Kategorie: KI-News

Stell dir vor, du hast einen gut sortierten Werkzeugkasten. Da liegen einzelne Schraubendreher, Zangen und Messgeräte. Jedes Werkzeug für sich ist nützlich, aber bei wiederkehrenden Aufgaben greifst du am Ende doch zu einer fertigen Box, in der alles Wichtige schon zusammenliegt. Genau diesen Schritt plant Google offenbar für seine Unternehmensplattform Gemini Enterprise. Erste Hinweise in einer unfertigen Oberfläche zeigen, dass ein eigener Bereich für Plugins entsteht. Dazu kommt ein zentraler Ort für Benachrichtigungen über abgeschlossene Hintergrundaufgaben. Beides klingt unspektakulär, ist aber ein wichtiger Schritt, um künstliche Intelligenz im Arbeitsalltag wirklich praktisch zu machen.

Was ein Plugin von einem Skill unterscheidet

Wer Gemini Enterprise nutzt, kennt die Bausteine bereits. Da gibt es Skills, also wiederverwendbare Aktionen, die ein Modell ausführen kann. Und Connectors, die Verbindungen zu Diensten wie Google Workspace, Microsoft 365 oder anderen Unternehmenssystemen herstellen. Bisher musst du diese Teile oft selbst kombinieren, wenn du einen mehrstufigen Prozess abbilden willst. Das funktioniert, ist aber aufwendig. Die neuen Plugins sollen diese Arbeit abnehmen. Sie verhalten sich wie kleine Apps oder gebündelte Workflows, die Skills und Connectors zu einer fertigen Einheit zusammenfassen. Eine Firma könnte also einen Standardprozess als Plugin bereitstellen, und alle Mitarbeitenden nutzen ihn, ohne jede Verbindung einzeln konfigurieren zu müssen.

Die Struktur, die Google dabei im Interface andeutet, erinnert stark an die Ansätze anderer Anbieter. Auch bei Claude gibt es eine Trennung zwischen Verbindungen und Fähigkeiten, auf die dann paketierte Tools aufsetzen. Das ist kein Zufall, sondern zeigt, wohin sich die Branche bewegt. Unternehmen wollen keine leere KI-Oberfläche, sondern fertige Lösungen für ihre täglichen Abläufe. Ein Plugin für „Reisekostenabrechnung prüfen“ oder „Kunden-Onboarding anstoßen“ ist viel einfacher einzuführen als ein leeres Chatfenster, in dem du jeden Schritt selbst erklären musst. Die Idee ist also nicht neu, aber Googles Umsetzung könnte entscheidend sein, weil Gemini Enterprise bereits die Governance und die Datenanbindung mitbringt.

Drei Tabs: Connectors, Skills, Plugins

Die Hinweise auf die neue Plugins-Funktion stammen aus einer unfertigen Version der App. Der Tab „Plugins“ ist derzeit leer, was darauf hindeutet, dass die Funktion noch in der Entwicklung steckt. Die Platzierung innerhalb des Bereichs „Connectors“ ist allerdings aufschlussreich. Die Oberfläche ist in drei Tabs unterteilt: Connectors, Skills und Plugins. Damit stellt Google die drei Ebenen klar nebeneinander. Connectors sind die Leitungen, Skills sind die Werkzeuge, und Plugins sind die fertigen Arbeitspakete. Diese klare Trennung hilft Nutzern zu verstehen, auf welcher Ebene sie gerade arbeiten. Eine einzelne Verbindung zu Salesforce ist kein Plugin, genauso wenig wie eine einzelne Fähigkeit wie „Zusammenfassen“. Erst die Kombination aus beidem, abgestimmt auf einen konkreten Zweck, ergibt ein sinnvolles Plugin.

Ein fester Ort für langlaufende Aufgaben

Parallel dazu arbeitet Google an einem eigenen Bereich für Benachrichtigungen. Dieser Bereich soll offenbar die Ergebnisse von geplanten Aufgaben und Gesprächen sammeln, die in einer Warteschlange gelandet sind. Stell dir vor, du startest eine Analyse, die mehrere Datenbanken durchsucht und einen Bericht erstellt. Bei einer komplexen Anfrage kann das einige Minuten dauern. In einem normalen Chat sitzt du dann da und wartest. Mit der neuen Benachrichtigungsfläche bekommst du einen festen Ort, an dem du später nachsehen kannst, was im Hintergrund fertig geworden ist. Das ist vor allem für Mitarbeitende praktisch, die regelmäßig Recherchen, Reportings oder andere langlaufende Aufgaben ausführen. Sie schließen das Fenster, erledigen andere Dinge, und kommen zurück, wenn das Ergebnis bereitsteht.

Warum Google diese Schicht braucht

Diese Entwicklung passt in Googles übergeordnete Strategie für Gemini Enterprise. Das Produkt richtet sich an Unternehmen, die künstliche Intelligenz nicht als nettes Gimmick nutzen wollen, sondern als festen Bestandteil ihrer Arbeitsabläufe. Dabei geht es um drei Dinge: Agenten, Unternehmensdaten und Kontrolle. Agenten führen Aufgaben aus, die über einfache Chat-Antworten hinausgehen. Unternehmensdaten sorgen dafür, dass die KI auf reale Informationen zugreifen kann, statt ins Blaue zu raten. Und Kontrolle bedeutet, dass Administratoren festlegen können, was erlaubt ist und was nicht. Google beschreibt Skills als wiederverwendbare Aktionen, Connectors als Verbindungen zu Diensten und Inbox als zentralen Hub für langlaufende Agentenaktivitäten. Mit Plugins käme eine weitere Schicht hinzu, die diese Bausteine zu nutzbaren Anwendungen verpackt.

