Kategorie: KI-News

Was hat ein KI-Chip mit 20 Gigawatt zu tun? Eine Ankündigung aus Hangzhou gibt eine Antwort, und sie handelt weniger von Rechenleistung als von Strom. Der chinesische Konzern Alibaba hat den Zhenwu V900 vorgestellt, einen Beschleuniger aus der eigenen Chipsparte T-Head, der nach Unternehmensangaben die dreifache Leistung seines Vorgängers erreicht. Bis zu 500.000 dieser Einheiten lassen sich zu einem Cluster verbinden, groß genug für das Training der größten Modelle, wie Konzernchef Eddie Wu erklärte.

Das ist zunächst eine technische Meldung. Spannend wird sie durch die zweite Zahl, die Wu im selben Auftritt nannte: 20 Gigawatt Rechenzentrumskapazität für Alibaba Cloud bis 2032. Um diesen Alibaba KI-Chip einzuordnen, muss man zwei Dinge auseinanderhalten. Auf der einen Seite steht die Rechenleistung auf dem Silizium, auf der anderen die elektrische Leistung, die aus dem Netz kommen muss. Beides hängt zusammen, ist aber nicht dasselbe.

Der Zhenwu V900 und die Logik eines Beschleunigers

Ein Beschleuniger ist kein gewöhnlicher Prozessor. Er übernimmt die Rechenschritte, die beim Training neuronaler Netze millionenfach parallel ablaufen, im Kern Matrizenmultiplikationen in riesigen Zahlenräumen. Dafür ist der Zhenwu V900 gebaut, und deshalb steht er in direkter Konkurrenz zu den Beschleunigern von Nvidia, die den Markt dominieren. Alibaba bezeichnet ihn als den leistungsfähigsten KI-Chip aus chinesischer Entwicklung.

Die eigentlich spannende Angabe ist die mögliche Cluster-Größe. 500.000 Einheiten in einem Verbund bedeuten, dass nicht nur einzelne Chips schnell rechnen müssen, sondern dass die Verbindung zwischen ihnen trägt. Ob damit einzelne Chips oder komplette Beschleunigerkarten gemeint sind, lässt die Ankündigung offen. Diese Unschärfe ist typisch für solche Präsentationen, und sie ist ein Grund, die genannten Leistungsfaktoren mit etwas Abstand zu lesen.

Ein Muster ist trotzdem erkennbar: Alibaba versucht nicht, Nvidia auf jedem Feld zu schlagen. Der Konzern baut eine eigene, möglichst geschlossene Kette aus Chip, Server, Netzwerk und Cloud. Wer diese Kette kontrolliert, ist von Lieferengpässen und Exportbeschränkungen weniger abhängig. Der Chip ist damit weniger ein Produkt für den freien Markt als ein Bauteil im eigenen Kraftwerk.

Gigawatt als Maßstab: Warum Rechenzentren Kraftwerke sind

Wer 20 Gigawatt sagt, spricht eigentlich über Kraftwerke. Ein großer Reaktorblock eines Kernkraftwerks liegt bei etwa einem Gigawatt elektrischer Leistung. Zwanzig Gigawatt entsprechen damit grob der Leistung von zwanzig solchen Blöcken. Diese Kapazität wird nicht verbraucht, weil irgendwo eine Software läuft, sondern weil zehntausende Server gleichzeitig laufen und ihre Abwärme weggekühlt werden muss.

Die passende Analogie ist deshalb nicht der Computer, sondern das Stromnetz. Ein Kraftwerk besteht aus Turbinen, Generatoren, Leitungen und Schaltanlagen. Fehlt ein Teil, nützt der Rest wenig. Genauso verhält es sich mit KI-Hardware: Der Chip ist die Turbine, das Rechenzentrum ist das Kraftwerk, und die 20 Gigawatt sind die Nennleistung, für die alles dimensioniert werden muss. Kaufe tausend schnelle Chips und stelle sie in eine Halle mit zu schwachem Netzanschluss, und du hast kein Rechenzentrum, sondern ein Lager.

Das erklärt, warum Gigawatt die aussagekräftigere Kennzahl ist als ein Benchmark. Sie zwingt zu Fragen, die sich nicht mit Software beantworten lassen. Gibt es genug Strom in der Region, in der das Rechenzentrum steht? Wie lange dauert der Netzanschluss? Wer liefert die Kühlung, und wie viel Wasser oder Energie kostet sie? Solche Fragen entscheiden darüber, ob eine Ankündigung in Betrieb geht oder in einer Präsentation bleibt.

Dazu ein Vorbehalt. Alibaba nennt 20 Gigawatt als Ziel für 2032 und spricht von exponentiell steigender Nachfrage nach KI. Ob sich diese Zahl auf die vertraglich gesicherte Netzleistung, die installierte Anschlussleistung oder die tatsächlich abgerufene Leistung bezieht, geht aus der Ankündigung nicht hervor. In der Branche werden solche Angaben traditionell großzügig gerechnet.

53 Milliarden Dollar und ein möglicher Börsengang

Hinter dem Chip steht ein Investment, das sich in Zahlen fassen lässt. Alibaba will über drei Jahre mehr als 53 Milliarden Dollar in KI investieren. Im August kamen rund 10,2 Milliarden Dollar aus einer Kapitalerhöhung in Hongkong hinzu. Das Unternehmen gehört damit zu den größten KI-Investoren unter Chinas Konzernen.

