Kategorie: Erklärer

Du sitzt vor einem Stapel hochauflösender Fotos – Tausende. Jedes Bild ist randvoll mit Details, aber du musst bestimmte Strukturen finden und markieren. Was früher mit Filzstift auf einem Ausdruck erledigt wurde, passiert heute am Bildschirm: Linien ziehen, Flächen umranden, Objekte identifizieren. Mühselige Handarbeit. Besonders wenn Bilder aus wissenschaftlichen Experimenten stammen, die pro Sekunde Zehntausende Aufnahmen produzieren. In der Forschung ist die Datenflut längst zur größten Hürde geworden. Hier setzen zwei Modelle von Meta an: SAM und DINO. Sie stehen im Zentrum eines ambitionierten KI-Projekts der US-Regierung, der Genesis Mission.

Die Lawrence Berkeley National Laboratory betreibt Anlagen wie die Advanced Light Source (ALS) – so groß wie ein Fußballfeld, mit extrem hellen Röntgenstrahlen. Forscher untersuchen damit Materialien bis auf die atomare Ebene: Halbleiterschichten, Pflanzenzellen, chemische Reaktionen in Echtzeit. Die Beamlines dieser Anlage produzieren große Datenmengen. Durch Modernisierungen sind die Messgeräte schneller und präziser geworden, die Datenmengen stark gestiegen. Früher entstand ein Bild alle sechs Sekunden. Heute sind es bis zu 100.000 Bilder pro Sekunde. Die Labore des DOE erzeugen jährlich mehrere Petabyte an Daten – Millionen Gigabyte, etwa zwei Millionen Stunden HD-Videostreaming. Die Menge wächst weiter.

Das Problem liegt nicht allein im Volumen, sondern in der Analyse. Wissenschaftliche Bilder sind keine simplen Schnappschüsse. Sie zeigen komplexe, graustufige Strukturen, in denen Experten mühsam einzelne Bereiche identifizieren müssen – Segmentierung genannt. In der Bildverarbeitung macht Segmentierung aus einem Pixelhaufen eine sinnvolle Karte. In der Medizin unterscheidet sie Tumore von gesundem Gewebe, in der autonomen Fahrzeugtechnik Fußgänger vom Asphalt. In der Wissenschaft ist sie der Schlüssel zu einer verständlichen Karte von Zellwänden, Mineralkörnern oder Halbleiterschichten. Manuelle Segmentierung ist zeitaufwendig, fehleranfällig und schwer zu skalieren.

Die Genesis Mission greift dieses Problem auf. Ende 2025 startete das Weiße Haus eine nationale Initiative, um wissenschaftliche Entdeckungen mit Künstlicher Intelligenz zu beschleunigen. Das Energieministerium übernahm die Führung. Eines der ersten Projekte heißt SYNAPS-I. Dahinter steht ein Verbund von fünf nationalen Laboren: Berkeley, Argonne, Brookhaven, Oak Ridge und SLAC. Ihr Ziel: die Datenanalyse in der Röntgen- und Neutronenforschung von einem monatelangen Flaschenhals in eine Echtzeitanalyse verwandeln. Kern dieser Plattform sind zwei Open-Source-Modelle von Meta: Segment Anything Model 3 (SAM 3) und DINOv3.

Um ihre Funktionsweise zu verstehen: DINOv3 ist ein selbstüberwachtes Vision-Modell. Es lernt visuelle Muster aus Rohbildern, ohne dass Menschen die Bilder vorher kennzeichnen müssen. Es erfasst, welche verschiedenen Strukturen vorkommen und wo sie sind. SAM zeichnet präzise Grenzen um einzelne Objekte. DINO erkennt eine Zelle oder ein Mineral, SAM malt die exakte Umrandung. Zusammen ergänzen sich die Modelle: SAM liefert pixelgenaue Konturen, DINO den globalen Kontext zur Einordnung.

Das SYNAPS-I-Team hat beide Modelle mit wissenschaftlichen Bilddaten aus den DOE-Beamlines feinjustiert und auf 300 A100-GPUs verteilt. Das Ergebnis: Ein vollständig rekonstruiertes, semantisch beschriftetes 3D-Volumen wird in etwa 15 Minuten an den Wissenschaftler zurückgegeben, der noch am Experiment steht. Früher dauerte das einen Monat pro Zeitpunkt. Jetzt passiert es während das Experiment läuft. Das ermöglicht neue Forschungsansätze. Ergebnisse in Echtzeit erlauben dynamische Anpassungen. Forscher müssen nicht mehr wochenlang warten.

Ein Beispiel ist die Untersuchung von Traubenreben unter Trockenstress. Landwirtschaftliche Nutzpflanzen leiden zunehmend unter Dürreperioden – eine Herausforderung des Klimawandels. Wissenschaftler wollen verstehen, wie Pflanzen auf zellulärer Ebene reagieren, um widerstandsfähigere Sorten zu züchten. Mit Mikro-CT-Scans an der Advanced Light Source hat das Team 3D-Volumen von Rebensprossen rekonstruiert. Die KI identifiziert automatisch die Xylem-Gefäße – mikroskopisch kleine Röhren, die Wasser transportieren. Hydratisierte Gefäße werden in Cyan dargestellt, ausgetrocknete in dunklem Lila. Früher benötigte ein Experte einen Monat für die manuelle Analyse eines Bildes. Jetzt liefert die KI Ergebnisse in 15 Minuten. Forscher können dynamische Prozesse wie das Austrocknen der Gefäße in Echtzeit verfolgen und Rückschlüsse für die Züchtung dürreresistenter Pflanzen ziehen.

