Kategorie: KI-News

Du betrittst ein fremdes Gebäude und bekommst eine Anweisung: „Verlasse die Lobby, geh durch den Korridor, betrete den Vorratsraum und bleib vor dem zweiten Regal stehen.“ Als Mensch orientierst du dich mit den Augen und erreichst das Ziel meist problemlos. Einem Roboter diese Fähigkeit beizubringen, ist eine andere Herausforderung. Bisher brauchten autonome Maschinen viele Sensoren: Tiefenkameras, Laserscanner (LiDAR) oder mehrere Kameras. Mistral AI präsentiert Robostral Navigate, ein Modell, das mit einer einzigen handelsüblichen RGB-Kamera auskommt und bisherige Ansätze übertrifft.

Robostral Navigate ist ein 8-Milliarden-Parameter-Modell für die Navigation. Es erhält ein Farbbild der Kamera und eine Anweisung in natürlicher Sprache und berechnet in Echtzeit die nächsten Bewegungsschritte. Im Benchmark R2R-CE erzielt das Modell eine Erfolgsrate von 76,6 % – ohne Tiefenkarten oder LiDAR-Daten. Damit schlägt es den besten Einkamera-Ansatz um 9,7 Prozentpunkte und Systeme mit Tiefensensoren oder mehreren Kameras um 4,5 Prozentpunkte. Herkömmliche Roboter müssen die Umgebung erst kartieren; Robostral Navigate findet sich direkt in einem belebten Büro zurecht, das es nie zuvor gesehen hat. Das ist ein Fortschritt für Logistik, Fertigung, Krankenhäuser oder Serviceroboter.

Wie funktioniert die Navigation mit nur einer Kamera? Die Technik heißt Pointing. Statt metrischer Koordinaten wie „drei Meter geradeaus“ gibt das Modell die Bildkoordinaten des Zielpunkts aus – ähnlich wie wir mit dem Finger zeigen. Der Roboter sagt: „Dort drüben, an diesen Pixelkoordinaten möchte ich hin, und ich möchte in diese Richtung schauen.“ Diese Methode ist robust gegenüber unterschiedlichen Kameras und Maßeinheiten. Ob der Roboter groß oder klein ist, Weitwinkel oder Tele verwendet – die Pixelkoordinaten bleiben gleich. Liegt das Ziel außerhalb des Sichtfelds, greift eine Reservefunktion mit relativen Bewegungen im lokalen Koordinatensystem: „Fahre zwei Meter vorwärts, 1,5 Meter nach links und drehe dich 25 Grad nach links.“ Die Kombination erlaubt lange Routen durch mehrere Räume autonom. Eine Analogie: Du suchst in einem Kaufhaus eine Abteilung. Ein Kollege sagt nicht „nach 20 Metern rechts“, sondern „Siehst du die Säule mit der Werbung? Geh darauf zu, dann links.“ Das ist intuitiver und bleibt auch richtig, wenn der Weg länger oder kürzer ist.

Das Modell wurde komplett in Simulation trainiert. Mistral AI nutzte eine eigene Pipeline: aus 6.000 3D-Umgebungen generierten die Entwickler rund 400.000 Trajektorien mit Anweisungen. Das Training wurde durch Prefix-Caching beschleunigt. Statt jeden Zeitschritt einzeln zu trainieren, verpackt Mistral AI die gesamte Episode in eine Sequenz, markiert aber mit einer Baumstruktur, welche Tokens sichtbar sein dürfen. So reduziert sich die Anzahl der zu berechnenden Tokens um den Faktor 22 – und die Trainingsdauer sinkt von Monaten auf Tage. Nach dem überwachten Lernen folgt eine Phase des Online Reinforcement Learning mit dem Algorithmus CISPO. Das Modell darf in der Simulation selbstständig handeln, Fehler machen und daraus lernen. Allein dieser Schritt verbesserte die Erfolgsrate um 3,2 Prozentpunkte. Die Entwickler sehen noch keine Sättigung und sind zuversichtlich, dass mehr Rechenzeit und Daten die Leistung weiter steigern.