Der zweite Teil der Strategie ist der Kapitalmarkt. Alibaba plant, die Chipdesign-Sparte T-Head separat an die Börse zu bringen, wie Bloomberg berichtet. Der Gedanke dahinter ist nüchtern: Wer Chips für KI entwirft, sitzt in einem Markt, in dem Investoren derzeit hohe Bewertungen zahlen. Ein eigener Börsengang würde Kapital bringen, ohne die Bilanz des Mutterkonzerns weiter zu belasten.

Hier trennen sich Ankündigung und Geschäftsmodell. Ein KI-Chip, der nur im eigenen Rechenzentrum läuft, ist eine Investition. Einer, der als eigene Firma an der Börse steht, ist zusätzlich ein Versprechen an Anleger. Beide Motive können gleichzeitig wirken, und meistens tun sie es auch.

Fünf bis zehn Billionen Parameter und die Gegenstimme aus den USA

Alibaba beschränkt sich nicht auf Hardware. Der Konzern will ein Modell mit fünf bis zehn Billionen Parametern entwickeln, deutlich größer als das, was heute üblich ist. Parameter sind die inneren Stellschrauben eines Modells; je mehr davon, desto mehr Muster kann es speichern, und desto mehr Rechenzeit kostet das Training. Ein Modell dieser Größenordnung wäre darauf ausgelegt, längere und komplexere Aufgaben zu bearbeiten.

Damit steht Alibaba im Gegensatz zu führenden Labors in den USA. Anthropic-Chef Dario Amodei hat zuletzt ein langsameres Tempo der Entwicklung gefordert, um Risiken besser handhaben zu können. Alibaba argumentiert in die entgegengesetzte Richtung und begründet die Expansion mit der Nachfrage. Zwei Industrien, zwei Erzählungen, dieselbe Rechenleistung als Grundlage.

Auch der Zeitpunkt der Präsentation ist bemerkenswert. Sie fiel auf den Vorabend eines Gipfeltreffens zwischen US-Präsident Donald Trump und dem chinesischen Staatschef Xi Jinping, bei dem KI-Fragen eine große Rolle spielen sollen. Nvidia-Chef Jensen Huang und Microsoft-Chef Satya Nadella gehörten zu den Gästen eines Staatsdinners im Weißen Haus. Technologiepolitik und Produktankündigung liegen in diesem Feld selten weit auseinander.

Was Chip und 20 Gigawatt bis 2032 konkret bedeuten

Für den Markt ist die wichtigste Botschaft, dass neben Nvidia ein zweiter großer Abnehmer und potenzieller Anbieter von KI-Hardware entsteht. Alibaba baut die eigene Beschleuniger-Familie aus, koppelt sie an die eigene Cloud und skaliert die Infrastruktur darüber. Das macht den Konzern unabhängiger von Zulieferern und erhöht zugleich den Preisdruck, sollte das Angebot tatsächlich wachsen.

Für die Rechenzentrumsbranche verschiebt sich der Engpass. Nicht die Chips sind knapp, sondern Strom, Fläche, Kühlung und Netzanschlüsse. Wer heute ein Rechenzentrum plant, verhandelt deshalb zuerst mit Energieversorgern und Genehmigungsbehörden und erst danach mit Hardware-Lieferanten. Die Zahl 20 Gigawatt ordnet Alibaba in genau diese Kategorie ein: ein Infrastrukturziel, nicht ein Technologieziel.

Bleibt eine nüchterne Einordnung. Der Zhenwu V900 ist ein ernstzunehmender Versuch, auf dem wichtigsten Hardwaremarkt der Gegenwart unabhängiger zu werden. Die Angaben zur Leistungssteigerung stammen vom Hersteller selbst und sind bislang nicht unabhängig überprüft. Ob die 20 Gigawatt bis 2032 stehen, hängt weniger an der Qualität des Siliziums als daran, wie schnell Leitungen gelegt, Kraftwerke gebaut und Kühlkapazitäten genehmigt werden.

Ein KI-Chip ist heute nur so viel wert wie die Steckdose, an der er hängt. Alibaba hat beides angekündigt: den Chip und die Steckdose. Die Frage der nächsten Jahre ist, welcher Teil schneller fertig wird.

Quelle: finance.yahoo.com

Offene KI-Modelle gelten als Bastelware: brauchbar für Experimente, selten für echte Produktionsarbeit. Xiaomis MiMo-V2.6 soll laut Herstellerangaben mit Claude Opus 5 und GPT-5.6 Sol mithalten – bei einem Trainingsbudget im niedrigen einstelligen Millionenbereich. Wichtiger als die Benchmark-Zahlen ist die Rechnung dahinter.

Xiaomi hat die Serie MiMo-V2.6 in zwei Varianten veröffentlicht und den Quellcode offengelegt: Pro als leistungsfähigstes Modell, Flash als günstigere Balance aus Intelligenz und Effizienz. Beide sind nativ omnimodal, arbeiten also von Haus aus mit Text, Bild und Video und können zusätzlich einen Computer bedienen. Was das konkret heisst, wie teuer das Training war und ob der Vergleich mit den geschlossenen Modellen hält, steht in den folgenden Abschnitten.

Zwei Modelle, ein Bauplan: Pro, Flash und die omnimodale Basis

Wer ein omnimodales Modell baut, hat zwei Wege: mehrere spezialisierte Systeme nachträglich zusammenkleben oder von Anfang an mit allen Eingabeformen trainieren. Xiaomi geht den zweiten Weg und nennt das Ergebnis nativ omnimodal, also aus einem Guss. Praktisch heisst das: Dasselbe Modell schreibt Code, liest einen Screenshot, versteht ein kurzes Video und klickt sich durch eine Oberfläche. Der Bauplan erinnert an eine Werkstatt mit einer gemeinsamen Werkbank, auf der die Werkzeuge unterschiedlich schwer ausfallen – statt mehrerer getrennter Räume mit eigener Ausstattung.