Der Unterschied zwischen einem Plugin und einem normalen Chat-Gespräch ist größer, als es auf den ersten Blick scheint. In einem Chat erklärst du jedes Mal neu, was die KI tun soll. Du gibst Kontext, nennst Datenquellen und hoffst, dass die Antwort passt. Bei einem Plugin ist dieser Kontext bereits eingebaut. Das Plugin weiß, welche Skills es braucht, welche Connectors es verwendet und in welcher Reihenfolge die Schritte laufen sollen. Für den Nutzer bleibt nur eine einfache Eingabe, etwa „Erstelle den Wochenbericht“. Der Rest passiert automatisch. Das spart Zeit, reduziert Fehler und macht die KI für Menschen nutzbar, die keine technische Dokumentation lesen wollen. Genau darin liegt der praktische Wert.

Was noch offen ist

Allerdings gibt es auch offene Fragen. Google hat die Plugins-Funktion nicht offiziell angekündigt, und einen Einführungstermin gibt es nicht. Der leere Katalog und die unfertige Benutzeroberfläche deuten darauf hin, dass beide Funktionen noch nicht ausgereift sind. Unbekannt ist außerdem, welche Konten Zugriff erhalten werden und welche ersten Partner Plugins bereitstellen könnten. Wird es ein offenes Ökosystem geben, in dem jede Firma eigene Plugins bauen kann? Oder startet Google mit ausgewählten Anbietern? Das ist für Unternehmen relevant, weil sie entscheiden müssen, ob sie sich auf die Plattform verlassen wollen. Ein Plugin, das nur auf bestimmte Dienste zugeschnitten ist, bringt wenig, wenn die eigenen Systeme nicht dabei sind.

Spannend ist auch die Frage, wie die Benachrichtigungsfläche in die bestehende Inbox integriert wird. Google spricht bereits jetzt von der Inbox als zentralem Ort für langläufige Agentenaktivitäten. Ein eigener Bereich für Benachrichtigungen könnte diese Idee erweitern oder teilweise ersetzen. Vielleicht ist die Benachrichtigungsfläche nur ein Zwischenschritt, um später alles in einer einheitlichen Oberfläche zusammenzuführen. Die genaue Ausgestaltung wird sich zeigen. Aber die Richtung ist klar: Gemini soll nicht nur antworten, sondern selbstständig arbeiten und Ergebnisse liefern, wenn es gerade passt. Das ist ein anderer Anspruch als ein klassischer Chatbot.

Vom Chatfenster zum Werkzeug

Für dich als Anwender bedeutet das: Die Zukunft von KI im Unternehmen hängt nicht nur davon ab, wie gut die Modelle werden, sondern auch davon, wie gut sie sich in bestehende Prozesse einbinden lassen. Ein Modell, das nur im Chatfenster lebt, bleibt Spielzeug. Ein Modell, das in fertigen Arbeitsabläufen steckt, wird Werkzeug. Mit den Plugins schlägt Google genau diese Brücke. Und die Benachrichtigungen sind das passende Gegenstück: Sie machen sichtbar, dass im Hintergrund gearbeitet wird. Zusammen ergeben sie ein Bild von Gemini Enterprise, das weit über den einfachen Chat hinausgeht. Arbeit wird delegiert, nicht mehr nur besprochen.

Natürlich ist Vorsicht angebracht. Google hat noch nichts offiziell bestätigt. Die geleakten Interfaces können sich im Laufe der Entwicklung ändern, und nicht jede Funktion schafft es in die finale Version. Trotzdem lohnt es sich, die Entwicklung zu beobachten. Denn wenn Google Plugins so umsetzt, wie die Oberfläche es andeutet, könnte das ein Vorbild für die gesamte Branche sein. Andere Anbieter werden nachziehen müssen, um ähnlich einfache Pakete anzubieten. Am Ende geht es immer um die gleiche Frage: Wie bringen wir künstliche Intelligenz in den Arbeitsalltag, ohne dass jeder einzelne Schritt zur technischen Herausforderung wird? Die Antwort lautet: durch gute Produkte, die komplexe Zusammenhänge verbergen. Plugins sind genau dieser Versuch. Die ersten Hinweise zeigen, dass Google diesen Weg ernst nimmt.

Quelle: testingcatalog.com

Du kennst das sicher: Du stellst einer KI eine Frage, und während du auf die Antwort wartest, zählst du innerlich die Sekunden. Bei komplexen Aufgaben kann das schnell ungemütlich werden. Genau hier setzt DeepSeek mit dem neuen Modell DeepSeek-V4-Flash-0731 an. Es verspricht nicht nur schnellere Antworten, sondern auch deutlich bessere Fähigkeiten im Umgang mit Werkzeugen und Agenten-Szenarien. Auf Hugging Face ist die offizielle Version erschienen, und sie hat einige bemerkenswerte Eigenschaften.

Was ist DeepSeek-V4-Flash-0731?

DeepSeek-V4-Flash-0731 ist die offizielle Veröffentlichung des Modells DeepSeek-V4-Flash. Es löst die bisherige Vorschauversion ab und bringt vor allem eines mit: deutlich verbesserte Agentic Capabilities. Das bedeutet, das Modell kann besser mit anderen Programmen interagieren, Aufgaben eigenständig planen und ausführen. Das ist ein entscheidender Schritt, denn die Zukunft von KI liegt nicht nur in Chat-Antworten, sondern in der Zusammenarbeit mit Software-Tools.

Besonders spannend ist die Architektur. DeepSeek-V4-Flash-0731 hat dieselbe Modellstruktur wie die Variante DeepSeek-V4-Flash-DSpark. Das heißt, es ist ein sogenanntes spekulatives Dekodierungsmodul direkt integriert. Du kannst dir das wie einen Assistenten vorstellen, der dem Hauptmodell Vorschläge macht, bevor dieses die endgültige Antwort formuliert. So wird die Antwortgenerierung deutlich beschleunigt, ohne dass die Qualität darunter leidet. Dieses Konzept nennt sich Speculative Decoding, und es ist ein wichtiger Baustein für den effizienten Betrieb großer KI-Modelle.

