline-Demos redet. Man redet über etwas, das lokal auf einer Desktop-GPU interaktiv testbar wird.
Technisch steckt dahinter eine Teacher-Student-Architektur. Erst lernt ein stärkeres Modell die Welt mit Blick auf Aktionen zu verstehen. Dann wird dieses Wissen in einen kausalen Student destilliert, der Schritt für Schritt weiterrollt. LongForcing soll verhindern, dass das Modell nach ein paar Sekunden driftet und die Welt auseinanderfällt. Dazu kommen ein leichter VAE-Decoder, effiziente Attention und Low-Bit-Inferenz. Trocken, ja. Aber genau dadurch wird aus einer hübschen Demo ein System, das auf einer Maschine neben dem Schreibtisch laufen kann.
Mein Take ist nicht: Spiele sind jetzt gelöst. Sind sie nicht. Der Take ist: Die Grenze zwischen Video und Simulation wird unscharf. Wenn du eine Welt durch ein Modell weiterträumst und trotzdem steuerst, entsteht eine neue Produktkategorie. Kleine Teams könnten damit Trainingswelten, Prototypen oder Simulationen ausprobieren, ohne sofort eine riesige Engine-Pipeline aufzubauen. Mei, noch ist das ein sehr teures Spielzeug. Aber so sehen oft die ersten brauchbaren Werkzeuge aus.
Das zweite Paper, AlayaRenderer-Flash, nimmt fast den Gegenweg. ABot-World-0 lässt eine Welt generativ weiterlaufen. AlayaRenderer trennt stärker zwischen Simulation und Darstellung. Die Physik-Engine behält den strukturierten Zustand der Welt: Positionen, Geometrie, G-Buffer, die harte Information. Das Modell erzeugt daraus die RGB-Frames. Es malt also nicht frei herum, sondern rendert generativ auf Basis eines kontrollierten World States.
Der Sprung ist ziemlich klar: von 0,56 FPS auf 31,54 FPS. Das ist der Unterschied zwischen Dia-Show und Spielgeschwindigkeit. Dafür formulieren die Autoren den Renderer als few-step autoregressives Streaming-Modell und nutzen leichte distillierte Codecs für Latents und Rekonstruktion. Auf Deutsch: weniger Rechenschritte pro Bild, kompaktere Zwischenrepräsentationen, schneller zurück zum sichtbaren Frame.
Warum zählt das? Weil es zeigt, dass generative Grafik mehrere Pfade hat. Der eine sagt: Das Modell lernt die Dynamik der Welt und rollt sie weiter. Der andere sagt: Die Engine bleibt für Dynamik und Kontrolle zuständig, das Modell übernimmt den visuellen Layer. Für Spiele, Simulationen und Robotik ist das ein echter Architekturunterschied.
Wenn ich ein kleines Team wäre, würde mich genau diese Unterscheidung interessieren. Beim World Model bekommst du Flexibilität, aber riskierst Drift. Beim generativen Renderer bekommst du mehr Kontrolle, weil die Simulation weiterhin hart in der Engine liegt. Dafür musst du die strukturierte Welt sauber bereitstellen. Das entscheidet, ob ein Produkt zuverlässig genug für Training oder echten Einsatz wird. Fortschritt liegt hier darin, Modell und klassische Software klug zu verheiraten.
Während die Papers zeigen, wie KI Welten interaktiv macht, hat Anthropic ein viel nüchterneres Feature vorgestellt: den Claude Connector für den Anthropic Economic Index. Nutzer können Claude direkt Fragen zu Daten über KI und Arbeit stellen. Nicht mehr nur einen statischen Report lesen, sondern in natürlicher Sprache durch den Index gehen. Welche Berufe nutzen KI wie stark? Welche Aufgaben verändern sich? Wo sieht man frühe Muster?
Das klingt weniger spektakulär als ein World Model, aber produktstrategisch ist es wichtig. Der Chatbot wird hier nicht als Plauderfenster benutzt, sondern als Analyseoberfläche. Die Datenbank bleibt die Datenbank. Claude wird die Schicht, die Fragen versteht, Filter baut und Zusammenhänge erklärt. Genau das ist für viele Firmen der eigentliche Hebel. Nicht jedes Team braucht ein neues Foundation Model. Viele Teams brauchen eine bessere Oberfläche für ihre eigenen Daten.