MiMo-V2.6 Pro ist das schwere Werkzeug für anspruchsvolle Aufgaben: komplexe Coding-Agenten, visuelle Auswertungen, Computer-Use-Szenarien, in denen ein Modell eine grafische Oberfläche bedienen muss. MiMo-V2.6 Flash zielt auf Fälle, in denen Kosten und Laufzeit stärker wiegen als das letzte Prozent Qualität. Xiaomi unterzieht beide Modelle demselben Trainingsrezept und dimensioniert sie nur unterschiedlich. Die Arbeit steckt im Verfahren, nicht in der Grösse.

Was 46,32 Punkte im Intelligence Index v4.3 aussagen – und was nicht

Der MiMo-V2.6 Pro erreicht 46,32 Punkte im Artificial Analysis Intelligence Index v4.3. Nach Xiaomis Darstellung liegt er damit vor Kimi K3 und Qwen3.8 Max und ist das höchstbewertete Open-Source-Modell im Vergleichsfeld. Solche Zahlen sind nützlich, haben aber einen Haken: Den Test wählt der Anbieter selbst aus. Ein Index mittelt über viele Aufgaben und verdeckt, wo ein Modell stark ist und wo es einbricht.

Mehr sagt der Verlauf innerhalb einer Messreihe. Auf DeepSWE v1.1 stiegen die Werte bei einer Variante von 48,8 auf 65,68, bei der anderen von 58,4 auf 72,57. Solche Sprünge kommen nicht von mehr Parametern, sondern von besseren Trainingssignalen. Für MiMo-V2.6 Pro gilt also: Die Richtung stimmt, das Niveau liegt in der Spitzengruppe. Die Formulierung „auf Augenhöhe“ bleibt bis zu unabhängigen Nachmessungen eine Herstelleraussage.

30 Trainingsschritte, 750.000 Versuche: die Rechnung hinter dem Training

Der Kern der Veröffentlichung ist das skalierte Reinforcement Learning auf verifizierbaren, komplexen Aufgaben. In weniger als sechs Tagen absolvierten Flash und Pro jeweils 30 RL-Schritte über rund 750.000 Trajektorien. Die Kosten beliefen sich auf etwa 850.000 Dollar für Flash und 2,62 Millionen Dollar für Pro. Das ist die Grössenordnung eines mittleren Unternehmensbudgets, nicht die eines Nationalstaats.

Trainiert wurde über Coding-, allgemeine Agenten-, visuelle und Cybersicherheitsaufgaben, mit 1.568 Beispielen pro Update und Kontextlängen bis zu einer Million Token. Gegen ein bekanntes Problem hat Xiaomi Vorsichtsmassnahmen eingebaut: Der Router wurde eingefroren, um Drift zu begrenzen, dazu kamen gegnerische Evaluierung, Anomalieerkennung und Querprüfungen durch Verifier, um Reward Hacking zu erkennen. Das entspricht einem Prüfer, der nicht nur das Ergebnis ansieht, sondern auch kontrolliert, ob der Prüfling die Lösung selbst erarbeitet hat.

Reinforcement Learning belohnt Verhalten, das zum Ziel führt – und leider auch Abkürzungen, wenn niemand hinsieht. Wer diese Abkürzungen nicht systematisch ausschliesst, trainiert ein Modell heran, das gut aussieht und schlecht arbeitet. Der Verifier ist damit das eigentliche Qualitätsmerkmal des Verfahrens, nicht das Modellgewicht.

Von der Werkbank in die Werkstatt: Vibe World, Roboterarm und Musik

MiMo-V2.6 bleibt nicht beim Schreiben von Software stehen. Xiaomi nennt einen Anwendungsbereich „Vibe World“: Aus einem Bild, einem Video oder einer Textvorgabe koordiniert das Modell Agenten, die interaktive 3D-Szenen bauen und diese visuell überprüfen. Es erstellt Blender-Assets, steuert einen Franka-Panda-Roboterarm anhand von Kamerabildern, erzeugt Frontends und Präsentationen, montiert Videos und komponiert Musik als Notensatz und MIDI.

Auch Forschungsanwendungen werden genannt: das Screenen von Materialien, die PFAS-Chemikalien binden können, und die Formalisierung eines Lean-4-Theorems in mehr als 6.000 Zeilen kernel-verifizierten Codes. Solche Beispiele sind Demonstrationen, keine Produktversprechen. Ein Modell, das einen Roboterarm im kontrollierten Labor bewegt, ist noch kein System, das in einer Fertigungshalle zuverlässig arbeitet. Der Sprung von der Vorführung in den Alltag bleibt die Hürde.

Preise, Varianten und die Frage der Geschwindigkeit

Die API-Preise von MiMo-V2.6 liegen auf dem Niveau der Vorgängerversion V2.5. Flash kostet 0,14 Dollar pro Million uncached Input-Token und 0,28 Dollar für Output. Pro liegt bei 0,435 Dollar für Input und 0,87 Dollar für Output. Flash ist damit rund ein Drittel des grossen Bruders – ein Unterschied, der in volumenstarken Agenten-Pipelines mehr bewirkt als jeder Benchmarkpunkt.

Für latenzkritische Arbeit gibt es Pro-UltraSpeed, das bei gleicher Qualität bis zu 20-mal schneller ausgeben soll und dafür den zehnfachen Preis verlangt. UltraSpeed zielt auf Echtzeit-Workflows, in denen Wartezeit teurer ist als der Tokenpreis. Beide Modelle laufen bereits in AI Studio, MiMo Code, der MiMo API Platform und bei OpenRouter; MiMo Desktop verlässt die Early-Access-Phase und bringt beide Varianten mit. Zusammen mit den Modellen veröffentlicht Xiaomi den technischen Report, die Trainingsumgebungen und den RL-Code.