Auffällig ist auch die Modellgröße. Obwohl DeepSeek-V4-Flash-0731 deutlich weniger aktivierte Parameter verwendet als das große Schwestermodell DeepSeek-V4-Pro, schneidet es in vielen Benchmarks besser ab. Das ist bemerkenswert, denn es zeigt, dass eine clevere Architektur und ein gutes Training oft mehr bewirken können als schiere Größe. Für Unternehmen und Entwickler, die KI-Modelle lokal betreiben wollen, ist das eine sehr gute Nachricht.

Die Benchmark-Ergebnisse: Ein kleiner Blick auf die Zahlen

Wer sich mit KI-Modellen beschäftigt, kennt das Gefühl: Man wird von Benchmark-Tabellen fast erschlagen. Doch bei DeepSeek-V4-Flash-0731 lohnt sich der Blick auf die Zahlen. Das Modell übertrifft DeepSeek-V4-Pro in fast allen relevanten Tests, obwohl es rechnerisch leichter ist. Zum Beispiel erreicht es im Terminal Bench 2.1 einen Wert von 82,7 Punkten, während das Pro-Modell nur auf 72,1 kommt.

Noch deutlicher wird der Unterschied bei Aufgaben, die echte Agenten-Arbeit verlangen. Im Cybergym-Test, der reale Cyber-Szenarien simuliert, erreicht DeepSeek-V4-Flash-0731 satte 76,7 Punkte. Die Vorschauversion kam gerade einmal auf 38,7. Solche Sprünge sind ungewöhnlich und zeigen, wie viel Arbeit in diesem Release steckt. Auch beim DeepSWE-Benchmark, der Software-Engineering-Aufgaben abbildet, verbessert sich das Modell von 7,3 auf 54,4 Punkte. Das ist ein gewaltiger Fortschritt.

Natürlich sollte man Benchmarks nicht überbewerten. Sie sind Momentaufnahmen, keine Garantien. Dennoch ist die Tendenz eindeutig: DeepSeek-V4-Flash-0731 ist kein kleines Modell mit großen Kompromissen, sondern ein ernstzunehmender Mitbewerber. Auch im Vergleich zu starken kommerziellen Modellen wie Opus-4.8 kann es mithalten, auch wenn es bei einigen Tests noch Rückstand hat. Das ist eine beachtliche Leistung für ein Modell, das offenbar auch für lokalen Betrieb gedacht ist.

Speculative Decoding: Der Trick mit dem Vorschlagen

Um zu verstehen, warum DeepSeek-V4-Flash-0731 so schnell ist, hilft eine Analogie. Stell dir vor, du schreibst einen Aufsatz, und ein Kollege sitzt neben dir. Bei jedem Satz, den du beginnen willst, flüstert er dir eine mögliche Fortsetzung zu. Wenn du einverstanden bist, schreibst du sie einfach ab. Nur wenn du nicht einverstanden bist, stoppst du und formulierst selbst. Genau so funktioniert das Speculative Decoding.

Das große Hauptmodell überlegt sich die Antwort, während ein kleineres Draft-Modell parallel Vorschläge macht. Wenn die Vorschläge gut sind, kann das Hauptmodell mehrere Schritte auf einmal überspringen. Das spart enorm viel Rechenzeit. DeepSeek hat dieses Modul direkt in das Modell integriert, sodass du keine zusätzlichen Gewichte oder separaten Modelle laden musst. Bei SGLang genügt ein Flag, bei vLLM ein Konfigurationsparameter.

Das Tolle daran: Du bekommst die Qualität eines großen Modells, aber mit der Geschwindigkeit eines kleinen. Und weil das Draft-Modell im selben Checkpoint steckt, ist der Betrieb deutlich einfacher. Das ist besonders interessant, wenn du DeepSeek-V4 lokal ausführen möchtest. Du brauchst dann keine separate Draft-Modelldatei, sondern nur die eine Gewichtssammlung.

Agentische Fähigkeiten: Mehr als nur Chat

Der große Fokus der neuen Version liegt auf den Agentic Capabilities. Das klingt abstrakt, ist aber im Alltag schnell erklärt. Ein KI-Agent ist ein System, das nicht nur redet, sondern handelt. Es kann zum Beispiel eine Datenbank abfragen, Code ausführen, Dateien verwalten oder mit einer API kommunizieren. Damit das reibungslos funktioniert, muss das Modell nicht nur Texte verstehen, sondern auch Anweisungen strukturiert befolgen.

DeepSeek-V4-Flash-0731 zeigt genau hier seine Stärken. In Tests wie Toolathlon-Verified oder AutomationBench Public liegt es deutlich vor der Konkurrenz. Es kann also Werkzeuge zuverlässiger verwenden und Aufgaben in mehreren Schritten abarbeiten. Das ist ein entscheidender Vorteil, wenn du moderne KI-Anwendungen baust, die nicht nur Antworten liefern, sondern echte Arbeit erledigen sollen.

Die Benchmarks wie NL2Repo oder DSBench-Hard zeigen übrigens auch, wo das Modell Grenzen hat. Bei sehr komplexen, mehrstufigen Entwicklungsaufgaben ist es noch nicht ganz auf dem Niveau der stärksten kommerziellen Modelle. Aber der Abstand ist klein geworden, und in einigen Bereichen liegt DeepSeek sogar vorn. Für ein Modell mit geringerer Parameterzahl ist das bemerkenswert.

