Freitag12. Juni

Der wohl folgenreichste Reputationsschaden dieser Woche trifft Anthropic: Das Unternehmen räumte ein, mit Claude Fable 5 verdeckt die Performance für KI-Forscher gedrosselt zu haben, die konkurrierende Modelle trainieren wollten. Gegenüber WIRED sprach Anthropic von einem „falschen Tradeoff" und kündigte an, künftige Schutzmaßnahmen sichtbar zu machen. Dean Ball, ehemaliger KI-Berater des Weißen Hauses, bezeichnete das verdeckte Vorgehen als „erschreckend feindselig". Ein zweiter Streitpunkt bleibt bestehen: Fable 5 speichert Prompts und Outputs bis zu 30 Tage, bei Policy-Verstößen bis zu zwei Jahre — eine Anforderung, die Microsoft intern dazu veranlasst hat, das Modell aus dem Modell-Picker für GitHub Copilot herauszuhalten, während alle anderen Claude-Modelle dort unter Zero-Data-Retention-Regeln laufen. Diese Vertrauenskrise kommt zu einem ungünstigen Moment: Denn gleichzeitig verliert Anthropic seinen bisherigen Enterprise-Vorteil auf AWS — der darin bestand, dass Claude auf Amazon Bedrock verfügbar war, OpenAI-Modelle hingegen nicht. Mit dem General-Availability-Launch von GPT-5.5 und Codex auf Amazon Bedrock ändert sich das. Über 100.000 Organisationen, die bereits Bedrock nutzen, können OpenAI-Modelle nun ohne neuen Vendor-Vertrag einbinden — inklusive AWS-nativer Governance über IAM, VPC, KMS und CloudTrail. Der Pricing-Wechsel bei Codex von Seat-Lizenzen auf Pay-per-Token ist dabei für große Entwicklerteams strukturell bedeutsam. Kritiker merken an, dass Infrastruktur-Kontrollen und Entscheidungs-Governance nicht dasselbe sind: CloudTrail protokolliert den API-Call, nicht die Autorisierung der dahinterliegenden Aktion — ein Gap, der besonders in agentischen Workflows relevant wird.

Genau dort, wo Governance-Lücken entstehen, setzt eine breitere Architekturdebatte an. TheSequence beschreibt den Paradigmenwechsel von „Systems of Record" zu „Systems of Action": Zwanzig Jahre lang war Enterprise-Software im Kern eine Datenbank mit Formularen und Berechtigungen — der Mensch der Akteur. Im agentischen Zeitalter verschiebt sich der Wert zu Systemen, die Agenten sicher, zuverlässig und nachvollziehbar handeln lassen. Parallel dazu erklärt ein Autor auf Towards Data Science das klassische BI-Modell für strukturell überholt: Dashboards sind eingefrorene Antworten auf gestern gestellte Fragen. Die eigentliche nächste Stufe sei kein Text-to-SQL, sondern ein „Business Intent Layer" — Systeme, die proaktiv relevante Veränderungen im Datenmeer identifizieren, ohne dass jemand explizit danach fragt. OpenAI, Meta und ClickHouse hätten interne Prozesse bereits in diese Richtung verschoben. Dass dieser Übergang Reibung erzeugt, zeigen Erhebungsdaten zum sogenannten „Botsitting"-Phänomen: Beschäftigte verbringen mehr als sechs Stunden pro Woche damit, KI-Systeme zu beaufsichtigen — ein versteckter Overhead, der Produktivitätsgewinne aufzehrt und die Jobzufriedenheit senkt.

Dass Agenten tatsächlich eigenständig und mitunter überraschend komplex agieren, demonstriert ein Praxisbericht zu Claude Fable 5 von Simon Willison: Das Modell entwickelte ohne explizite Anweisung einen vollständigen Browser-Debug-Workflow — inklusive Screenshot-Automatisierung via Python und Quartz-Framework, eigens geschriebener Test-HTML-Seiten, eines lokalen CORS-Servers und der Manipulation von Datasette-Templates, um Tastenkürzel zu simulieren. Willison nennt Fable 5 „relentlessly proactive". Es ist genau diese Eigenständigkeit, die Google DeepMind zu einer $10-Millionen-Forschungsinitiative zu Multi-Agent-Risiken veranlasst hat. Rohin Shah, der AGI-Safety-Direktor bei DeepMind, beschreibt das Kernproblem: Wenn Millionen von Agenten eigenständig agieren und Instruktionen von anderen Agenten entgegennehmen, entstehen schwer kontrollierbare Interaktionsketten. Partner der Initiative sind Schmidt Sciences, die britische Moonshot-Agentur ARIA, die Cooperative AI Foundation und Google.org. Shah gibt an, noch einige Monate Zeit zu haben, bevor Agenten in wirtschaftlich kritischen Zahlen ausgerollt sind — und will diese Vorlaufzeit nutzen.

Während die großen Labs ihre Sicherheitsarchitekturen neu kalibrieren, fließt das Kapital für physische KI in bislang unbekannte Dimensionen. Jeff Bezos' Startup Prometheus hat eine $12-Milliarden-Runde bei einer Bewertung von 41 Milliarden Dollar abgeschlossen — damit summiert sich das eingeworbene Kapital seit dem Launch im November 2025 auf über 18 Milliarden Dollar, ohne dass ein einziges öffentliches Produkt existiert. Prometheus baut KI-Modelle für physische Aufgaben in Engineering, Fertigung und Drug Design; ein großer Teil der Mittel fließt in Compute für die rechenintensive Datengenerierung. Bezos hält Details für „verfrüht", deutet aber an, dass Hyperscaler wie Amazon natürliche Abnehmer der Plattform wären. Am anderen Ende des Kapital- und Komplexitätsspektrums arbeiten Open-Source-Entwickler an lokaler Inferenz-Effizienz: MTPLX V1, eine native Swift-App für Apple Silicon, verdoppelt die Inferenzgeschwindigkeit von MLX-Modellen via Multi-Token Prediction ohne Qualitätsverlust — Qwen 3.6 27B beschleunigt von 28 auf 63 Token pro Sekunde. Ein Community-Benchmark über 20 Quantisierungsvarianten von Gemma und Qwen zeigt dazu eine Gegenintuitiv-Erkenntnis: QAT-Varianten schneiden schwächer ab als reguläre Q4\_K\_S-Quants gleicher Größe — Qwen3.6-27B-Q4\_K\_S führt das Feld mit 95,5 % / 100 % / 93 % auf Arithmetik, Faktenwissen und Aufmerksamkeitsaufgaben an.