Was das konkret bedeutet

Nicht, dass ein offenes Modell einen Benchmark gewinnt, ist die Neuigkeit. Die Neuigkeit sind die Kosten: Ein konkurrenzfähiges Modell ist in einen Bereich gerutscht, den mehrere Unternehmen gleichzeitig bezahlen können. Wenn 30 RL-Schritte weniger als drei Millionen Dollar kosten, verschiebt sich der Wettbewerb weg von der grössten Rechenanlage, hin zu den saubersten Verifizierern. Das verändert, wer mitspielen kann, und wie schnell Modelle besser werden.

Als Entwickler oder Produktverantwortlicher heisst das: Die Preisleistung bei Coding-Agenten, Robotik-Simulation und Medienproduktion wird besser, und die Abhängigkeit von einem einzigen Anbieter sinkt – solange die Gewichte offen bleiben. Vorsicht bleibt trotzdem angebracht. Eigene Tests mit dem eigenen Datenbestand schlagen jeden Index. Und bei einem chinesischen Anbieter sollten Fragen zu Datenhaltung und Betrieb geklärt sein, bevor etwas in Produktion geht.

MiMo-V2.6 ist kein Beweis, dass offene Modelle geschlossene überholt haben. Belastbarer ist der Hinweis, dass der Abstand klein genug geworden ist, um in vielen Fällen keine Rolle mehr zu spielen. Wer die Modelle ausprobiert, sollte weniger auf die Zahl 46,32 schauen und mehr darauf, ob die eigene Aufgabe damit zuverlässig gelingt.

Quelle: testingcatalog.com

„Many companies possess highly valuable operational intelligence without realizing it“ – mit diesem Satz wirbt der Anbieter micro1 auf der Seite seines Enterprise-Data-Partnership-Programms. Der Satz benennt die Stelle, an der es beim Training heutiger KI-Systeme klemmt: Modelle haben inzwischen genug Text aus dem offenen Internet gesehen, aber kaum echte betriebliche Abläufe. Wer verstehen will, wie moderne Unternehmenssoftware funktioniert und wie darin Entscheidungen getroffen werden, kommt mit öffentlich zugänglichen Quellen nicht weit. Hier setzt das Programm an, das im Folgenden genauer betrachtet wird.

Was micro1 unter einer Enterprise Data Partnership versteht

micro1 beschreibt sich selbst als AI Data Lab und damit als Dienstleister, der Trainingsdaten für KI-Entwickler beschafft und aufbereitet. Nach eigener Darstellung wird das Unternehmen von Microsoft unterstützt, arbeitet für führende KI-Labore und hat mehr als 400 Millionen US-Dollar wiederkehrenden Umsatz erreicht. Im Kern steht eine einfache Arbeitsteilung: Modellentwickler brauchen realistische Beispiele aus dem Arbeitsalltag, Unternehmen produzieren solche Beispiele täglich, ohne sie als Wirtschaftsgut zu betrachten. micro1 tritt dazwischen, bündelt, anonymisiert und bezahlt. Eine Enterprise Data Partnership ist damit kein Forschungsprojekt, sondern der organisierte Einkauf von Erfahrungswissen.

Welche Unternehmen für KI-Training mit echten Workflows gesucht sind

Die Anforderungen lesen sich wie eine nüchterne Checkliste: zwischen 30 und 200 Mitarbeitende, ausgeprägte operative Reife, umfangreiche interne Dokumentation, aktive Nutzung moderner Software und klar definierte Abläufe, die wiederholt ausgeführt werden. Die letzte Bedingung ist die entscheidende. Ein Modell lernt aus Mustern, und Muster entstehen nur dort, wo ein Vorgang oft genug nach demselben Schema abläuft. Ein einmaliger Sonderfall im Projektgeschäft liefert dagegen kaum brauchbares Material. Wer denkt, sein Unternehmen sei zu klein oder zu unspektakulär, verwechselt Größe mit Wiederholbarkeit.

Als Beispiele nennt micro1 Technologieunternehmen, BPO- und Recruiting-Firmen, Finanzdienstleister, Beratungen, Anwalts- und Compliance-Organisationen, Gesundheitsverwaltungen sowie Logistik- und Operationsbetriebe. Diese Aufzählung ist kein Zufall, denn all diese Branchen leben von dokumentierten Abläufen. Dazu kommen die Datentypen, um die es konkret geht: interne Dokumentation, SOPs und Playbooks, Wissensdatenbanken, Prozessbeschreibungen, Projektmanagement-Workflows, interne Kommunikation, Arbeitsergebnisse, Vorlagen und Betriebsrahmen, CRM- und Workflow-Metadaten sowie Ausführungshistorien von Aufgaben. Das ist ausdrücklich kein Abgreifen von Kundenlisten, sondern das, was in vielen Häusern im Intranet vor sich hin altert.

Wie die sichere Datenpartnerschaft für KI-Training begründet wird

micro1 betont, Sicherheit sei die Grundlage des Programms, und nennt ein Ziel, das die Angst vor Wettbewerbsnachteilen adressieren soll: Es gehe nicht darum, Geschäftsmodelle, Produkte, Kunden oder Wettbewerbsvorteile zu replizieren. Zweck sei allein, KI-Systeme an realistischen Unternehmensumgebungen zu trainieren und zu bewerten. Damit wird eine wichtige Unterscheidung getroffen, denn Unternehmensdaten für KI-Training sind nur dann sinnvoll nutzbar, wenn klar ist, was davon verräterisch ist und was schlicht Arbeitsroutine beschreibt.