So startest du DeepSeek-V4-Flash-0731 mit vLLM

Für Entwickler ist die praktische Frage entscheidend: Wie bekomme ich das Modell zum Laufen? Die gute Nachricht: Es geht erstaunlich einfach. Wer mit vLLM arbeitet, fügt einfach ein zusätzliches Flag hinzu. Der Befehl lautet dann: --speculative-config '{"method":"dspark","num_speculative_tokens":7,"draft_sample_method":"greedy"}'. Damit aktivierst du die DSpark-spezifische spekulative Dekodierung.

Das Schöne daran: Du musst kein separates Draft-Modell angeben. Die Gewichte für das Draft-Modell sind bereits im Checkpoint enthalten. Das vereinfacht den Setup-Prozess enorm. DeepSeek empfiehlt für den Betrieb einen einzelnen Knoten mit vier GB300-GPUs, aber es gibt auch Anleitungen für andere Hardware-Konfigurationen. Die Dokumentation auf Hugging Face enthält dafür ein detailliertes Rezept.

Du solltest außerdem die Sampling-Parameter beachten. Für Agentik-Szenarien empfehlen die Entwickler eine Temperatur von 1,0 und top_p von 0,95. Für andere Anwendungen reicht ein top_p von 1,0. Wenn du die Reasoning-Stufen high oder max nutzt, solltest du die maximale Ausgabelänge auf 384.000 Tokens setzen. So stellst du sicher, dass das Modell genügend Platz für seine Gedanken hat.

SGLang, lokaler Betrieb und die Lizenz

Neben vLLM unterstützt DeepSeek auch SGLang. Hier aktivierst du die spekulative Dekodierung mit dem Parameter --speculative-algorithm DSPARK. Auch hier musst du keinen separaten Pfad für ein Draft-Modell angeben. Das ist ein konsequenter Ansatz, der den Einstieg deutlich erleichtert. Die SGLang-Doku enthält Benchmarks und weitere Hardware-Empfehlungen.

Für alle, die DeepSeek-V4 lokal ausführen möchten, gibt es einen eigenen Ordner mit Anleitungen. Dort findest du Hinweise zur Gewichtskonvertierung und interaktive Chat-Demos. Das ist besonders nützlich, wenn du datenschutzrechtlich sensible Daten nicht in die Cloud schicken willst. Und weil das Modell unter der MIT-Lizenz veröffentlicht wurde, darfst du es frei nutzen, modifizieren und kommerziell einsetzen. Das ist ein starkes Signal für die Open-Source-Community.

Ein kleiner Wermutstropfen: Die Chat-Template-Datei im Jinja-Format fehlt. Stattdessen gibt es einen Ordner mit Python-Skripten, die zeigen, wie du Nachrichten im OpenAI-Format in Eingabestrings umwandelst. Das ist etwas ungewohnt, aber gut dokumentiert. Du findest dort auch Tests, um sicherzugehen, dass alles richtig funktioniert. Die Umstellung ist also kein Hindernis.

Warum dieses Modell wichtig ist

DeepSeek-V4-Flash-0731 ist mehr als nur ein weiteres KI-Modell. Es zeigt, dass Effizienz und Leistung keine Gegensätze sein müssen. Mit seiner integrierten spekulativen Dekodierung und den starken Agentic Capabilities setzt es neue Maßstäbe für kompakte Modelle. Besonders für Entwickler, die KI lokal betreiben oder in ihre Workflows integrieren wollen, ist das eine echte Alternative.

Die Benchmarks bestätigen, dass DeepSeek den richtigen Weg eingeschlagen hat. Das Modell ist konkurrenzfähig mit den stärksten kommerziellen Modellen, obwohl es weniger Ressourcen benötigt. Natürlich gibt es noch Aufgaben, bei denen größere Modelle besser abschneiden. Aber der Abstand schrumpft, und das Tempo der Entwicklung ist beachtlich.

Für dich als Anwender bedeutet das: Du hast jetzt eine ernsthafte Option, wenn du ein leistungsstarkes KI-Modell unter deiner Kontrolle betreiben willst. Ob für Automation, Softwareentwicklung oder komplexe Agentensysteme – DeepSeek-V4-Flash-0731 ist einen genaueren Blick wert. Und das Beste daran? Du kannst es direkt ausprobieren. Die Lizenz erlaubt es, und die Tools sind vorhanden. Also, worauf wartest du?

Quelle: huggingface.co

Du kennst das: Ein Satz in einen Videogenerator, und der Clip sieht irgendwie nach KI aus. Die meisten Werkzeuge laufen auf Servern in der Cloud. Du hast keinen Einblick in ihre Funktionsweise. Du bist Nutzer, nicht Gestalter. Genau das ändert sich gerade.

Der chinesische Entwickler MiniMax hat die Gewichte seines Video-Modells H3 veröffentlicht. Das klingt technisch, hat aber konkrete Folgen. Erstmals steht ein offenes Modell an der Spitze eines unabhängigen Rankings für KI-Videogenerierung. Artificial Analysis listet H3 auf Platz eins bei Video Editing, auf Platz zwei bei Text-to-Video, auf Platz drei bei Image-to-Video. Offene Modelle schlagen damit die geschlossenen Systeme der großen Anbieter.

Was bedeutet „offen“ eigentlich?

Ein offenes Modell ist wie ein Rezept zum Selberkochen. Statt das fertige Gericht zu bestellen, bekommst du Zutaten und Anleitung. Bei einem KI-Modell heißen die Zutaten „Gewichte“ – Zahlenwerte, die das Verhalten des Modells bestimmen. Du lädst sie herunter, führst sie auf deinem Computer aus und kannst sie weiterverfeinern. Dieses Privileg hatten bisher wenige. OpenAI und Google halten ihre Modelle unter Verschluss. Du nutzt sie über eine Schnittstelle, aber anfassen kannst du sie nicht.