Für Gründer ist das ein gutes Signal. Der nächste Software-Wert entsteht oft nicht dadurch, dass du die Daten besitzt. Er entsteht dadurch, dass du sie so zugänglich machst, dass normale Menschen wirklich damit arbeiten können. Früher war das Dashboard. Dann kamen BI-Tools. Jetzt wird der Assistent zur Abfrageschicht. Wenn du einen guten Datensatz hast, kann ein Sprachmodell daraus plötzlich ein Produkt machen, ohne dass jeder Nutzer SQL lernen muss.
Natürlich ist Anthropic dabei nicht neutral. Sie erzählen auch ihre eigene Geschichte über KI und Arbeit. Trotzdem ist das Feature konkret. Es zeigt, wie Enterprise-Software sich verschiebt: weniger Menüs, mehr direkte Fragen. Weniger: klick dich durch sieben Filter. Mehr: frag nach dem Muster und lass dir die Quelle zeigen.
Und jetzt die kalte Dusche dazu. Wenn KI interaktiver wird, wenn sie Welten steuert, Datenbanken befragt und Tools ausführt, dann reicht ein schöner Chatverlauf nicht mehr als Sicherheitsmodell. Genau da passt OpenSkillRisk rein. Der Benchmark testet Agenten mit echten riskanten Third-Party-Skills aus öffentlichen Skill-Ökosystemen: 263 riskante Skills, sieben Bedrohungskategorien, standardisierte Aufgaben, Sandboxes und 13 moderne LLMs.
Das Ergebnis ist unangenehm: Selbst die sichersten Konfigurationen führen in ungefähr 17 Prozent der Fälle unsichere Aktionen aus. Der wichtige Punkt ist: Es geht nicht nur darum, ob ein Modell theoretisch sagen kann, dass etwas gefährlich ist. Es geht darum, ob der Agent im Ablauf stoppt, wenn ein Skill im falschen Kontext riskant wird.
Das passt direkt zu heute. Interaktive KI ist mächtig, weil sie handelt. Aber genau dadurch entsteht Risiko. Ein Modell, das nur Text ausgibt, kann Unsinn schreiben. Ein Agent mit Skills kann Dateien löschen, Daten rausgeben, API-Calls ausführen oder einen Dienst überlasten. Die Gefahr steckt nicht im Prompt allein, sondern in der Kombination aus Ziel, Kontext und Berechtigung.
Mein Reflex wäre nie: Dann verbieten wir halt alles. Oida, nein. Der bessere Weg ist saubere Kontrolle: klare Permissions, Sandboxing, Logs, Runtime-Gates, und im Zweifel eine harte Nachfrage bevor etwas Irreversibles passiert. Für lokale Agenten, MCP-Server und Skill-Marktplätze ist das keine Nebensache. Das ist die Voraussetzung, damit Menschen solchen Systemen überhaupt echte Aufgaben geben.
Worauf ich heute am Ende komme: Interaktivität ist der rote Faden. ABot-World-0 macht Video steuerbar. AlayaRenderer macht generatives Rendering schnell genug für Spielgeschwindigkeit. Claude macht Wirtschaftsdaten befragbar. OpenSkillRisk erinnert daran, dass handelnde Systeme klare Grenzen brauchen. Für mich ist das eine gute Momentaufnahme von KI im Sommer 2026. Die Technik verlässt die reine Antwortbox. Sie wird Oberfläche, Simulator, Renderer, Werkzeugnutzer. Das ist aufregend, weil kleine Teams damit Dinge bauen können, die früher eine ganze Abteilung gebraucht hätten. Und es ist anspruchsvoll, weil jedes neue Maß an Handlung neue Verantwortung erzeugt. Wenn euch die Folge gefallen hat, schreibt mir gerne, welche interaktive KI-Anwendung ihr gerade am spannendsten findet. Die Adresse steht in den Shownotes. Eine Bewertung auf Spotify oder Apple Podcasts hilft dem Podcast. Danke fürs Zuhören, servus, pfiat euch, eure Lissy.