Warum ist Open Source entscheidend? Die nationalen Labore arbeiten mit hochsensiblen, vor Veröffentlichung geschützten Forschungsdaten. Diese Daten dürfen nicht auf externe Cloud-Dienste ausgelagert werden. Alles muss auf sicherer Regierungsinfrastruktur verarbeitet werden. Meta veröffentlicht SAM und DINO als Open Source, sodass Organisationen die Modelle herunterladen, anpassen und in ihrer eigenen Umgebung einsetzen können. Die SYNAPS-I-Wissenschaftler haben das getan. Sie haben Modelle, die ursprünglich auf Alltagsbildern trainiert wurden – Katzen, Autos, Landschaften – auf wissenschaftliche Domänen übertragen. Das erfordert kein teures Lizenzmodell, keine Abhängigkeit von externen Anbietern. Stattdessen entsteht ein Ökosystem, in dem Labore Modelle teilen, verbessern und gemeinsam nutzen.

Mit 60 Forschern über fünf Labore hinweg arbeitet SYNAPS-I daran, die Benutzeranlagen in intelligente Analyseplattformen zu verwandeln. Die Vision reicht über Bildsegmentierung hinaus. Künstliche Intelligenz soll Daten schneller verarbeiten, Wissenschaftler bei der Hypothesenbildung unterstützen, das nächste Experiment vorschlagen und Erkenntnisse zwischen verschiedenen Einrichtungen übertragen. Ein Durchbruch an einer Beamline soll sofort Forschern an allen Laboren zugutekommen. Das ist das Ziel der Genesis Mission: KI als Beschleuniger für nationale Prioritäten – Klimaresilienz, Energieversorgung, medizinische Forschung.

Auf der Trillion Parameter Conference betonte DOE-Unterstaatssekretär Dario Gil die Bedeutung des Projekts: „Indem wir KI, Hochleistungsrechnen und experimentelle Systeme nahtlos kombinieren, analysiert SYNAPS-I Daten in dem Moment, in dem sie entstehen, und steuert Experimente in Echtzeit. Langsame manuelle Schritte werden durch adaptive, automatisierte Entscheidungsfindung ersetzt. Das verkürzt die Entdeckungszeit von Tagen auf Augenblicke und etabliert ein kontinuierliches, selbstverbesserndes Modell der Wissenschaft, das essenziell sein wird, um das volle Potenzial der Genesis Mission auszuschöpfen.“

Wissenschaftler müssen nicht mehr monatelang auf Auswertungen warten. Experimente können dynamisch gesteuert werden. Open-Source-Modelle wie SAM und DINO werden zu Werkzeugen, die grundlegende Erkenntnisse beschleunigen. Das ist keine Übertreibung, sondern der aktuelle Stand. KI ist kein Selbstzweck, sondern ein Werkzeug gegen die Datenflut. Offen und anpassbar kann es die Forschung langfristig verändern.

Quelle: ai.meta.com

Stell dir vor, du stehst im Stau. Jeder Fahrer optimiert seine Route und macht die Lage für alle anderen schlimmer. Der Stau bleibt, obwohl die Baustelle längst geräumt ist. Ähnlich verhalten sich metastabile Fehler in verteilten Systemen: Ein System gerät durch einen Auslöser in einen schlechten Zustand und kommt nicht mehr heraus – nicht weil etwas kaputt ist, sondern weil die Heilungsmechanismen der Komponenten sich gegenseitig blockieren.

Ein Paper vom Juni 2026 mit dem Titel „Characterizing Metastable Faults and Failures“ beschreibt erstmals analytisch die Ursachen dieser Phänomene. Die Autoren – darunter Robbert Van Renesse und Lorenzo Alvisi – sagen, dass die Community metastabile Ausfälle bisher nur phänomenologisch behandelt hat: Sie beschrieb Symptome, verstand aber die kausalen Zusammenhänge nicht. Der Rezensent, ein Forscher auf dem Gebiet der selbststabilisierenden Systeme, hält die Arbeit für ein ideenreiches Konzeptpapier – eines der wenigen seiner Art. Zugleich kritisiert er die formalen Rahmenbedingungen.

Die Sünde der Komposition

Die Autoren führen zwei Begriffe ein: den metastabilen Fehler und den metastabilen Ausfall. Der metastabile Fehler heißt „Sünde der Komposition“ – Komponenten, die für sich stabil sind, destabilisieren sich zusammengeschaltet gegenseitig. Ein Schock löst das Problem aus: Jede Komponente korrigiert sich selbst und bringt damit die Nachbarkomponente aus dem Gleichgewicht.

Selbststabilisierende Systeme finden aus jedem Startzustand selbst in einen legitimen Zustand. Die Idee stammt aus den 1980ern und toleriert beliebige transiente Fehler. Die Autoren nutzen eine Potenzialfunktion, die die Distanz zum guten Zustand misst. Eine Komponente stabilisiert, wenn sie diese Funktion auf Null drückt – in einer wohlwollenden Umgebung.

Zwei Komponenten sind kompatibel, wenn die eine stabilisieren kann, während die andere stabil ist. Nach einem Schock ist keine stabil. Jede wartet auf die andere – sie destabilisieren sich gegenseitig. Der Rezensent: „Stabilisierung ist notorisch schwer zu komponieren.“ Die Herausforderung ist, gegenseitige Beeinträchtigungen während der Erholung zu verhindern.