Die praktischen Konsequenzen sind weitreichend. Viele Navigationsroboter brauchen teure Tiefensensoren oder LiDAR. Robostral Navigate zeigt, dass ein System mit einer einzelnen RGB-Kamera genauso gut oder besser funktionieren kann. Roboter für den Inneneinsatz könnten günstiger, kleiner und stromsparender werden – eine einfache Webcam reicht. Das Modell generalisiert: Es läuft auf Rädern, Beinen oder Flugrobotern und passt sich unterschiedlichen Kameraeigenschaften an, ohne neu trainiert zu werden. In einem Video demonstriert Mistral AI, wie ein Roboter mit Robostral Navigate selbstständig durch ein volles Büro fährt, Menschen ausweicht und Türen passiert – eine Umgebung, die nicht Teil der Trainingsdaten war. Das ist der Schritt von Laborbedingungen hin zur realen Umgebung.

Wo liegen die Grenzen? Die Technik basiert auf einer einzigen Kamera; der Roboter hat keine Tiefeninformationen. Objekte außerhalb des Sichtfelds können nicht anvisiert werden, enge Durchfahrten oder Hindernisse direkt vor der Linse könnten problematisch sein. Mistral AI betont, dass Robostral Navigate nur ein erster Schritt ist – ein Fundament für eine einheitliche verkörperte KI. Die nächste Herausforderung ist die Verbindung von Navigation und Manipulation: nicht nur „gehe dahin“, sondern „gehe dahin und nimm den Gegenstand auf“. Das erfordert eine tiefere Integration von Wahrnehmung und Aktion. Die Sicherheit solcher Systeme in belebten Umgebungen muss nachgewiesen werden, bevor sie im großen Stil ausgerollt werden können.

Robostral Navigate zeigt, wie KI aus der Simulation in die echte Welt überschwappt. Statt immer größerer Modelle mit mehr Sensoren setzt Mistral AI auf Effizienz: ein 8B-Modell mit minimaler Hardware, das Spitzenwerte erreicht. Robotik muss nicht teurer und komplexer werden – manchmal reichen eine gute Idee und kluges Training. Und wenn diese Idee in Tagen statt Monaten trainierbar ist, kommt sie schnell in der realen Welt an. Robostral Navigate öffnet die Tür zu Robotern, die wir uns in den Alltag holen können – ohne spezielle Hardware, nur mit einer Kamera und einem clevern Algorithmus. Es liegt an den Ingenieuren und Anwendern, diese Fähigkeit in konkrete Produkte zu gießen.

Quelle: mistral.ai

In einem komplexen Softwareprojekt mit hohen Anforderungen, knappen Deadlines und begrenztem Rechenbudget würde man normalerweise denken: Wer an der Spitze sein will, muss tief in die Tasche greifen. Das Team hinter SWE-1.7 von Cognition zeigt das Gegenteil. Sie entwickelten ein Modell, das mit einem Bruchteil der Kosten an die Leistungsfähigkeit der teuersten Systeme heranreicht. Ermöglicht wird das durch eine Kombination aus Reinforcement Learning, optimierter Infrastruktur und Tricks für stabiles und effizientes Training.

SWE-1.7 baut auf dem Kimi K2.7-Modell auf, das bereits umfangreiche Nachbearbeitung durch RL durchlaufen hatte. Die Entwickler von Cognition stellten fest, dass sie durch ihr eigenes Training noch enorme Zugewinne erzielen konnten. Das widerspricht der Annahme, dass nach einer bestimmten Phase der Nachoptimierung keine großen Sprünge mehr möglich sind. Offenbar lässt sich die Leistungsfähigkeit durch RL noch weiter treiben. In Benchmarks wie FrontierCode 1.1 erreicht SWE-1.7 42,3 Prozent, das Basismodell lag bei 30,1 Prozent. Damit liegt es auf Augenhöhe mit Top-Modellen wie GPT-5.5 oder Opus 4.8, zu deutlich niedrigeren Kosten.