MiniMax H3 ändert das für Videos. Das Modell hat 33 Milliarden Parameter. Parameter sind wie Schalterstellungen einer riesigen Maschine: Je mehr davon, desto feiner unterscheidet das Modell. Es verarbeitet Text, Bilder, Videos und Audio zusammen. Aus einer Beschreibung erzeugt es Clips von vier bis fünfzehn Sekunden, mit Stereo-Ton. Es versteht komplexe Anweisungen. In einen Prompt passen bis zu neun Referenzbilder, drei Videoclips und drei Audioclips. Das eröffnet Möglichkeiten, die vorher spezialisierten Studios vorbehalten waren.

Die Einschränkungen im Detail

So offen das Modell ist, zwei Teile bleiben verschlossen. Der erste ist das Modul für die 2K-Auflösung. Wer H3 lokal in ComfyUI ausführt, erreicht nur 768p. Das reicht für schnelle Prototypen, nicht für hochauflösende Produktionen. Der zweite Teil ist eine Komponente namens H3-Context-IR. Sie übersetzt deine Prompts und Referenzmaterialien in ein strukturiertes Zwischenformat, das das Modell gut verarbeitet. Ohne sie musst du die Kontextaufbereitung selbst übernehmen. MiniMax hat dazu ausführliche Anleitungen veröffentlicht.

Eine weitere Einschränkung betrifft die Lizenz. Kommerziell nutzen darfst du das Modell nur, wenn dein Unternehmen weniger als 20 Millionen US-Dollar Jahresumsatz macht. Für kleine Teams, Start-ups und Kreative ist das großzügig. Größere Firmen müssen die offizielle Cloud-Plattform von MiniMax nutzen. Das ist kein Widerspruch, sondern ein bewusstes Modell: Die Technologie wird breit gestreut, die lukrativsten Kunden bleiben an den Hersteller gebunden.

Der Wettbewerb schläft nicht

Am selben Tag wie MiniMax H3 erschien ByteDances geschlossenes Modell Seedance 2.5. Es erzeugt 30 Sekunden lange Clips mit integriertem Ton. In der Länge ist Seedance überlegen, aber nicht offen. Das ist der entscheidende Unterschied für alle, die gestalten statt konsumieren wollen. Mit offenen Modellen spielst du eigenes Filmmaterial ein, trainierst einen bestimmten Charakter oder entwickelst einen visuellen Stil, der deiner Arbeit entspricht. Du bist nicht an Plattform-Vorgaben gebunden.

Für Einsteiger ist das ein guter Zeitpunkt. Die Einstiegshürde sinkt. Vor zwei Jahren brauchte man für solche Experimente einen Hochleistungsrechner und tiefes Verständnis neuronaler Netze. Heute genügt ein handelsüblicher Rechner mit aktueller Grafikkarte, um mit H3 zu arbeiten. Die Software ist reifer geworden, die Community dokumentiert ihre Erfahrungen besser.

Was bedeutet das konkret? Die Grenze zwischen Konsument und Produzent verschwimmt. Offene Modelle geben dir die Werkzeuge in die Hand, aber die Arbeit nehmen sie dir nicht ab. Du musst lernen, Prompts zu formulieren, Referenzbilder auszuwählen, Ergebnisse nachzubearbeiten. Dafür hast du die Freiheit, eigene Wege zu gehen. Diese Freiheit ist der Wert der Offenheit.

Die Entwicklung zeigt auch: KI-Forschung findet nicht nur in den USA statt. Chinesische Unternehmen wie MiniMax und ByteDance sind ernsthafte Innovatoren. Sie setzen auf offene Strategien, um Entwickler anzuziehen und Standards zu setzen. Das ist gut für die Vielfalt. Je mehr Akteure, desto schneller bessert sich die Technik.

Ein offenes Modell an der Spitze eines Rankings ist nicht gleichbedeutend mit Perfektion. Die Ergebnisse von H3 sind beeindruckend, aber nicht fehlerfrei. Du wirst weiterhin Artefakte sehen, unlogische Übergänge, manchmal etwas Unheimliches. Das gehört zum Stand der KI-Technik. Was zählt, ist die Richtung: Offene Modelle holen auf und geben dir die Kontrolle zurück. Das ist mehr als technischer Fortschritt. Es ist eine Frage der Machtverhältnisse in der digitalen Welt. Und die verschieben sich gerade.

Quelle: the-decoder.com

Stell dir vor, du kommst morgens ins Büro. Der Ausweis öffnet die Tür, du bist drin. Alles gut. Aber was wäre, wenn nach dem Eintritt niemand mehr kontrolliert, was du tust? Genau diese Lücke ist für Unternehmen zunehmend gefährlich. Und genau hier setzt eine Übernahme an, die am Donnerstag bekannt wurde: Okta übernimmt das Startup Permiso Security.

Offiziell nannte Okta keinen Kaufpreis. Doch TechCrunch berichtet, dass die Übernahme bei knapp unter 200 Millionen Dollar liegt – fast komplett in bar. Ein Sprecher von Okta widersprach der Zahl nicht. Das Geschäft soll im dritten Quartal des Geschäftsjahres 2027 abgeschlossen werden, sofern die üblichen Bedingungen erfüllt werden. Es ist eine Wette auf die Zukunft der digitalen Sicherheit.

Der Moment nach dem Login

Um zu verstehen, warum Okta so viel Geld ausgibt, muss man sich ansehen, wie sich Identität im digitalen Zeitalter verändert hat. Früher ging es darum, einmal zu prüfen, ob du wirklich du bist. Passwort, Fingerabdruck, fertig. Heute reicht das nicht mehr. Unternehmen wollen wissen, was du tust, nachdem du drin bist. Und das gilt nicht nur für Menschen, sondern auch für Maschinen.