Lokales Denken reicht nicht

Das Paper schlägt ein formales Rahmenwerk vor, um metastabile Fehler zu identifizieren und zu beheben. Die Autoren sagen, dass die Fehlersuche auf lokaler, paarweiser Analyse basieren kann. Der Rezensent widerspricht: „Die Behauptung, das sei eine lokale Tätigkeit, halte ich für überzogen.“ Die Arbeit setzt voraus, dass der Entwickler die richtige Potenzialfunktion und Umgebungsprädikate rät. Das erfordert globales Systemverständnis.

Kritik an den Umgebungsprädikaten: In der klassischen Stabilisierung ist die Umgebung trivial, weil das System aus jedem Zustand wiederherstellbar sein muss. Das Paper führt Prädikate ein, die gutes Nachbarverhalten annehmen. Das verschiebt die Fragen zum Entwickler: Welche Prädikate gelten im Verbund? Welche Potenzialfunktion ist richtig? Globale Fragen, keine lokalen.

Zwei Schwächen: Erstens werden globale Umgebungsprädikate für die ganze Komposition definiert – das untergräbt den lokalen Anspruch. Zweitens schlagen die Autoren handeingebaute Timer vor, um destabilisierende Aktionen zu verzögern. Eine Bastellösung. Der Rezensent verweist auf Leal und Arora (ICDCS 2004), die Komposition über einen gerichteten Korruptionsgraphen erzwingen – eine topologische Antwort auf die „Sünde der Komposition“.

Der Scheduler als erster Bürger

Ein weiterer Punkt ist die Rolle des Schedulers. Mit Nyx modellieren die Autoren Warteschlangen und Ressourcen und machen den Scheduler zum erstklassigen Bürger. Ziel: destabilisierende Interaktionen hinauszögern, bis stabilisierende globale Stabilität erreichen. Der Rezensent: „Das setzt einen allwissenden Scheduler voraus. Ein zentraler Koordinator skaliert nicht und ist in verteilten Systemen nicht realisierbar.“

Eine pragmatische Alternative: Stabilität nicht perfekt erzwingen, sondern Wahrscheinlichkeiten beeinflussen. Lokal abgestimmte Timer erhöhen die Chancen ohne globalen Scheduler. Der Rezensent arbeitet am Simulator MESSI, der Subsysteme als Graphen aus Logikknoten und Prozessoren modelliert. Läufe sind deterministisch. Mit einer SendAt()-Methode lassen sich destabilisierende Nachrichten gezielt verzögern – eine lokale Umsetzung.

Neue Sicht auf ein altes Problem

Der Rezensent: „Das Papier zeigt metastabile Ausfälle als fundamentales Versagen der Komposition von Erholungsmechanismen, nicht nur als Überlastsymptom.“ Ein metastabiler Fehler wird zum Ausfall, wenn Komponenten sich gegenseitig behindern. Die formale Beweisführung verlangt zu viel subjektives Raten für praktische Anwendung. Der Glaube an einen zentralen Scheduler ist unrealistisch. Die Diagnose – die Sünde der Komposition – trifft den Kern. Das Problem benennen macht es handhabbarer.

Der Rezensent verlinkt seine kommentierte Version des Papers. Er glaubt an tiefes manuelles Lesen, auch mit LLMs. So kann jeder nachvollziehen, wie ein Forscher durch das Papier denkt – ein Weg, Konzepte wirklich zu verstehen.

Quelle: muratbuffalo.blogspot.com

Stell dir vor, du entwickelst eine Webanwendung. Früher war das überschaubar: Code schreiben, auf einen Server schieben, fertig. Heute siehst du dich einem Dschungel aus Kubernetes-Clustern, CI/CD-Pipelines, Observability-Stacks und Sicherheitsrichtlinien gegenüber. Und jetzt kommen auch KI-Agenten dazu, die selbstständig Ressourcen provisionieren, Incidents untersuchen oder Deployments durchführen. Was bedeutet das für die Plattformen, auf denen deine Software läuft? Der Entwickler Lakmal Warusawithana von WSO2 beschreibt in einem aktuellen Beitrag, wie sich Platform Engineering ändern muss, um sowohl Menschen als auch KI-Agenten als Nutzer zu integrieren.

Platform Engineering hat sich in den letzten Jahren rasant entwickelt. Als Unternehmen auf Kubernetes, Microservices und GitOps setzten, wuchs die Komplexität so stark, dass einzelne Entwicklerteams nicht mehr alle Aspekte beherrschen konnten. Jede Anwendung brauchte Deployment-Pipelines, Infrastruktur, Netzwerk, Sicherheit, Monitoring und Compliance. Statt jedes Team das Rad neu erfinden zu lassen, entstanden Internal Developer Platforms (IDPs). Diese Plattformen kapselten Best Practices hinter standardisierten Workflows, Self-Service-Funktionen und Golden Paths. Entwickler konnten sich auf die Geschäftslogik konzentrieren, während die Plattform zuverlässig Deployment, Sicherheit und Betrieb übernahm. Das Modell war erfolgreich – aber es basierte auf einer Annahme: Der Hauptnutzer der Plattform ist ein menschlicher Entwickler.