Um diese Erfolge zu erzielen, löste das Team grundlegende Probleme. Eines betrifft die Stabilität des Trainings. Beim RL-Training über viele Schritte besteht die Gefahr des Entropy Collapse. Das Modell hört auf zu explorieren und wiederholt immer die gleichen erfolgreichen Strategien. Die Ursache liegt in sehr unwahrscheinlichen Tokens, die bei der Textgenerierung auftreten. Diese Tokens führen oft zu schlechten Ergebnissen. Werden sie als Trainingsbeispiele verwendet, verstärken sie die bereits dominierenden Pfade. Die Folge: Die Token-Verteilung wird spitzer, die Entropie sinkt. Die Lösung des Cognition-Teams: Top-p Sampling. Dabei werden nur die wahrscheinlichsten Tokens für die Rollouts verwendet, unwahrscheinliche Ausrutscher fließen nicht in die Optimierung ein. Allerdings führt diese Technik im Training zu einer Abweichung zwischen der angenommenen und der tatsächlich gesampelten Verteilung. Zur Korrektur implementierten die Entwickler Sampling Distribution Replay. Sie zeichnen auf, welche Tokens während des Rollouts im Top-p-Set waren, und normalisieren die Wahrscheinlichkeiten im Trainer. So bleibt die Entropie über die gesamte Trainingsdauer konstant, wie Diagramme zeigen.

Ein weiterer Faktor ist die Nutzung mehrerer Rechenzentren gleichzeitig. Das Training großer KI-Modelle erfordert immense Rechenleistung, oft nur in wenigen teuren Superclustern verfügbar. Cognition nutzte stattdessen kleinere, günstigere Cluster auf drei Kontinenten parallel. Der Trainer, der die Gewichte aktualisiert, läuft auf einem leistungsstarken Cluster in den USA. Die Inference-Engines für die Rollouts sind autark. Sie beziehen die aktuellen Gewichte aus einem Cloud-Objektspeicher. Nach jedem Optimierungsschritt lädt der Trainer ein komprimiertes Delta der Gewichtsänderung hoch – die Datenmenge wird so um über 99 Prozent reduziert. Die Inference-Engines prefetchen dieses Delta, wechseln nahtlos auf die neuen Gewichte, ohne laufende Sessions zu unterbrechen. Das gesamte Update dauert ein bis zwei Minuten. So kann Cognition die verfügbare Rechenleistung vervielfachen, ohne teure Höchstleistungscluster.

Mit vielen verteilten Komponenten wächst die Anfälligkeit für Ausfälle. Hardwarefehler sind bei tausenden Chips an der Tagesordnung. Das Team baute daher eine Fehlertoleranz ein: kein einzelner Ausfall zerstört das gesamte Training. Fällt eine Inference-Engine aus, gehen nur die laufenden Sessions verloren – teilweise rekonstruierbar durch einen Proxy-Mechanismus. Die Ausfallsicherheit des Trainers wird durch asynchrone lokale Checkpoints und Replikation der Speicherzustände auf benachbarte Knoten gewährleistet. Stirbt ein Knoten, werden Daten in Sekunden wiederhergestellt. Fallen ganze Replikagruppen aus, kann die Trainingsskalierung vorübergehend reduziert werden. Das ermöglicht kontinuierlichen, langfristigen Trainingsbetrieb.

Neben der Infrastruktur legte das Team Wert auf die Qualität der Trainingsdaten. Sie bauten eine Pipeline auf, die jede Aufgabe automatisch ausführt und prüft, ob die KI sinnvolle Zwischenergebnisse produziert. Aufgaben mit geringem Lerneffekt werden aussortiert, die verbleibenden gehärtet, um Reward-Hacking zu verhindern – also das Ausnutzen von Lücken in der Belohnungsfunktion. Eine weitere Innovation ist Self-Compaction. Bei langfristigen Aufgaben kann der Kontext schnell die Fenstergrenze des Modells überschreiten. SWE-1.7 lernt daher, seinen aktuellen Arbeitsstatus zusammenzufassen und von dieser Zusammenfassung aus weiterzuarbeiten. Ein abwechselnder Längenstraffaktor sorgt dafür, dass das Modell präzise und kurz bleibt, ohne die Korrektheit zu opfern. Das erinnert an einen erfahrenen Programmierer, der seine Gedanken in knappen Kommentaren dokumentiert.

SWE-1.7 liefert in Benchmarks wie Terminal-Bench und SWE-Bench Multilingual starke Leistungen – teils auf dem Niveau oder besser als weitaus teurere Modelle. Die Entwickler berichten von Verhaltensweisen, die das Modell während des Trainings entwickelt hat: vorsichtige Exploration und prägnante Argumentation. Das kommt den Anforderungen an hochwertige Softwareentwicklung entgegen. Das Training verbessert nicht nur die Leistung, sondern auch die Herangehensweise des Modells.