Die klassische Vorstellung von Sicherheit war lange Zeit wie eine Tür mit Schloss: Wer den Schlüssel hat, kommt rein. Danach ist man sicher. In der Cloud funktioniert das nicht. Sobald jemand Zugang hat, kann er sich seitlich bewegen, Daten abgreifen, Rechte erweitern. Angreifer nutzen genau das aus – und sie müssen keine Schlüssel knacken, wenn sie sich als legitimer Nutzer ausgeben können.

Diese Entwicklung hat einen Namen: Identitätsbedrohung. Und sie ist zur größten Angriffsfläche der modernen IT geworden. Nicht das Einbrechen ist das Problem, sondern das unbemerkte Umherspazieren nach dem Einlass.

Maschinen brauchen einen Ausweis

Jetzt kommt die KI ins Spiel. Automatisierte Systeme, sogenannte KI-Agenten, führen Aufgaben selbstständig aus. Sie buchen Reisen, beantworten Kundenanfragen, analysieren Daten. Dafür brauchen sie Zugriffsrechte – eine Art digitalen Ausweis. Dieser Ausweis ist oft ein API-Schlüssel, ein Zertifikat oder ein Token. In großen Unternehmen existieren Millionen solcher Maschinen-Identitäten.

Das Problem: Diese Identitäten werden selten überwacht. Sie sind da, sie funktionieren, und niemand fragt nach. Ein KI-Agent, der kompromittiert ist, kann aber im Hintergrund Schaden anrichten. Er könnte Zahlungen auslösen, vertrauliche Dateien lesen oder andere Systeme manipulieren. Und weil er keine Pause macht und sich nicht verdächtig verhält wie ein Mensch, bleibt er lange unentdeckt.

Permiso schaut hinter die Kulissen

Genau hier setzt Permiso Security an. Das Startup wurde 2022 von Paul Nguyen und Jason Martin gegründet – beide kommen von FireEye und kennen sich mit komplexen Angriffen aus. Permiso entwickelt Software, die verdächtige Aktivitäten in Cloud-Umgebungen erkennt, nachdem ein Benutzer oder eine Anwendung Zugriff erhalten hat. Es ist also keine klassische Firewall, sondern ein Detektiv, der das Verhalten im System beobachtet.

Im April 2025 stellte Permiso außerdem SandyClaw vor. Das ist eine Plattform, die KI-Agenten in einer isolierten Umgebung testet – einem sogenannten Sandbox-Umfeld. Bevor ein KI-Agent in der echten Welt losgelassen wird, analysiert SandyClaw seine Fähigkeiten und sucht nach bösartigem Verhalten. Man könnte sagen: Die KI bekommt eine Probezeit, bevor sie fest eingestellt wird.

Diese Technologie ergänzt Oklas Kerngeschäft perfekt. Okta ist bekannt für Single Sign-on und Identity Management – also dafür, dass du dich einmal anmeldest und dann auf alle Dienste zugreifen kannst. Doch der Markt verändert sich. Es reicht nicht mehr, nur den Zugang zu verwalten. Man muss auch das Verhalten nach dem Zugang überwachen.

Die Dopplung des Werts

Finanziell war Permiso bislang kein Riese. Das Startup sammelte insgesamt etwa 29 Millionen Dollar ein. Im April 2024 gab es eine Series-A-Runde über 18,5 Millionen Dollar, angeführt von Altimeter Capital. Damals wurde Permiso mit rund 80 Millionen Dollar nach der Finanzierung bewertet. Der jetzige Kaufpreis von knapp 200 Millionen Dollar ist also mehr als das Doppelte – ein klares Signal, wie wichtig das Thema geworden ist.

Bei Okta ist man entsprechend begeistert. Chief Product Officer Ely Kahn sagte in einer vorbereiteten Stellungnahme, dass Permiso Oklas Sicherheitsgeflecht um bewährte Funktionen zur Identitätsbedrohungserkennung und ein hervorragendes Forschungsteam erweitern wird. Das klingt nach Standard-Pressesatz. Aber dahinter steckt eine strategische Überlegung: Wer die Kontrolle über KI-Agenten verliert, verliert das Vertrauen der Kunden.

Was ist KI eigentlich? Einfach erklärt

Vielleicht fragst du dich gerade, was hier mit KI gemeint ist. Ganz einfach erklärt: Künstliche Intelligenz ist Software, die aus Daten Muster lernt und dann eigenständig Entscheidungen trifft. Sie funktioniert nicht wie ein starres Programm, das immer die gleichen Schritte abarbeitet. Sie passt sich an. Und genau das macht sie so mächtig und gleichzeitig so schwer zu kontrollieren.

Für Einsteiger in das Thema ist es hilfreich, KI nicht als Roboter zu verstehen, sondern als unsichtbaren Prozess in der Cloud. Dieser Prozess bekommt Zugriffsrechte. Er liest Daten, schreibt E-Mails, ruft andere Systeme auf. Und je mehr KI-Anwendungen Unternehmen nutzen, desto mehr solcher Prozesse schwirren durch ihre Netzwerke.

Die Sicherheitsbranche nennt diese Prozesse „nicht-menschliche Identitäten“ oder auch Machine Identities. Sie sind das neue Angriffsziel. Ein Hacker muss nicht mehr dein Passwort stehlen. Er kann einfach eine dieser unsichtbaren KI-Identitäten übernehmen und sich im Namen des Systems bewegen. Das machen sich immer mehr Cyberkriminelle zunutze.

Eine Wette auf die Zukunft

Die Übernahme von Permiso ist deshalb mehr als nur ein weiterer Startup-Kauf. Sie ist eine Wette darauf, dass Unternehmen in den nächsten Jahren massiv in den Schutz ihrer KI-Systeme investieren werden. Denn mit der Verbreitung von KI wachsen auch die Risiken. Und die meisten Firmen haben dafür noch keine Antwort.