Diese Annahme gilt nicht mehr. Im Agentic Enterprise werden KI-Agenten zu Konsumenten der Plattform – Seite an Seite mit Ingenieuren. Sie provisionieren Infrastruktur, deployen Anwendungen, analysieren Telemetriedaten, führen operative Workflows aus und automatisieren Aufgaben, die früher menschliches Eingreifen erforderten. Die Plattform muss jetzt beides bedienen: Menschen und intelligente Software. Jeder Actor interagiert über seine eigene Schnittstelle – ein Entwickler über ein Portal, ein SRE über die Kommandozeile oder GitOps, ein KI-Agent über einen MCP-Server – aber alle Handlungen müssen denselben Sicherheitskontrollen, Richtlinien und Prüfpfaden unterliegen.

Die neue Dreifaltigkeit: Anwendungen, Ressourcen und KI-Agenten

Bisher drehte sich in Internal Developer Platforms alles um die Anwendung. Infrastruktur existierte darunter, CI/CD-Pipelines um sie herum, Observability-Systeme überwachten sie. Alles diente dazu, die Bereitstellung und den Betrieb von Anwendungen zu vereinfachen. Im Agentic Enterprise sind Anwendungen jedoch nicht mehr die einzigen erstklassigen Entitäten. Ja, sie bleiben zentral: Sie implementieren Geschäftslogik, exponieren APIs, verarbeiten Events. Aber daneben treten zwei weitere Kategorien von Software-Assets.

Ressourcen liefern die Fähigkeiten, die Anwendungen erst möglich machen: Datenbanken, Message Queues, Object Storage, KI-Modelle, Identity Provider, Secrets, Kubernetes-Cluster, SaaS-Dienste. Früher galten sie als bloße Infrastruktur oder externe Abhängigkeiten. Heute werden sie zu erstklassigen Software-Assets mit eigenem Lebenszyklus, eigener Governance, Betriebshistorie und Sicherheitsanforderungen. KI-Agenten wiederum sind eine grundlegend andere Art von Software-Akteuren. Statt direkt Geschäftsfunktionen zu implementieren, reasoning sie über Kontext, rufen Werkzeuge auf, arbeiten mit Menschen und anderen Agenten zusammen und automatisieren operative Tätigkeiten. Sie interagieren mit genau denselben Ressourcen wie menschliche Entwickler.

Der entscheidende Punkt: Diese drei Entitäten sind nicht unabhängig. Anwendungen konsumieren Ressourcen, um Geschäftsfunktionen zu liefern. KI-Agenten konsumieren viele derselben Ressourcen, um das System zu verstehen und zu betreiben. Sie interagieren auch mit Anwendungen, während Anwendungen selbst Fähigkeiten exponieren, die KI-Agenten aufrufen können. Ressourcen werden so zur gemeinsamen Grundlage, die Anwendungen und KI-Agenten im Softwarebestand des Unternehmens verbindet. Für Platform Engineering bedeutet das: Statt einzelne Komponenten zu verwalten, geht es jetzt darum, die Beziehungen zwischen ihnen zu managen. Die Plattform muss verstehen, wie Abhängigkeiten aussehen, wie Änderungen durch das System propagieren und wie sowohl Menschen als auch KI-Agenten sicher damit interagieren können.

Kontext wird zur neuen Plattformfähigkeit

Wenn Software zu einem Netzwerk aus Anwendungen, Ressourcen und KI-Agenten wird, reicht es nicht mehr, nur die Assets selbst zu verwalten. Platform Engineering muss auch die Zusammenhänge verstehen. Herkömmliche Observability-Plattformen sammeln bereits Unmengen operativer Daten: Logs, Metriken, Traces, Events. Diese Signale sind essenziell, aber sie sind beschreibend. Sie sagen, was passiert ist, aber selten, warum es passiert ist oder wie ein Ereignis mit einem anderen zusammenhängt. Erfahrene Ingenieure kombinieren bei einer Fehlersuche ganz natürlich Deployment-Historie, Verantwortlichkeiten, Topologie, Abhängigkeiten, Richtlinien, frühere Incidents und organisatorisches Wissen. Sie nutzen Kontext, nicht isolierte Datenpunkte.

KI-Agenten brauchen genau dieselbe Fähigkeit. Ein Agent, der einen fehlgeschlagenen Deployment untersucht, benötigt mehr als Logs. Er muss wissen: Welche Anwendung ist betroffen? Von welchen Ressourcen hängt sie ab? Was hat sich kürzlich geändert? Wer ist verantwortlich? Welche Richtlinien gelten? Gab es ähnliche Vorfälle? Welche Lösungen haben damals funktioniert? Ohne diesen breiteren Kontext bleibt selbst das leistungsfähigste KI-Modell auf das Reasoning über zusammenhanglose Beobachtungen beschränkt.

Deshalb wird Kontext zu einer erstklassigen Plattformfähigkeit. Moderne Plattformen müssen ein gemeinsames Verständnis des gesamten Softwarebestands aufbauen und pflegen. Dieses Verständnis verbindet Anwendungen, Ressourcen, KI-Agenten, Deployments, Eigentümer, Richtlinien, Topologie, Betriebshistorie und organisatorisches Wissen in einem kohärenten Modell – über das sowohl Menschen als auch KI-Agenten reasoning können. Statt durch getrennte Dashboards und APIs zu navigieren, arbeiten alle Plattformkonsumenten mit derselben kontextuellen Repräsentation des Systems.