SWE-1.7 zeigt: Nicht immer ist die teuerste Hardware nötig, um an der Spitze mitzumischen. Clevere Algorithmen, stabile Trainingsverfahren und die Nutzung verteilter Ressourcen ermöglichen auch kleineren Laboren oder Unternehmen, mit den Giganten zu konkurrieren. Das senkt Einstiegshürden und fördert Vielfalt. Gleichzeitig ist Reinforcement Learning noch nicht ausgereizt – die Nachoptimierung könnte fruchtbarer sein als angenommen. Die Zukunft gehört nicht den größten Clustern, sondern den klügsten Trainingsstrategien. Effizienz und Einfallsreichtum treiben den Fortschritt voran, frontier intelligence wird erschwinglicher.

Quelle: cognition.com

Du sitzt an einem umfangreichen Projekt: Ausgaben mit Budgets abgleichen, eine Abweichungsanalyse schreiben, eine Kundenpräsentation aus Anrufprotokollen und Pipeline-Daten bauen. Es ist Mittwochnachmittag, eigentlich müsstest du zum nächsten Meeting. Du klickst alles weg, sperrst den Laptop und denkst: Morgen früh mach ich weiter. Was wäre, wenn du die Arbeit an einen Assistenten übergeben könntest, der sie in deiner Abwesenheit erledigt? Das verspricht die neue Version von Claude Cowork von Anthropic – sie kommt jetzt auf dein Smartphone und ins Webbrowser-Fenster.

Claude Cowork ist kein klassischer Chatbot, der nur auf Fragen antwortet. Es ist ein AI-Agent, der von dir eine Aufgabe bekommt und sie selbstständig abarbeitet. Er schaut in deine Dateien, greift auf deinen Kalender, deine E-Mails und Messaging-Apps zu, holt Informationen aus dem Web und führt die notwendigen Schritte aus. Anthropic hat herausgefunden, dass mehr als 90 Prozent der Cowork-Nutzung nichts mit Softwareentwicklung zu tun hat. Die größten Kategorien sind Business Operations und Content Creation. Also Arbeit, die in keiner Stellenbeschreibung steht, aber einen Großteil der Woche frisst. Bisher war Cowork an den Desktop-Client gebunden. Du musstest vor deinem Laptop sitzen, um den Agenten zu beaufsichtigen. Sobald du aufstandest, war die Arbeit unterbrochen. Das ändert sich jetzt.

Was ändert sich mit der mobilen und Web-Version?

Anthropic rollt Cowork zunächst als Beta für Max-Nutzer aus, in den nächsten Wochen sollen weitere Tarife folgen. Drei Neuerungen machen den Unterschied.

Erstens: Deine Arbeit folgt dir. Du startest eine Aufgabe an deinem Schreibtisch, checkst den Fortschritt auf dem Handy, während du mit der U‑Bahn fährst, und nimmst das fertige Ergebnis an einem anderen Gerät entgegen. Die Sitzung ist nicht an einen Ort gebunden. Zweitens: Cowork kann auch dann weiterarbeiten, wenn du deinen Laptop schließt. Du gehst ins Meeting, und der Agent arbeitet im Hintergrund weiter. Er durchforstet E‑Mail-Threads, liest Transkripte, scannt aktuelle Nachrichten – und baut dir eine Briefing-Dokumentation zusammen. Drittens: Geplante Aufgaben laufen jetzt, ohne dass ein Gerät online sein muss. Du legst fest: „Montag um 6 Uhr morgens Bereite die Kundenbesprechung vor.“ Dann wird Claude Cowork selbstständig loslegen und, wenn er fertig ist, die Entwürfe für dich bereitlegen – aber nicht abschicken. Denn der letzte Schritt, die Freigabe, bleibt dir vorbehalten.

Entscheidungen, die nur du treffen kannst, werden direkt auf dein Handy gespielt. Mitten im Meeting bekommst du eine Benachrichtigung: „Claude hat eine Frage zum Projektumfang. Soll ich die Liste der Anforderungen um Punkt X ergänzen?“ Du antwortest in einer Minute, und der Agent setzt die Arbeit auf dem richtigen Pfad fort. Nichts wird ohne deine Prüfung ausgeliefert. Das ist kein vollautonomer Roboter, sondern ein Agent, der dich entlastet, während du die Kontrolle behältst.