Konkret nennt das Unternehmen sieben Maßnahmen: Originaldatensätze werden nur zur Verarbeitung vorgehalten, sensible Informationen vor jeder Weiterverwendung bereinigt, vertrauliche Angaben entfernt, Originaldaten nach der Verarbeitung gelöscht, Daten nicht öffentlich geteilt, keine Kundeninformationen offengelegt, und die Unternehmen behalten das Eigentum an ihren zugrunde liegenden Daten. Ob diese Kette in der Praxis belastbar ist, hängt an Details, die eine Marketingseite nicht klären kann: Wer prüft die Bereinigung, nach welchen Kriterien, und wie wird die Löschung nachgewiesen? Solche Fragen gehören in jede Verhandlung, unabhängig vom Anbieter.

Bezahlung für Unternehmensdaten für KI: Wie sich der Preis ergibt

Zur Vergütung nennt micro1 fünf Faktoren: Umfang des Datensatzes, Komplexität der Workflows, Einzigartigkeit des operativen Wissens, Datenqualität und die vertretene Fachkompetenz. Das sind nachvollziehbare Kriterien, denn sie beschreiben genau die Dinge, die ein Modell nicht aus dem offenen Web lernen kann. Zusätzlich veröffentlicht das Unternehmen Kennzahlen zum Programm: mehr als 100 Partnerfirmen, über 200 Millionen US-Dollar an Partner ausgeschüttet, Beteiligte aus mehr als 100 Ländern. Diese Zahlen sind Selbstdarstellung und sollten als solche gelesen werden, geben aber eine Größenordnung.

Für die eigene Kalkulation bedeutet das: Der Wert liegt nicht in der Menge an Dateien, sondern in der Seltenheit des beschriebenen Vorgangs. Ein generisches Onboarding-Handbuch bringt wenig, ein spezialisierter Freigabeprozess mit Branchenlogik schon deutlich mehr. Wenn du Unternehmensdaten monetarisieren willst, solltest du zuerst inventarisieren, welche Abläufe im eigenen Haus wirklich ungewöhnlich sind. Die Antwort überrascht viele Führungsteams, weil Routine selten als Besonderheit wahrgenommen wird.

Wo die kritischen Fragen beginnen

Unabhängig davon, wie überzeugend ein Anbieter auftritt, bleiben drei Prüfpunkte. Erstens die Rechtslage: Personenbezogene Daten, Kundengeheimnisse, Berufsgeheimnisse und branchenspezifische Aufbewahrungspflichten lassen sich nicht per Anonymisierungsversprechen erledigen. Zweitens die Mitbestimmung, denn in Deutschland ist die Verarbeitung von Beschäftigtendaten regelmäßig ein Fall für den Betriebsrat. Drittens die Frage nach dem Gegenwert, weil einer Einmalzahlung ein Modell gegenübersteht, das über Jahre genutzt wird.

Hinzu kommt ein technisches Argument, das oft übersehen wird. Ein trainiertes Modell lässt sich nicht zurücknehmen, wenn ein Datensatz einmal Gewichtungen beeinflusst hat. Zusagen über Löschung betreffen also die Rohdaten, nicht zwingend ihre Wirkung. Wenn du eine Datenpartnerschaft für Unternehmen ernsthaft prüfst, solltest du das offen ansprechen und vertraglich regeln, was mit abgeleiteten Artefakten geschieht. Ein Anbieter, der solche Fragen nicht ruhig beantworten kann, ist die falsche Wahl.

Was die micro1 Unternehmensdaten Partnerschaft praktisch bedeutet

Für Firmen zwischen 30 und 200 Mitarbeitenden ist das Angebot vor allem eine Bewusstseinsfrage. Betriebliches Wissen, das in SOPs, Playbooks und Prozessdokumentation steckt, wird im Alltag als Selbstverständlichkeit behandelt und in der Bilanz überhaupt nicht geführt. Wenn dieses Wissen nun einen Preis bekommt, verändert das den Blick auf die eigene Dokumentation. Das ist der eigentliche Punkt, der über den einzelnen Anbieter hinausgeht.

Praktisch heißt das: Wer Interesse hat, sollte klein anfangen. Ein klar abgegrenzter Prozessbereich, eine saubere rechtliche Prüfung, eine ausdrückliche Freigabe durch Datenschutz und Mitbestimmung, danach ein begrenzter Pilot. Die Anmeldung selbst ist, dem Anbieter zufolge, in etwa zwei Minuten erledigt und verlangt nicht mehr als Firmenname, Ansprechpartner, Rolle, E-Mail, Telefonnummer und Website. Die eigentliche Arbeit beginnt erst danach, und sie liegt beim Unternehmen, nicht beim Vermittler.

Ob KI-Training mit Unternehmensdaten ein relevanter Markt wird, hängt weniger an den Versprechen der Anbieter als daran, wie sauber beide Seiten mit Herkunft, Rechten und Kontrolle umgehen. Modelle werden weiterhin Beispiele aus der echten Arbeitswelt brauchen, und Unternehmen werden weiterhin entscheiden müssen, ob sie diese Beispiele liefern. Wer liefert, sollte wissen, was er liefert.