Ist die Plattform erst einmal kontextbewusst, kann sie dieses Wissen über die jeweils passenden Schnittstellen exponieren. Menschen greifen über Portale, CLIs oder Dashboards darauf zu, KI-Agenten konsumieren denselben Kontext über Protokolle wie das Model Context Protocol (MCP). Die Interfaces unterscheiden sich, aber sie bilden dasselbe zugrundeliegende Verständnis der Plattform ab. Diese kontextuelle Grundlage ermöglicht auch reichhaltigere Fähigkeiten: Wiederverwendbare Skills kapseln typische Ingenieuraufgaben, die sowohl von Menschen als auch von KI-Agenten aufgerufen werden können. Spezialisierte Built-in Agents übernehmen Aufgaben wie Site Reliability Engineering, Sicherheitsüberwachung oder Compliance-Prüfung.

Was das konkret bedeutet

Die Entwicklung ist kein Hype, sondern eine logische Konsequenz. Wenn KI-Agenten produktiv in Unternehmen eingesetzt werden sollen, müssen sie dieselbe operative Intelligenz besitzen wie ein erfahrener Ingenieur. Dafür brauchen sie nicht nur Zugang zu APIs, sondern ein gemeinsames kontextuelles Fundament. Platform Engineering entwickelt sich weiter: von einer Plattform, die nur für Menschen gemacht ist, zu einer Plattform, die Menschen und KI gleichermaßen als erstklassige Konsumenten behandelt. Unternehmen, die diesen Wandel frühzeitig gestalten, werden ihre Softwarebestände effizienter, sicherer und zukunftsfähiger betreiben können. Entwickler und Plattformingenieure sollten ihre Plattformen als Ökosysteme betrachten, in denen menschliche und maschinelle Akteure zusammenarbeiten – nicht als Werkzeug, das nur einem von beiden dient.

Quelle: cncf.io

Du unterhältst dich mit einem Experten zu einem Thema. Du stellst eine Frage und bekommst eine gute Antwort. Dann stellst du eine verwandte Frage, und plötzlich taucht ein anderer Name auf. Der Experte wechselt seine Meinung von Prompt zu Prompt. Genau das passiert mit Marken in ChatGPT. Semrush und Kevin Indig haben 1.094 Themengebiete in ChatGPT analysiert – über 50.000 Marken, 220.000 Domains und 600.000 Zitate. Ergebnis: Sichtbarkeit in KI-Suchen ist kein Keyword-Spiel mehr. Es ist ein Thema-Spiel. Und die meisten Felder sind noch offen.

Die Studie definiert ein Thema als Cluster aus fünf repräsentativen Prompts, die einen typischen Kaufentscheidungsprozess abbilden: Definition, Vergleich, Alternativen, Anwendungsfall und Kaufentscheidung. Wer in mindestens vier dieser fünf Prompts genannt wird und dabei einen Vorsprung von fünf Prozentpunkten gegenüber dem Zweitplatzierten hat, gilt als „Category Owner“. Ein „Emerging Leader“ wird in drei Prompts genannt, aber ohne den nötigen Abstand. Bei über der Hälfte der Themen ist nicht einmal das der Fall – kein Name taucht in drei der fünf Prompts auf.

Das hat handfeste Konsequenzen für jedes Unternehmen, das darauf angewiesen ist, dass Kunden es in KI-Suchumgebungen finden. Wer nur auf einzelne Prompts optimiert, verpasst die eigentliche Dynamik. Wer ein Thema besetzt, kann eine stabile Position aufbauen, die sich nur schwer wieder verlieren lässt – aber nur, wenn der Vorsprung groß genug ist. Die drei wichtigsten Erkenntnisse aus der Studie:

1. Die meisten Themen sind noch zu haben

Nur 15,2 Prozent der analysierten 1.094 Kategorien haben einen klaren Gewinner. In den restlichen fast 85 Prozent ist das Rennen offen. 31,2 Prozent haben einen aufstrebenden Anführer, der aber noch nicht dominant genug ist. 53,7 Prozent sind völlig unentschieden – kein Unternehmen schafft es, in drei der fünf Prompts genannt zu werden. Anders als bei Google, wo große Suchvolumina meist von starken Marken dominiert werden, zeigt sich in ChatGPT ein umgekehrter Effekt: Die populärsten Themen – die, nach denen am häufigsten gefragt wird – sind am wenigsten von einer einzelnen Marke besetzt. Nur 11,3 Prozent der meistgefragten Themen haben einen klaren Eigentümer, während es bei den weniger gefragten 19 Prozent sind. Die meistgefragten Themen machen 98 Prozent des gesamten KI-Suchvolumens in der Studie aus. Fast jede Frage, die ein Nutzer in ChatGPT stellt, landet in einem Themengebiet ohne dominierenden Anbieter.

KI-Modelle entscheiden anders als klassische Suchmaschinen. Sie gewichten nicht nur Backlinks und Domain-Autorität, sondern auch semantische Passgenauigkeit und Quellenvielfalt. Wer in einem Themenbereich breit aufgestellt ist, hat bessere Chancen, auch bei verwandten Fragen genannt zu werden – und genau das tun die meisten Marken noch nicht. Sie konzentrieren sich auf ein oder zwei starke Prompts und vernachlässigen die anderen drei. Das reicht nicht, um als „die“ Antwort für ein Thema zu gelten.

Du kannst jetzt noch einsteigen. Warte nicht, bis die großen Player die Themen besetzt haben. Die meisten Kategorien sind noch kein befestigtes Feld. Wer früh systematisch in ein Thema investiert, kann sich einen schwer einholbaren Vorsprung erarbeiten.