„Ich habe mir ein Dashboard gebaut, um meine Kunden auf Reisen zu verfolgen. Ich startete auf dem Laptop und setzte die Sitzung auf dem Handy fort, während ich auf meinen Koffer wartete. Es hat einfach den Faden behalten.“ – Armmand Hosseini, Customer Success, Ramp

Desktop bleibt zentral – Web und Mobil erweitern die Möglichkeiten

Der Desktop bleibt der Ort für tiefgehende Arbeit. Hier kann Cowork auf deine lokalen Dateien und deinen Browser zugreifen und alle Funktionen nutzen. Mit der Web-Version kannst du Cowork auch von Rechnern aus nutzen, auf denen du keine Desktop-App installieren kannst, etwa von einem Firmengerät mit restriktiven Richtlinien. Die mobile App für iOS und Android ist schlanker, aber für Kontrolle und Anpassungen gut geeignet. Außerdem hat Anthropic Chat und Cowork in einer einheitlichen Oberfläche zusammengeführt. Deine Projekte und die dazugehörigen Artefakte – Dokumente, Code-Snippets, Tabellen – liegen jetzt an einem Ort und sind auf allen Geräten synchron.

Du delegierst, wie du einen menschlichen Assistenten bitten würdest. Du sagst: „Sieh dir diesen Ordner an, lies diesen E‑Mail-Faden und mach mir eine Zusammenfassung mit den wichtigsten Entscheidungen.“ Der Agent beginnt zu arbeiten, und du kannst dich anderen Dingen widmen. Oder du weist an: „Stell mir eine Präsentation aus den aktuellen Verkaufsdaten zusammen, inklusive der Prognose für das nächste Quartal, und füge die wichtigsten Risikohinweise aus den Verträgen ein.“ Solche Aufgaben erfordern normales Urteilsvermögen und die Fähigkeit, kontextübergreifend zu denken – darin sind große Sprachmodelle wie Claude besonders stark.

Wie startest du mit dem neuen Cowork?

Im Web beginnst du eine Cowork-Sitzung vom Startbildschirm auf claude.ai. Auf dem Handy öffnest du die Claude-App und tippst im Seitenmenü auf den Cowork-Eintrag. Für die volle Funktionalität solltest du die Claude-Desktop-App herunterladen. Für einen schnellen Einstieg nimm etwas, das ohnehin auf deiner To-do-Liste steht: zeige Claude einen Ordner mit Rechnungen, eine E‑Mail-Konversation oder eine halbfertige Präsentation, und beschreibe, was „fertig“ für dich bedeutet. Anthropic verdoppelt die Cowork-Nutzungslimits bis zum 5. August, sodass du Spielraum hast, um größere Aufgaben auszuprobieren.

Cowork ist keine Spielerei. Es ist eine ernsthafte Arbeitserweiterung für Wissensarbeiter, die täglich mit vielen verschiedenen Dateien, Systemen und Kommunikationskanälen jonglieren. Der KI-Agent ersetzt dich nicht, er nimmt dir die lästigen, repetitiven und zeitfressenden Kleinarbeiten ab – wie ein guter Assistent. Und dass er jetzt im Hintergrund läuft, während du in Meetings sitzt oder pendelst, macht ihn von einem Werkzeug zu einem Partner.

Was das konkret bedeutet

Cowork ist ein AI-Agent, der gut mit strukturierten und unstrukturierten Daten umgehen kann, aber kein allwissendes Orakel. Er kann Fehler machen, Nuancen übersehen oder falsche Zusammenhänge herstellen. Deshalb behältst du die finale Entscheidung und die Freigabe. In der Praxis schenkt Cowork dir vor allem Zeit. Zeit, die du bisher mit Suchen, Zusammenführen und Wiederholen verbracht hast. Statt zwei Stunden in Excel zu brüten, wirfst du deine Idee in Cowork und bekommst in zehn Minuten einen brauchbaren Entwurf zurück. Du polierst nach, schickst eine Mail an den Kunden – und der Tag ist nicht schon um zehn Uhr vorbei. Dass diese Arbeit nun auch von unterwegs nahtlos weitergeht, ist die Konsequenz einer Arbeitswelt, die mobiler wird. Anthropic hat verstanden, dass Arbeit nicht an einem Ort stattfindet, sondern überall dort, wo du gerade bist. Und Cowork macht diesen Schritt mit.