Quelle: req.micro1.ai

Vier Sekunden Bildschirmaufnahme, veröffentlicht von TestingCatalog: Zu sehen ist die App Muse und darin ein Reiter, den offiziell noch niemand kennen soll — Mail. Die unveröffentlichte Oberfläche wurde im laufenden App-Build entdeckt. Das Team, das die Aufnahme veröffentlicht hat, schreibt, der Bereich öffne sich wie eine eigene Seite, nicht als kleines Fenster, sondern als eigener Ort innerhalb der App.

Ein Postfach ist mehr als eine Liste von Nachrichten. Es hat eine Adresse, einen Absender, einen Verlauf. Wer eins besitzt, kann angeschrieben werden, muss antworten und steht für den Inhalt gerade. An dieser Frage hängt der Fund: Bekommt der KI-Agent von Meta eine eigene Adresse — oder sammelt er nur die Post ein, die ohnehin an verbundene Konten geht?

Was in der unveröffentlichten Oberfläche zu sehen ist

Die Aufnahme zeigt einen Reiter namens Mail in der Muse-Oberfläche. Laut den Entdeckern öffnet er eine separate Seite — das nährt die Vermutung, dass Meta dem Agenten ein eigenes Postfach geben will. Nutzer könnten die E-Mail-Konversationen von Muse dann an einer Stelle einsehen, statt sie zwischen Chat-Verläufen und verbundenen Apps zusammenzusuchen.

Ein Reiter ist nicht dasselbe wie eine Funktion. So ein Tab ist in wenigen Minuten angelegt, auch als Platzhalter, auch als Hülle ohne Inhalt. Die Aufnahme belegt, dass Meta in diese Richtung arbeitet. Sie belegt nicht, was der Reiter am Ende tut.

So laufen Softwareprojekte vor der Veröffentlichung. Oberflächen werden gebaut, getestet und wieder verworfen. Was heute in einem Build auftaucht, kann in drei Monaten in einer Schublade liegen. Die Aufnahme ist ein Hinweis, keine Zusage.

Eigenes Postfach oder gesammelte Post: zwei Lesarten

Die erste Lesart: Muse bekommt eine eigene E-Mail-Adresse und korrespondiert unter eigenem Namen. Der Agent wäre dann kein Werkzeug, das an deinem Konto hängt, sondern ein Gegenüber mit einer Adresse, die man in einen Verteiler aufnehmen kann. Das wäre der stärkere Eingriff in den Arbeitsalltag.

Die zweite Lesart ist vorsichtiger: Der Reiter bündelt nur die Kommunikation, die ohnehin über verbundene persönliche Konten läuft. Auf diese Konten darf Muse schon heute zugreifen, wenn der Nutzer es ausdrücklich erlaubt. Dann wäre der Mail-Tab bloß eine bessere Ansicht auf Bekanntes — ein Ordner für Post, die weiter über deine eigene Adresse eingeht.

Meta hat sich öffentlich dazu geäußert, wie Muse mit E-Mail umgeht: Der Agent lässt sich mit einem Konto verbinden, Lesen und Senden sind getrennt wählbar, das Versenden braucht eine Freigabe. Das stützt die vorsichtigere Lesart, sagt aber nichts über den neuen Reiter. Ein separates Postfach bleibt die plausiblere Deutung — bestätigt ist sie nicht.

Der Unterschied ist wie der zwischen einem Schlüssel zum Briefkasten und einem eigenen Postfach im Postgebäude. Im ersten Fall liest der Assistent deine Post mit und legt sie dir hin. Im zweiten hat er eine eigene Anschrift, und der Absender weiß, dass er nicht dir schreibt, sondern ihm.

Shared Agents: warum ein eigenes Postfach gerade jetzt Sinn ergibt

Interessant wird die Sache im Zusammenhang mit einem zweiten Vorhaben. Meta arbeitet an Shared Agents, also Agenten, die Nutzer für ihre Geschäfte einrichten und als wiederverwendbare Vorlagen teilen können. Wer mehrere davon betreibt, braucht einen Kanal, über den sie erreichbar sind. Ein eigenes Postfach wäre so einer.

Geteilte Agenten heißen: Dieselbe Konfiguration läuft bei vielen Menschen. Einer für Angebotsanfragen, einer für Terminbestätigungen, einer für Lieferantenkommunikation. Ohne eigene Adresse landet jede dieser Nachrichten im persönlichen Postfach dessen, der den Agenten eingerichtet hat. Mit eigener Adresse bleibt der Geschäftsverkehr getrennt und für den Eigentümer trotzdem sichtbar.

Eigene Postfächer für Softwareagenten sind keine Erfindung von Meta. Neu wäre die Reichweite: Muse erreicht Menschen, die noch nie einen Agenten konfiguriert haben, und holt das Modell damit aus der Nische. Deshalb fällt ein einzelner Reiter in einem App-Build überhaupt auf.

Muse auf dem Mac: vom Telefon auf den Schreibtisch

Parallel hat Meta eine eigenständige Muse-App für macOS veröffentlicht, zunächst nur in den USA. Ersten Tests zufolge bringt sie Funktionen mit, bei denen der Agent direkt auf dem Rechner arbeitet, ausdrücklich nur mit Erlaubnis des Nutzers. Aus einem Assistenten für Nachrichten wird so einer für Dateien, Fenster und Abläufe.

Rund eine Woche nach dem Start hatte Muse Platz eins der US-App-Store-Charts erreicht. Alexandr Wang, der bei Meta arbeitet, kommentierte das öffentlich und bedankte sich bei den Nutzern. Außerhalb der USA ist die Verfügbarkeit begrenzt, was die Aussagekraft solcher Beobachtungen einschränkt: Was in einem US-Build auftaucht, muss nicht überall erscheinen.