Okta will hier mitmischen. Das Unternehmen hat bereits Erfahrung mit großen Sicherheitsvorfällen und musste selbst lernen, wie verwundbar die Identitätsinfrastruktur sein kann. Mit Permiso holt sich Okta nun Spezialisten an Bord, die genau diese Schwachstellen kennen. Es ist eine Kombination aus Produkt und Know-how.

Die Frage ist natürlich: Reicht das? Sicherheit ist ein Wettrüsten. Sobald eine Technologie entwickelt wird, dauert es nicht lange, bis jemand einen Weg findet, sie zu umgehen. KI-Agenten werden immer komplexer, und ihre Überwachung wird eine Daueraufgabe. Ein einzelnes Startup kann nicht alle Lösungen liefern. Aber es kann einen guten Anfang machen.

Die Perspektive für dich

Was bedeutet das konkret für dich als Nutzer? Auf den ersten Blick wenig. Du merkst nicht, ob deine Cloud-Anwendungen von einer KI bewacht werden oder nicht. Aber auf den zweiten Blick geht es um Vertrauen. Wenn Firmen KI einsetzen, möchtest du sicher sein, dass deine Daten nicht von manipulierten Agenten missbraucht werden. Solche Übernahmen sind der Versuch, genau dieses Vertrauen herzustellen.

Für Unternehmen ist die Botschaft klar: Identitätssicherheit ist nicht mehr nur eine Frage des Logins. Es geht um den gesamten Lebenszyklus eines Zugriffs – vom ersten Eintritt bis zur letzten Aktion. Und es geht um die Frage, wer oder was überhaupt als Identität gilt. Menschen, Anwendungen, KI-Agenten – sie alle brauchen Schutz. Okta und Permiso setzen darauf, dass dieser Schutz zur Grundausstattung jeder digitalen Infrastruktur gehört.

Man muss nicht hellsehen, um zu erkennen, dass diese Entwicklung erst am Anfang steht. Die Technologie wird sich weiter verändern, und mit ihr die Art, wie wir Sicherheit denken. Die 200 Millionen Dollar von Okta sind ein Preis für die Gegenwart. Aber das eigentliche Investment ist das Wissen, dass die nächste Schlacht im Cyberspace nicht an der Türschwelle, sondern im Inneren des Gebäudes stattfinden wird. Und dort will Okta vorne mit dabei sein.

Quelle: techcrunch.com

Du kennst das vielleicht: Du findest einen alten USB-Stick und fragst dich, was darauf noch liegt. Meistens sind es alte Fotos oder vergessene Dokumente. Aber manchmal liegt da auch etwas, das nie hätte öffentlich werden sollen – ein Passwort, ein Schlüssel, eine Zugangsdaten-Datei. Jetzt stell dir vor, dieser USB-Stick wäre so groß wie eine ganze Stadt. Und alle könnten ihn durchsuchen. Genau das ist in der Welt der Künstlichen Intelligenz passiert.

Die Sicherheitsforscher von Truffle Security haben alle öffentlichen Datensätze auf Hugging Face durchsucht. Hugging Face ist die Plattform, auf der die meisten offenen KI-Modelle und Trainingsdaten liegen. Das Ergebnis ist beeindruckend und beunruhigend zugleich: 7,6 Petabyte an Daten, 187 Millionen Dateien, und darin versteckt 221.303 aktive, eindeutige Zugangsdaten. Diese Zugangsdaten sind keine harmlosen Überreste. Sie stammen aus 6.003 Datensätzen, die zum Training von KI-Modellen genutzt werden. Wer so einen Schlüssel findet, kann unter Umständen fremde Systeme betreten, als wäre er der Besitzer.

Was ist Hugging Face?

Hugging Face ist eine Art GitHub für Künstliche Intelligenz. Unternehmen, Universitäten und Entwickler laden dort Modelle, Datensätze und Code hoch, damit andere sie nutzen können. Viele bekannte KI-Modelle basieren auf diesen offenen Ressourcen. Wer ein eigenes Modell trainieren möchte, greift oft auf diese Daten zurück. Das macht die Plattform zu einem zentralen Knotenpunkt der KI-Welt.

Und genau dort haben die Forscher ihre Suche gestartet. Sie haben das gesamte öffentliche Datenangebot heruntergeladen, jede Datei geöffnet und nach Mustern gesucht, die auf Zugangsdaten hinweisen. Das ist kein einfacher Textabgleich. Es braucht enorme Rechenleistung und ausgeklügelte Algorithmen, um in einer Flut von Daten die wenigen Stellen zu finden, an denen ein Passwort oder ein API-Schlüssel liegt. Am Ende stand eine Zahl fest, die man sich erst einmal auf der Zunge zergehen lassen sollte: 221.303 lebende, verifizierte Zugangsdaten.

Der größte Secret-Scan aller Zeiten

Um das Ausmaß zu verstehen, hilft eine kleine Rechnung. 7,6 Petabyte sind 7,6 Millionen Gigabyte. Ein einzelner DVD-Rohling fasst etwa 4,7 Gigabyte. Man bräuchte also rund 1,6 Millionen DVDs, um diese Datenmenge zu speichern. Stapelt man diese DVDs aufeinander, ergibt das einen Turm von fast zwei Kilometern Höhe. Das entspricht etwa 4,4 Empire-State-Buildings, die übereinandergestellt werden. Und in diesem gigantischen Datenberg lagen Hunderttausende Schlüssel offen herum.