Für alle, die sich mit KI-Chatbots schwergetan haben: Cowork ist ein anderer Ansatz. Du gibst keinem Chatbot eine vage Frage, sondern einem Auftragnehmer eine klare Aufgabe. Die Verantwortung, die du abgibst, bestimmst du selbst – von der Recherche bis zur mehrstufigen Analyse mit zwanzig Quellen. Der Mobile- und Web-Launch zeigt, dass KI-Assistenten vom Spielzeug zum Arbeitsmittel werden. Ob das die tägliche Überlastung vieler Büroangestellter lindert, ist offen.

Quelle: claude.com

Am 26. Juni 2026 gab OpenAI die limitierte Vorschau auf drei Modelle der GPT‑5.6‑Serie bekannt: das Flaggschiff Sol, den Allrounder Terra und das günstige Luna. Der Beitrag fasst die Details zusammen und ordnet sie ein.

Drei Modelle für unterschiedliche Anforderungen

OpenAI unterteilt die GPT‑5.6‑Familie in drei Stufen. Sol ist das leistungsstärkste Modell für anspruchsvolle Bereiche wie Programmierung, Biologie und Cybersicherheit. Terra ist als ausgewogener Arbeitsbegleiter konzipiert – es soll mit GPT‑5.5 mithalten, kostet aber nur halb so viel. Luna richtet sich an Anwendungen mit niedrigen Kosten bei hoher Grundfähigkeit, etwa Echtzeitsysteme oder große Nutzerzahlen. Diese Dreiteilung ähnelt der Strategie anderer Anbieter. OpenAI gibt an, dass die Sicherheitsvorkehrungen je nach Modell angepasst werden: je leistungsfähiger, desto robuster die Schutzmaßnahmen.

Neue Reasoning‑ und Agenten‑Funktionen

Mit GPT‑5.6 führt OpenAI eine neue Reasoning‑Stufe namens max ein, die Sol mehr Zeit zum tiefen Nachdenken gibt. Dazu kommt ein ultra-Modus, der die Fähigkeiten eines einzelnen Agenten durch Sub‑Agenten übertrifft. Konkret: Für komplexe Arbeitsabläufe – etwa die Koordination mehrerer Kommandozeilen‑Tools mit Planung und Iteration – kann Sol auf ein internes Team von Teilagenten zurückgreifen. Auf dem Benchmark Terminal‑Bench 2.1 erreicht das Modell einen neuen Höchststand. In der Biologie zeigt Sol Fortschritte: Im GeneBench v1, der Genom‑ und quantitative Biologie‑Analysen bewertet, übertrifft es GPT‑5.5 bei geringerem Token‑Verbrauch.

Cybersicherheit: Mehr Leistung, weniger Tokens

Ein Schwerpunkt der Veröffentlichung ist die Cybersicherheit. OpenAI bezeichnet Sol als das bisher fähigste Modell für Sicherheitsaufgaben. Es verbessert das Verhältnis von Leistung zu Effizienz bei langfristigen Aufgaben wie Schwachstellenforschung und Exploit‑Entwicklung. Auf dem ExploitBench² ist Sol mit dem Vorgänger Mythos Preview vergleichbar, benötigt aber nur etwa ein Drittel der Ausgabe‑Tokens. Auf ExploitGym, einem Benchmark der UC Berkeley, zeigen alle drei Modelle deutliche Verbesserungen, wenn das Reasoning erhöht wird. Das zeigt: Die Denkfähigkeit lässt sich gezielt für Sicherheitsaufgaben nutzen.

Sicherheitsansatz: Mehr Schutz ohne Behinderung legitimer Arbeit

Die GPT‑5.6‑Modelle werden mit verstärkten Sicherheitsvorkehrungen ausgeliefert. Die Schutzmaßnahmen wurden für risikoreiche Aktivitäten, sensible Cyber‑Anfragen und wiederholten Missbrauch verbessert. Wochenlange Tests und Härtungsmaßnahmen sollten die Systeme gegen reale Angriffe wappnen. Ziel ist es, verbotene offensive Aktivitäten schwieriger und erkennbarer zu machen, ohne legitime Arbeit wie Code‑Reviews, Schwachstellenforschung oder Sicherheitsschulungen unnötig einzuschränken. OpenAI erwartet einen erheblichen Nutzen für defensive Sicherheitsarbeit und eine wirksame Einschränkung des Missbrauchs. Diese Abwägung ist anspruchsvoll: Je leistungsfähiger ein Modell, desto größer das Missbrauchspotenzial – und desto wichtiger sind intelligente Schutzmechanismen.