2. Klassische SEO-Kennzahlen sagen wenig über den Gewinner aus

Man könnte meinen, dass Marken mit starker Suchmaschinenoptimierung auch in KI-Suchen dominieren. Schließlich haben sie hohe organische Besucherzahlen, eine starke Markensuche und eine gute Domain-Autorität. Die Studie hat die Werte der Category Owner mit denen der Zweitplatzierten auf drei Metriken verglichen – Markensuchvolumen, organischer Traffic und Authority Score. Ergebnis: Nur die Markensuche war ein statistisch signifikanter Unterschied, und selbst dieser Vorsprung war bescheiden. Die Eigentümer hatten in 55,7 Prozent der Fälle ein höheres Markensuchvolumen als der Zweitplatzierte. Beim organischen Traffic lag der Wert bei 48,4 Prozent – die Zweitplatzierten hatten also häufiger mehr Traffic. Beim Authority Score waren es 52,5 Prozent – quasi Münzwurf. Starke SEO-Signale allein reichen nicht, um in einem KI-Thema zu gewinnen.

Kevin Indig, der die Studie mitentwickelt hat, sagt: „Behandle das als Hypothese, nicht als Ergebnis. Die Daten zeigen, dass traditionelle SEO-Metriken nicht ausreichen, um zu erklären, wer ein Thema besitzt. Sie spielen eine Rolle, aber es steckt mehr dahinter.“ Offenbar entscheiden andere Faktoren – die Tiefe der Inhalte, die Anzahl relevanter Erwähnungen in Quellen wie Reddit, Fachpublikationen oder Bewertungsportalen – und die Verknüpfung der Marke mit dem Thema durch strukturierte Daten und konsistente Nennungen. Es geht nicht um viele generische Backlinks, sondern um Sichtbarkeit im Kontext des Themas.

Höre auf, deine SEO-Erfolge blind auf KI-Suchen zu übertragen. Eine gute Position in Google ist kein Freifahrtschein für ChatGPT. Du musst zusätzlich in themenspezifische Signale investieren: Erstelle Inhalte, die alle Facetten eines Themas abdecken, nicht nur die eine Frage, bei der du schon rankst. Sammle Erwähnungen auf Plattformen, die ChatGPT als Quellen nutzt. Sorge dafür, dass deine Marke in strukturierten Daten und der Berichterstattung konsistent mit dem Thema verknüpft wird.

3. Wer ein Thema besitzt, hält es – wenn der Vorsprung groß genug ist

Die Studie hat die Entwicklung der Category Owner über sechs Monate verfolgt (Januar bis Juni 2026). Klare Eigentümer mit einem Vorsprung von mindestens fünf Prozentpunkten blieben in 90,4 Prozent der Monatsvergleiche an der Spitze. Bei den aufstrebenden Anführern und unentschiedenen Kategorien wechselte die Spitzenposition deutlich häufiger – in 1.950 von 5.470 Vergleichen. Der Unterschied im Median-Vorsprung: In Kategorien, in denen der Leader abgelöst wurde, betrug der Vorsprung im Vormonat im Median nur 1,3 Prozentpunkte. In Kategorien, in denen er sich hielt, waren es 2,9 Prozentpunkte. Die Schwelle, ab der ein Vorsprung stabil wird, scheint zwischen drei und fünf Prozentpunkten zu liegen.

Warum kommt es zu Wechseln? Die Studie kann keine kausalen Gründe nennen – vielleicht ändert ChatGPT seine Quellen, vielleicht verschiebt sich die Relevanz einer Marke durch neue Produkte oder Krisen, vielleicht passt das Modell seine Gewichtung an. Das Muster ist klar: Ein knapper Vorsprung ist keine Sicherheit. Wer nur hauchdünn führt, muss weiter in das Thema investieren, sonst wird er schnell überholt. Wenn du als Herausforderer in einem Thema unterwegs bist, in dem der aktuelle Leader nur einen schmalen Vorsprung hat, ist jetzt der beste Zeitpunkt zum Angriff. Sobald er sich einen komfortablen Abstand erarbeitet hat, wird es deutlich schwerer, ihn zu verdrängen.

Wachstum allein ist nicht gleich Sicherheit. Wenn du in einem Thema führst, höre nicht auf, Inhalte und Signale aufzubauen. Wenn du aufholen willst, konzentriere dich auf Themen, in denen der Vorsprung des Leaders klein ist, und versuche, dich in allen fünf Prompts breit zu positionieren. Am Ende zählt nicht eine einzelne Nennung, sondern die konsistente Präsenz über das gesamte Themenfeld hinweg.

So beginnst du, auf Themenebene zu gewinnen

Die Studie liefert einen praktischen Fahrplan mit vier Schritten. Erstens: Identifiziere die thematischen Bereiche, die für dein Geschäft relevant sind. Frage dich nicht, welche Keywords wichtig sind, sondern welche Fragen deine Kunden in der Kaufentscheidung stellen. Die Antworten auf diese Fragen sind deine Themen. Zweitens: Analysiere deine aktuelle thematische Autorität. Tools wie der Semrush AI Visibility Toolkit zeigen dir, in welchen Themen du bereits genannt wirst, wo deine Autorität dünn ist und wo Konkurrenten vorne liegen. Drittens: Fokussiere dich. Versuche nicht, gleichzeitig in fünfzehn Themen stark zu sein. Wähle zwei oder drei aus, bei denen du bereits eine gewisse Basis hast – bestehende Inhalte, echte Produktrelevanz, erste Erwähnungen. Dort investierst du systematisch. Viertens: Baue deine thematische Autorität auf. Drei Hebel wirken zusammen: umfassende Inhalte, die alle relevanten Fragen abdecken; Erwähnungen in Quellen, die ChatGPT nutzt (Foren, Fachmedien, Bewertungsseiten); und starke Entity-Signale wie strukturierte Daten, konsistente Markennennungen und Verlinkungen, die deine Marke mit dem Thema verbinden.