In der aktuellen Store-Beschreibung stehen E-Mail-Verwaltung und verbundene Apps schon als Funktionsumfang. Muse wird dort als persönlicher Agent beschrieben, der Aufgaben über verschiedene Dienste hinweg erledigt. Ein Mail-Tab wäre damit keine Kurskorrektur, sondern die Fortsetzung einer Linie.

Was offen bleibt: Release, Zugriff und Abgrenzung

Für den Mail-Tab gibt es kein bestätigtes Release-Datum. Offen ist auch, ob er unabhängig von verbundenen persönlichen Postfächern arbeitet oder sie voraussetzt. Beides ist technisch möglich, und beides hätte Folgen für die Frage, wem die Nachrichten gehören.

Dazu kommen Detailfragen, die eine kurze Aufnahme nicht beantwortet. Bleibt eine Kopie der Korrespondenz beim Agenten gespeichert, oder wird nur weitergeleitet? Wer sieht den Verlauf — nur der Eigentümer oder auch jemand in einer Organisation? Und was passiert, wenn ein Agent als Vorlage geteilt wird und sein Postfach mitwandert?

Meta hat bislang nur angekündigt, dass Muse in den USA auf iOS, Android und muse.ai startet. Alles darüber hinaus ist Beobachtung, keine Ankündigung. Das gilt auch für diesen Text.

Was das konkret bedeutet

Ein Agent mit eigener Adresse verändert die Arbeit weniger durch Technik als durch Zuständigkeit. Sobald ein Postfach existiert, gibt es einen Ort, an dem Kommunikation liegen bleibt, und eine Erwartung, dass jemand antwortet. Da liegt der Nutzen für geschäftliche Korrespondenz — und da liegen die Fragen, die ein Schnappschuss der Oberfläche nicht beantwortet.

Für dich heißt das vorerst: nichts umstellen. Die Richtung ist erkennbar, die Details fehlen. Wer Muse schon nutzt, wird den Reiter irgendwann sehen und dann prüfen können, welche der beiden Lesarten zutrifft. Wer auf einen Agenten mit eigenem Postfach wartet, wartet weiter auf ein Datum.

Bemerkenswert ist der Zusammenhang, den Meta selbst gelegt hat: ein persönlicher Agent, der auf dem Telefon beginnt, auf dem Mac weiterarbeitet und irgendwann eigene Post empfängt. Dahinter steht keine Einzelfunktion, sondern eine Architektur. Der Mail-Tab wäre darin kein Anhängsel, sondern die Adresse, unter der man den Agenten erreicht. Ob daraus etwas wird, entscheidet nicht die Aufnahme, sondern der Release.

Quelle: testingcatalog.com

Ein Nutzer tippt im Chatfenster von Claude eine Anfrage, und statt einer Textantwort entsteht ein Dokument mit Überschriften, Formatierungen und Exportoptionen. Anthropic hat am Mittwoch Claude Docs und Slides vorgestellt. Ein Rich-Text-Editor und eine Präsentationsfunktion stecken jetzt direkt im KI-Assistenten. Wer bisher Dokumente aus einem Chat heraus erzeugen ließ, bekam einen Block Text, den er selbst weiterverarbeiten musste. Jetzt entsteht die Datei im Werkzeug, wird dort bearbeitet und von dort weitergegeben. Die Frage verschiebt sich damit: nicht mehr „Kann die KI schreiben?“, sondern „Wo schreibe ich eigentlich?“

Wie Claude Docs und Slides im Chat funktionieren

Der Ablauf läuft über den Chat. Du bittest Claude, einen Entwurf für ein Dokument oder ein paar Folien zu erstellen. Vorher fragt der Assistent nach: an wen das Dokument geht, wie lang es sein soll, welcher Ton passt. Beim Schreiben setzt er Kommentare an den Rand, in denen er begründet, warum er eine Zahl so einordnet und nicht anders — wie ein Kollege, der seine Entscheidungen erklärt. Ein reiner Textgenerator macht das nicht.

Fertige Dateien landen im Artifacts-Tab und lassen sich als Word-, PDF-, Google-Docs- oder Markdown-Datei exportieren. Dokumente lassen sich teilen und in Echtzeit gemeinsam bearbeiten. Damit kann Claude Docs das, was Bürosoftware seit Jahrzehnten kann: schreiben, kommentieren, teilen, exportieren. Slides deckt Präsentationen ab. Wer bisher für jede dieser Aufgaben zwischen Chat und Office-Anwendung wechselte, soll in einer Umgebung bleiben können.

Limits, fehlende Zugriffsebenen und die Enterprise-Ausnahmen

Anthropic benennt die Grenzen selbst. Jede Nutzung von Claude Docs zählt gegen das Nutzungslimit des Kontos. Aufwendige Anfragen — ein Dokument, das mehrere Quellen zusammenführt — verbrauchen mehr davon. Wer viel schreibt, merkt das. Auch Funktionen ausgereifter Bürosoftware fehlen: keine Versionshistorie, keine abgestuften Zugriffsebenen, kein externes Teilen in den Team- und Enterprise-Plänen.

Ausgeschlossen sind Kunden mit kundenseitig verwalteten Verschlüsselungsschlüsseln (CMEK), mit Zero Data Retention (ZDR) oder mit HIPAA-konformer Konfiguration. Das sind genau die Einstellungen, die Unternehmen mit strengen Compliance-Anforderungen wählen. Die Funktionen starten als Beta in den bezahlten Plänen, zuerst bei Pro und Max. In Enterprise-Plänen ist Docs standardmäßig abgeschaltet und muss aktiviert werden. Wer heute damit plant, plant auf einer Baustelle.