Der politische Kontext: Limitierte Vorschau auf Wunsch der US‑Regierung

Ein ungewöhnlicher Punkt der Ankündigung ist die enge Abstimmung mit der US‑Regierung. OpenAI sprach vor dem Start der Vorschau mit der Regierung. Auf deren Wunsch startet man mit einer kleinen Gruppe vertrauenswürdiger Partner, deren Teilnahme der Regierung bekannt ist. Erst danach soll die allgemeine Verfügbarkeit folgen. OpenAI stellt klar: „Wir glauben nicht, dass diese Art von staatlicher Zugangsprozess auf Dauer zum Standard werden sollte.“ Es halte die besten Werkzeuge von Nutzern, Entwicklern und globalen Partnern fern. Man gehe diesen Schritt kurzfristig, weil er der stärkste Weg zu einer baldigen breiten Verfügbarkeit sei – während man mit der Administration an einem Cyber‑Executive‑Order‑Rahmenwerk arbeite. Das zeigt das Spannungsfeld zwischen Sicherheitsbedenken, politischer Einflussnahme und offener KI‑Entwicklung.

Preisgestaltung und Verfügbarkeit

Konkrete Preise für Sol, Terra und Luna wurden nicht genannt, aber die Relationen sind klar: Terra bietet GPT‑5.5‑vergleichbare Leistung zum halben Preis, Luna ist das günstigste Modell. OpenAI strebt in den kommenden Wochen die allgemeine Verfügbarkeit an. Während der Vorschauphase wird getestet und mit Partnern eng zusammengearbeitet. Wer einen Blick auf die Modelle werfen möchte, kann sich für die begrenzte Vorschau registrieren – der Zugang bleibt exklusiv.

Einordnung: Ein Schritt nach vorn mit angezogener Handbremse

Die Ankündigung zeigt, wohin sich OpenAI entwickelt: hin zu spezialisierten Modellvarianten, tieferem Reasoning und robusteren Sicherheitsvorkehrungen, die mit der Leistungsfähigkeit Schritt halten. Die Einführung von max und ultra‑Modi signalisiert, dass OpenAI an der Grenze des Machbaren für Einzelagenten arbeitet und auf Multi‑Agent‑Systeme setzt. Gleichzeitig bleibt die Frage, wie transparent der Entwicklungsprozess ist. Die Einschaltung der US‑Regierung mag kurzfristig Sicherheit geben, birgt aber das Risiko, dass Innovationen langsamer oder unter politischen Auflagen verbreitet werden. Ob GPT‑5.6 Sol die nächste Stufe der KI wirklich einlöst, wird die Praxis zeigen. Entwickler und Unternehmen sollten die Benchmarks prüfen und die politischen Entwicklungen verfolgen. Sol markiert nicht nur einen technischen Fortschritt, sondern auch einen neuen Dialog zwischen KI‑Entwicklern und Regierungen.

Quelle: openai.com

Sie arbeiten an einer wichtigen Präsentation. Sie haben E-Mails gesichtet, Zahlen aus Tabellen gezogen, Entwürfe geschrieben. Dann klingelt das Telefon, Sie müssen zum Meeting. Also schließen Sie den Laptop und nehmen die Gedanken mit – die eigentliche Arbeit bleibt liegen. Ihr digitaler Assistent könnte weitermachen. Das verspricht Claude Cowork von Anthropic, ab sofort nicht nur auf dem Desktop, sondern auch auf Smartphone und Browser.

Cowork übernimmt eine ganze Aufgabe. Statt nur Fragen zu beantworten, greift der Assistent auf Ihre verbundenen Tools zu – Dateien, Kalender, E-Mail, Messaging-Dienste, das Web – und arbeitet so lange, bis das Ergebnis vorliegt. Anthropic gibt an, dass über 90 Prozent der Nutzung aus alltäglicher Wissensarbeit besteht, nicht aus Softwareentwicklung. Die häufigsten Kategorien sind Geschäftsabläufe und Content-Erstellung: Quartalsausgaben abgleichen und eine Abweichungsanalyse schreiben, einen Ordner mit Verträgen in eine Erneuerungsübersicht mit Risikohinweisen verwandeln, aus Gesprächsprotokollen und Pipeline-Daten eine Kundenpräsentation bauen. Diese Arbeit findet sich selten in Stellenbeschreibungen, nimmt aber viel Zeit in Anspruch.