Das ist viel Arbeit. Aber die Daten zeigen: Wer früh anfängt und kontinuierlich arbeitet, kann sich eine Position aufbauen, die Bestand hat. In einer Welt, in der KI-Suchen immer wichtiger werden und 85 Prozent der Themen noch kein klares Gesicht haben, ist das eine lohnende Investition. Es geht nicht mehr darum, auf eine einzelne Frage die beste Antwort zu geben. Es geht darum, dass Kunden dich wiedererkennen, egal welche verwandte Frage sie als Nächstes stellen. Das ist der Unterschied zwischen einem einmaligen Treffer und einer echten Markenpräsenz im KI-Zeitalter.

Quelle: semrush.com

Du willst die aktuellen Preise einer Bohrmaschine vergleichen. Du öffnest die Website, aber statt der Produktdaten erscheinen CAPTCHAs, Proxy-Fehler und 403-Antworten. Für Unternehmen, Hedgefonds oder KI-Agenten ist das Alltag: Das öffentliche Web steckt voller Daten, aber Anti-Bot-Systeme versperren den Zugang. String bietet eine Infrastruktur, die das Web für Maschinen zugänglich macht – ohne dass jemand Proxy-Listen verwalten oder Browser-Fingerprints fälschen muss.

Stell dir das Web als eine riesige, schlecht sortierte Bibliothek vor. Jedes Buch (jede Webseite) ist vorhanden, aber viele stehen hinter verschlossenen Glastüren – die Betreiber blockieren automatisierte Zugriffe. Bisherige Lösungen erforderten Eigenbau: rotierende Proxys, wechselnde User-Agents, Headless-Browser, Retry-Logik. Trotzdem scheiterte es an dynamischem JavaScript oder Cloudflare-Challenges. String übernimmt diesen Kampf. Das Unternehmen öffnet die Tür – schnell und sauber, ohne dass der Nutzer den Schlüssel selbst schmieden muss.

Im Kern bietet String eine schlanke REST-API: Du sendest eine URL, bekommst den Inhalt als Markdown oder strukturierte Daten zurück. Simpel, aber die Magie liegt im Unsichtbaren. Die API rendert JavaScript-Seiten, umgeht Anti-Bot-Systeme, optimiert Netzwerkpfade und liefert Ergebnisse in unter zwei Sekunden – selbst auf hart verteidigten Seiten wie lowes.com oder lululemon.com. In einem öffentlichen Benchmark gegen 13 Anbieter erzielte String eine Erfolgsquote von 97,4 Prozent, weit vor dem Zweitplatzierten mit 79 Prozent. Das ist kein Marketing-Hype, sondern ein messbarer Vorsprung.

Wie String funktioniert – und warum es anders ist

Die Architektur von String lässt sich als Web Data Infrastructure beschreiben. Anders als einfache Scraper, die nur eine Seite holen, versteht String das gesamte Ökosystem einer Website. Die drei Hauptmodule heißen Fetch, Search und Map.

• Fetch: Du gibst eine URL an, String lädt die Seite, führt JavaScript aus, extrahiert den relevanten Inhalt und gibt ihn als strukturiertes Markdown zurück. Das ist der Kern – ein Ersatz für den eigenen, mühsamen Scraping-Code.
• Search: Statt nur eine Seite zu holen, kannst du eine Suchanfrage über das Web stellen. String durchsucht das Internet in Echtzeit und liefert dir saubere, token-effiziente Ergebnisse. Nützlich für Anwendungen, die aktuelle Informationen brauchen – etwa Preisvergleiche oder News-Monitoring.
• Map: Hier wird es interessant für die Tiefenanalyse. Du reichst eine Start-URL ein, und String crawlt die gesamte Site, erstellt eine vollständige URL-Graph-Liste, inklusive Sitemaps, interner Links und Seitenstruktur. Das ist die Basis für umfassende Datensammlungen – etwa alle Produkte eines Shops mit Kategorien und Preisen.

Ein besonderes Feature ist der Composer, der sich noch in der Beta-Phase befindet. Stell dir vor, du sagst einfach: „Gib mir alle Laufschuhe von Nike mit Preisen, die täglich aktualisiert werden.“ String baut daraus eine vollautomatische Pipeline – von der Datenquelle bis zum Warehouse. Das ist der nächste Schritt: Web Scraping per Prompt, ohne eine Zeile Code schreiben zu müssen.

Benchmark: Warum 97,4 Prozent Erfolgsquote ein Gamechanger sind

Im Web Data Frontier Benchmark, einem offenen Vergleichstest, schickte String 265 Anfragen an 53 schwierige Zielseiten – darunter stark geschützte E-Commerce-Seiten, dynamische Social-Media-Feeds und staatliche Portale. Das Ergebnis: String holte in 97,4 Prozent der Fälle die erwarteten Daten. Der nächste Konkurrent schaffte lediglich 79 Prozent. Fehlschläge waren meist schnelle Fehlermeldungen (z.B. 403), aber String lieferte, wo andere aufgaben. Die durchschnittliche Latenz lag bei unter 1,2 Sekunden für die schwierigsten Ziele. Bedenke: Ein schneller Fehlschlag nützt nichts – Erfolg zählt.