Vom KI-Assistenten zur agentischen Plattform

Arun Chandrasekaran, Distinguished VP Analyst bei Gartner, liest den Schritt strategisch: als Bewegung vom KI-Assistenten zu einer agentischen Plattform, die den gesamten Lebenszyklus von Wissensarbeit abdecken soll. Die erste Nachfrage erwartet er bei wiederkehrender, vorlagengetriebener Arbeit: Statusberichte, Vorstandspräsentationen, Berichte, die aus Daten eine Geschichte machen. Dort ist der Aufwand hoch und der Gestaltungsspielraum klein.

Chandrasekaran rechnet nicht damit, dass die bestehenden Werkzeuge verdrängt werden. Sein Befund: Kurzfristig werde es keinen flächendeckenden Ersatz anderer Anwendungen geben, sondern Anthropic positioniere sich als Einstiegspunkt für Arbeitsabläufe, die bisher in Drittanwendungen entstanden. Nicht die Datei ist das Ziel, sondern der Moment, in dem jemand entscheidet, wo er anfängt zu arbeiten.

Warum Microsoft und Google trotzdem nicht so schnell wackeln

Analysten verweisen auf einen strukturellen Vorteil der Platzhirsche. Microsofts Copilot steckt quer durch die Office-Suite, Dokumente lassen sich auch direkt aus der Copilot-Chatoberfläche erzeugen. Google geht dieselbe Richtung mit Assistenten, die tief in die bestehenden Werkzeuge reichen. Maria Bell von FDM CCS Insight bringt es auf einen Satz: Microsoft und Google bringen die KI tiefer in die etablierten Produktivitätsumgebungen, Anthropic bringt mehr von der Produktivitätsumgebung in die KI. Auf Dauer, so Bell, gehe es darum, welche Seite zur primären Oberfläche wird, über die Wissensarbeiter ihre Arbeit erledigen.

Wie groß die Wechselbereitschaft ist, bleibt offen. Frühe Ergebnisse der Mitarbeiterbefragung „2026 Employee Workplace Technology Survey“ von FDM CCS Insight zeigen: Rund die Hälfte der Beschäftigten, die generative KI am Arbeitsplatz nutzen, tut das zum Erstellen oder Bearbeiten von Berichten und Dokumenten. Der Bedarf ist da. Jack Gold von J. Gold Associates fragt trotzdem: Wenn ich an bestimmte Werkzeuge gewöhnt bin und sie funktionieren — wechsle ich dann für das Versprechen, besser zu arbeiten? Seine Antwort fällt skeptisch aus. Bell ergänzt, Anthropic müsse mehr leisten als vergleichbare Funktionen; nötig sei ein Erlebnis, das stark genug ist, damit Nutzer neue Gewohnheiten ausbilden.

Nebenbei geändert: Design im Chat, Cowork zusammengelegt

Neben Docs und Slides hat Anthropic diese Woche an mehreren Stellen nachjustiert. Claude Design, das visuelle Ergebnisse wie Folien und Prototypen erzeugt, lässt sich nun in einem gewöhnlichen Chat aufrufen; zuvor war es ein separates Werkzeug in der App. Zusätzlich wurden Claude Cowork, das mehrstufige Aufgaben bearbeitet, und die reguläre Chatoberfläche zusammengelegt. Der Assistent entscheidet selbst, wie er eine Anfrage behandelt. Nutzer müssen nicht mehr vorab wählen, welches Werkzeug das richtige ist.

Wie diese Weiche im Einzelfall gestellt wird, ist von außen nicht nachvollziehbar. Klar ist nur: Cowork-Anfragen verbrauchen in der Regel mehr Tokens als die einfache Chatoberfläche. Hinter der Entscheidung steckt also auch eine Kostenfrage. Anthropic beschreibt den Nutzen im Blogbeitrag so, dass Kontext, Fähigkeiten und Konnektoren aus jeder Unterhaltung heraus verfügbar sind. Ausgerollt wird das schrittweise, beginnend mit Pro und Max. Enterprise-Kunden sollen vor Änderungen an ihrem Konto informiert werden. Claude Enterprise kostet 20 Dollar pro Nutzer und Monat, hinzu kommt verbrauchsabhängige Abrechnung.

Was das für den Arbeitsalltag bedeutet

Die Funktionen sind da, aber sie sind roh. Wer ein Dokument schnell aus einer Handvoll Notizen bauen will, findet in Claude Docs ein Werkzeug, das Rückfragen stellt und Entscheidungen begründet — Eigenschaften, die in klassischer Bürosoftware fehlen. Wer dagegen Versionsstände nachhalten, Zugriffsrechte fein steuern oder mit externen Partnern teilen muss, bleibt vorerst bei den etablierten Suiten. Das ist keine Einschränkung, die man wegerklären sollte — es ist der aktuelle Stand.

Interessanter ist die Richtung. Der Wettbewerb läuft nicht mehr nur darum, welches Modell besser schreibt, sondern darum, wo geschrieben wird. Anthropic baut den Schreibtisch in die KI, Microsoft und Google bauen die KI in den Schreibtisch. Beide Wege führen zu produktiverer Arbeit, aber zu unterschiedlichen Gewohnheiten und Abhängigkeiten. Welche Oberfläche sich durchsetzt, entscheidet nicht die Featureliste, sondern die Trägheit von Millionen eingespielter Arbeitsabläufe. Wer prüfen will, ob Claude Docs für ihn taugt, nimmt eine wiederkehrende Aufgabe — einen Wochenbericht, ein Statusupdate — und schaut, ob er nach zwei Durchläufen freiwillig zurückkehrt.

Quelle: computerworld.com