Bisher war Cowork an den Laptop gebunden. Sie starteten eine Aufgabe – etwa „Analysiere die letzten zehn Support-Tickets und fasse die häufigsten Probleme zusammen“ – und mussten am Rechner bleiben, bis sie fertig war. Schlossen Sie den Deckel, stoppte auch Claude. Mit dem Update auf mobile und web ändert sich das. Drei Änderungen: Ihre Arbeit folgt Ihnen. Sie beginnen eine Aufgabe am Schreibtisch, prüfen den Fortschritt auf dem Handy und greifen das fertige Ergebnis später auf einem anderen Gerät wieder auf. Die Arbeit läuft im Hintergrund weiter. Sie können den Laptop zuklappen und zum Meeting gehen – Claude arbeitet weiter. Auch geplante Aufgaben starten ohne aktives Gerät. Sie legen fest, dass die Kundenbriefing-Unterlage jeden Montag um 6 Uhr morgens erstellt werden soll. Claude durchsucht die E-Mail-Threads der letzten Woche, Transkripte, aktuelle Nachrichten, baut das Dokument und hinterlässt eine Entwurf-E-Mail, die Sie überprüfen können.

Die Entscheidungen bleiben bei Ihnen. Wenn Claude an eine Frage stößt, die nur ein Mensch beantworten kann – etwa ob eine bestimmte Formulierung im Entwurf angemessen ist –, stoppt der Assistent und sendet eine Benachrichtigung auf Ihr Telefon. Sie können während einer Besprechung kurz antworten, und Claude macht weiter. Nichts wird ausgeliefert, ohne dass Sie es geprüft und freigegeben haben. Es ist kein autonomer Roboter, sondern ein delegierendes Werkzeug mit klarer Verantwortungstrennung.

Der Desktop bleibt der Ort für intensive Arbeit. Dort läuft die volle Funktionalität inklusive Zugriff auf lokale Dateien und den Browser. Neu ist, dass auch Nutzer, die keine Desktop-App installieren können oder wollen, jetzt über das Web auf Cowork zugreifen können. In der Web- und Desktop-Version werden Chat und Cowork zu einer einzigen Oberfläche zusammengeführt. Projekte und Artefakte sind an einem Ort. Delegieren funktioniert wie Fragen stellen.

Zur Einführung verdoppelt Anthropic die Cowork-Nutzungslimits bis zum 5. August. Das erlaubt größere Aufgaben auszuprobieren. Der Rollout beginnt in den nächsten Wochen als Beta, zunächst für Max-Nutzer, weitere Tarife folgen. Teilnehmer starten auf dem Web über den Startbildschirm auf claude.ai oder in der mobilen App über die Seitenleiste. Eine erste Aufgabe: Nehmen Sie etwas, das ohnehin auf Ihrer To-do-Liste steht – ein Ordner mit Notizen, eine E-Mail-Kette, eine halbfertige Präsentation – und beschreiben Sie Claude, wie „fertig“ aussieht. Lassen Sie ihn arbeiten, während Sie andere Dinge erledigen.

Konkret: Claude Cowork ist keine Zukunftsmusik mehr, sondern wird zum festen Bestandteil des Arbeitsalltags. Der Assistent übernimmt keine kreative Verantwortung, erspart aber stupide Fleißarbeit. Bisher war die Ortsgebundenheit die größte Hürde: Solange eine Aufgabe an einen Rechner gefesselt war, konnte sie nicht nebenbei laufen. Mit mobil und Web fällt sie. Cowork arbeitet unsichtbar weiter, auch wenn Sie etwas anderes tun. Keine Revolution, sondern eine logische Weiterentwicklung: Arbeit passt sich dem Menschen an.

Wer sich fragt, ob KI produktiv ist, findet hier ein ernstzunehmendes Werkzeug. Es ersetzt nicht menschliches Urteilsvermögen, sondern verstärkt es. Wie ein Assistent, der Vorarbeit leistet – auch unterwegs. Die Frage ist nicht ob, sondern wie Sie KI am besten für Ihre Arbeit nutzen.

Quelle: claude.com