Diese Zuverlässigkeit ist kein Zufall, sondern das Ergebnis gezielter Investitionen in Anti-Bot-Umgehung. String setzt auf eine Kombination aus Proxy-Pools, nativen Browser-Fingerprints und maschinellem Lernen, um das Verhalten eines echten Users zu imitieren, ohne die Latenz zu opfern. Für Unternehmen, die täglich Millionen von Datenpunkten sammeln, bedeutet das: Weniger Ausfälle, weniger manuelles Debugging und höhere Datenqualität.

Integration für Entwickler und Vibe-Coder

String macht keine halbe Sachen bei der Bedienbarkeit. Entwickler können die API in jeder Sprache nutzen – ein simpler POST-Request mit einem JSON-Body reicht. Für Agenten wie Claude oder ChatGPT gibt es einen MCP-Server (Model Context Protocol). Du fügst einen Eintrag in deine claude_desktop_config.json ein, und schon kann der KI-Assistent live auf jede Webseite zugreifen, ohne sich mit Blockaden herumzuschlagen.

Das Unternehmen nennt das Built for coders and vibe coders. Damit ist gemeint: Ob du komplexe Pipelines in Python schreibst oder deinem KI-Agenten einfach per Prompt den Befehl gibst – String liefert die Daten. Wer das klassische Scraping kennt, weiß, wie erfrischend das ist. Statt eines 50-zeiligen Scripts mit Retry-Logik, Proxy-Rotation und Exception-Handling reichen vier Zeilen Code:

import requests
r = requests.post("https://request.usestring.ai/v1/fetch",
    headers={"Authorization": "Bearer sk_live_…"},
    json={"url": "https://lowes.com/c/drills", "format": "markdown"})
print(r.text)

Das war’s. Kein manuelles Laden von Proxys, kein Headless-Browser, kein Warten auf Timeouts.

Anwendungen in der Praxis: Hedgefonds und Marktdaten

String zählt zu seinen Kunden sechs der zehn größten Hedgefonds, mehrere Unicorn-Startups und zwei der fünf größten Asset Manager. Was machen die damit? Ein Beispiel: Ein Hedgefonds beobachtet täglich die Preise von Gebrauchtwagen auf einer großen Plattform, um Inflationstrends zu prognostizieren. Vor String musste ein Team von drei Ingenieuren die Scraper warten – jetzt reicht eine API-Integration. Die Datenqualität ist so hoch, dass laut einem Kunden die täglichen Preisänderungen von Aktien wie $CVNA beeinflusst werden.

Andere nutzen String für SEC-Filings, Immobiliendaten, Telekommunikations-Verfügbarkeiten oder Einzelhandels-Promotions. In jedem Fall geht es darum, das öffentliche Web systematisch und zuverlässig in eine strukturierte Datenquelle zu verwandeln – ohne sich mit den Launen von Anti-Bot-Systemen herumzuärgern.

Einordnung: Was String für die KI-Zukunft bedeutet

Wenn KI-Agenten wie Claude, ChatGPT oder Cursor in Zukunft eigenständig das Web durchsuchen sollen, um Fragen zu beantworten oder Aufgaben zu erledigen, brauchen sie einen zuverlässigen Zugang. Die aktuellen Modelle stoßen schnell an Grenzen, wenn sie auf CAPTCHAs, dynamisches JavaScript oder IP-Blacklists treffen. String fungiert hier als Brücke: Das Unternehmen stellt die Infrastruktur bereit, die den Agenten den Zugriff auf das öffentliche Web ermöglicht, ohne dass sie selbst die Hürden überwinden müssen. Das ist ein zentraler Baustein für das Versprechen von Agentic AI – also KI, die selbstständig im Web handeln kann.

Gleichzeitig zeigt der Erfolg von String, wie sehr der Markt nach einer professionellen Lösung lechzt. Web Scraping war lange eine Bastelei: Ein Mix aus Open-Source-Bibliotheken, Cloud-Diensten und manuellen Workarounds. String professionalisiert diesen Bereich durch eine API, die sowohl für Entwickler als auch für Entscheider einfach verständlich ist. Das Unternehmen wird von renommierten Investoren wie Flex Capital, Zapier und Auren Hoffman unterstützt – ein Zeichen dafür, dass die Idee nicht nur technisch überzeugt, sondern auch geschäftlich.

Bleibt die Frage: Ist das der heilige Gral des Web Scrapings? Nein, es gibt immer noch Seiten mit extrem aggressivem Schutz oder solche, die dynamische Captchas pro Session einsetzen. String selbst gibt zu, dass 2,6 Prozent der Anfragen scheitern. Aber für den Rest des Webs – und das ist der überwältigende Teil – bietet String eine solide, messbar bessere Lösung. Für jeden, der regelmäßig Daten aus dem Web braucht, ob für Analysen, KI-Training oder Preisüberwachung, ist das ein Sprung nach vorn. Die Ära des selbst gebastelten Proxy-Bingo geht langsam zu Ende. String macht das Web für Maschinen zugänglich – und das ist genau die Infrastruktur, die wir für die vernetzte KI-Welt brauchen.

Quelle: usestring.ai