Montag9. November

Die mögliche Führungskrise bei Nvidia überschattet diese Woche die gesamte KI-Industrie. Das Board hat eine unabhängige Untersuchung eingeleitet, nachdem CEO Jensen Huang eingestanden hatte, eine außereheliche Beziehung zu Megaspeed-Managerin Alice Huang geführt zu haben — einer Frau, die US-Behörden für eine chinesische Agentin halten. Das Board sieht bislang keine Hinweise auf kompromittierte Staatsgeheimnisse und hält an Huang fest. Doch Yale-Professor Jeffrey Sonnenfeld, Gründer des Chief Executive Leadership Institute, schätzt Huangs Karriere-Überlebenschancen auf "etwa 50-50". Erschwerend kommt hinzu: Nvidia hat kaum eine Nachfolge-Bank aufgebaut — Huang führt das Unternehmen mit rund 60 Direktberichten in einer ungewöhnlich flachen Hierarchie. Vergleichbare Präzedenzfälle, wie der Wechsel von Ex-HP-CEO Mark Hurd zu Oracle, lassen sich auf Huang nicht übertragen, da Nvidia sein Unternehmen ist. Die Unsicherheit trifft eine Branche, die ohnehin nervös ist: Am Donnerstag brach der Nasdaq Composite um 5,56 Prozent ein, wobei laut Goldman-Sachs-Schätzungen technologiefokussierte Long-Short-Fonds mehr als vier Prozent verloren — und ihre Jahresgewinne damit nahezu aufgezehrt haben.

Mitten in diesem Vertrauensverlust setzen die großen KI-Labore auf Produktmomentum. GPT-6 Cyber, Gemini Omni 1.2 Flash und Inkling 2 Small illustrieren die aktuelle Marschrichtung: Spezialisierung statt Generalisierung. OpenAIs GPT-6 Cyber ist explizit für autorisierte Sicherheitsarbeit gebaut — das Modell identifizierte laut OpenAI 81 bislang unbekannte, schwerwiegende Firefox-Schwachstellen und erzielte auf dem eigenen ExploitGym-Benchmark 48,5 Prozent. Google senkte mit Gemini Omni 1.2 Flash den Preis für KI-generierte Videos um 30 Prozent auf 0,07 US-Dollar pro Sekunde bei 720p — was die strukturelle Spannung zwischen sinkenden Anbietermargen und wachsendem Kundennutzen erneut scharf beleuchtet. Der Modell-Hype kollidiert dabei mit ernüchternden Benchmarks: Der neue Co-Design Bench der Forscher von Alibaba und mehreren asiatischen Universitäten zeigt, dass GPT-6 Astra als bestes von zehn getesteten Modellen reale Coding-Aufgaben nur in 26,4 Prozent der Fälle vollständig korrekt löst — bei älteren Benchmarks erreichten dieselben Modellklassen noch über 99 Prozent. Der Grund: Sobald Aufgaben drei oder vier verschiedene Änderungstypen kombinieren, bricht die Leistung aller getesteten Modelle merklich ein. Ergänzend dazu misst der neue Open-Source-Benchmark Parsimony ein weiteres strukturelles Problem: KI-Modelle schreiben im Median 1,9-mal mehr Code als Menschen für dieselben Issues — mit langfristigen Folgen für die technische Schuld. Und eine Studie zu LLMs am modifizierten Monty-Hall-Problem zeigt, dass Chain-of-Thought-Reasoning fünf getestete Modelle nicht vor systematischen Fehlschlüssen schützte: Trotz schrittweisem Reasoning erreichten sie nur rund 33 Prozent Genauigkeit — und ignorierten dabei korrekt erkannte Regeländerungen.

Für Entwickler, die täglich mit Coding Agents arbeiten, entstehen daraus konkrete Konsequenzen. Googles Elephant-Goldfish Model Plugin versucht einen strukturellen Ausweg: Das Plugin zwingt Agents, vor der Implementierung eine vollständige Spezifikation zu erstellen, die in fünf kontextfreien Review-Stufen geprüft wird — eine direkte Antwort auf das Problem unklarer Vorgaben, das die Benchmarks bloßlegen. Auf der Workflow-Ebene hat ein Entwickler im Hacker-News-Beitrag über AI-Kontextüberlastung ein Git-basiertes Aufgabenwarteschlangen-System beschrieben: Jedes Ticket ist eine Markdown-Datei direkt neben dem zugehörigen Code, der Agent arbeitet in klar begrenzten Zyklen, und ausschließlich vom Menschen markierte Tickets werden gebaut — Produktions-Deployments bleiben dem Menschen vorbehalten. Das Muster adressiert das "Tab-Chaos"-Problem bei terminalbasierter KI-Nutzung systematisch. Wer stattdessen Multi-Agenten-Architekturen aufbauen will, findet im Tutorial zum OpenAI Agents SDK konkrete Implementierungsbausteine — Fan-out, Pipelines, Hierarchien und Swarms — anhand eines EV-Kaufberaters und eines Support-Agenten in Python.

Was all diese Entwicklungen verbindet, ist eine wachsende Reife im Umgang mit den tatsächlichen Grenzen der Modelle. Andrej Karpathy demonstrierte diese Woche exemplarisch, was heute möglich ist und was das über den Stand des Toolings aussagt: Er baute HackerTube in einem Wochenende mit Claude Opus 5.5 — das Modell filterte 43 Millionen Hacker-News-Kommentare aus 20 Jahren und destillierte daraus 6.454 Videos. Ein zweites Projekt, TristanTube mit 47.000 Videos, entstand laut Karpathy in drei Minuten per Claude Code. Simon Willison ergänzte auf seinem Blog, dass Claude Opus 5.5 eigenständig 3D-Szenen in rohem WebGL ohne Three.js generieren kann — library-frei, direkt im Browser. Beide Beobachtungen stehen sinnbildlich für die aktuelle Moment: Die Modelle sind leistungsfähig genug, um echten Builder-Mehrwert zu liefern — aber weit davon entfernt, autonom und fehlerfrei zu arbeiten. Die Lücke zwischen Benchmark-Versprechen und realem Einsatz bleibt die eigentliche Baustelle der Branche.