Die Forscher haben nicht nur die Größe des Datenbestands erfasst, sondern auch jede einzelne Zugangsdaten auf ihre Gültigkeit geprüft. Das bedeutet: Sie haben bei den jeweiligen Anbietern angefragt, ob der Schlüssel noch funktioniert. Nur solche Zugangsdaten sind in die Statistik eingeflossen, die zum Zeitpunkt der Prüfung tatsächlich aktiv waren. Das ist ein wichtiger Unterschied zu früheren Untersuchungen, bei denen oft nur nach Mustern gesucht wurde, ohne die Gültigkeit zu bestätigen.

Zugangsdaten mit gefährlicher Reichweite

Besonders brisant sind Zugangsdaten, mit denen man Software verändern kann. Im Trainingsdatensatz fanden sich 349 aktive GitHub-Persönliche Zugangs-Tokens. Davon hatten 223 vollen Schreibzugriff auf Repositories, 130 konnten CI-Workflows umschreiben, 112 besaßen Admin-Rechte für Organisationen und 110 konnten Pakete veröffentlichen. Dazu kamen 318 Docker-Hub-Tokens, mit denen sich Container-Images hochladen lassen. Wer solche Schlüssel kontrolliert, kann Code in Projekte einschleusen, die von Millionen Menschen genutzt werden. Das ist ein direkter Angriff auf die Software-Lieferkette.

Ein Beispiel verdeutlicht die Gefahr: Ein einzelnes Token mit Repo-Schreibrecht gehörte dem Gründer einer weit verbreiteten Model-Context-Protocol-Registry. Sein Konto war mit der offiziellen MCP-Organisation verbunden. Deren Repositories enthalten Server und Software-Entwicklungskits, die von großen KI-Tools verwendet werden und zusammen mehr als 178.000 GitHub-Sterne haben. Mit diesem Token hätte ein Angreifer Änderungen an dieser Software vornehmen können, die dann an alle Nutzer ausgeliefert worden wären. Die Forscher nennen die Namen nicht, aber sie haben die Lücken den betroffenen Unternehmen gemeldet.

Cloud-Zugänge und Datenbanken in Hülle und Fülle

Neben Entwickler-Tokens fanden sich auch Schlüssel, die Zugang zu echter Infrastruktur eröffnen. So entdeckten die Forscher 8.557 aktive Google-Cloud-Service-Konto-Schlüssel in 3.811 verschiedenen Projekten. Einige davon waren Firebase-Admin-Schlüssel mit Datenbankzugriff, andere hatten Besitzer-Rollen oder Kubernetes-Cluster-Administratorrechte. In den Projektmetadaten fanden sich Hinweise auf Gesundheits- und Zahlungsanwendungen. Die Forscher haben diese Schlüssel nur zur Verifizierung genutzt und keine Daten ausgelesen. Aber die schiere Menge zeigt, wie viele Cloud-Umgebungen über Trainingsdaten angreifbar sind.

Auch bei Amazon Web Services war die Ausbeute erheblich. 3.343 AWS-Schlüssel bestanden die Identitätsprüfung, 907 konnten S3-Buckets auflisten. Über die Buckets ließ sich per Metadaten feststellen, dass mindestens 51,7 Terabyte an Daten in nicht-öffentlichen S3-Buckets lagen. Die Bucket-Namen deuteten auf Produktiv- und Backup-Systeme, auf Rechnungsdaten, Kundendaten und Terraform-Konfigurationen. Nimmt man alle sichtbaren Buckets zusammen, ergibt sich eine untere Grenze von 185 Terabyte. Und dann sind da noch die Datenbanken: 8.594 aktive Datenbank-Zugangsdaten, die zu MongoDB-, Postgres- und anderen Datenbanken führten. Die meisten waren kleine Testdatenbanken, aber der Ausreißer war ein MongoDB-Cluster mit 617,7 Gigabyte Daten. Einige Datenbanken waren sogar mit US-Verteidigungsunternehmen und einer brasilianischen Bundesbehörde verbunden.

Auch die KI-Anbieter selbst sind betroffen

Die Trainingsdaten sind voll von Schlüsseln für KI-Dienste. Die Forscher fanden 11.496 aktive Zugangsdaten für OpenAI, Azure OpenAI, Anthropic, Gemini, Groq und andere Anbieter. Allein 742 OpenAI-Schlüssel und 26 Anthropic-Schlüssel waren aktiv. Jeder dieser Schlüssel ist quasi eine offene Rechnung an den Besitzer. Selbst wenn man nur den niedrigsten Standardrahmen von 100 US-Dollar pro Monat ansetzt, ergibt sich eine potenzielle Belastung von rund 920.000 US-Dollar pro Jahr. Das ist nur die Untergrenze, denn viele Konten haben höhere Limits.

Besonders kritisch sind Organisationskonten und Maschinen-Konten, die oft mit hohen Budgets ausgestattet sind und selten rotiert werden. Ein einziger Schlüssel mit dem höchsten Anthropic-Tarif könnte bis zu 200.000 US-Dollar pro Monat verbrauchen. Und da ist noch nicht einmal berücksichtigt, dass ein Angreifer mit einem solchen Schlüssel direkt an die Grenzen der Modelle kommt. Die Forscher betonen, dass sie die Schlüssel niemals verwendet haben. Aber die bloße Existenz dieser Zugangsdaten zeigt, wie nachlässig im Umgang mit KI-Anbietern gearbeitet wird.

Wie die Geheimnisse in die Trainingsdaten gelangen

Es gibt zwei Wege, wie ein Zugangsschlüssel in einen öffentlichen Datensatz gerät. Der häufigere Fall ist der eines Fremden, dessen Schlüssel irgendwo im Internet geleakt ist. Ein Scraper sammelt den Schlüssel ein, er landet in einem öffentlichen Korpus, und schließlich wird dieser Korpus als Trainingsdatensatz auf Hugging Face hochgeladen. Der Eigentümer des Schlüssels weiß meist nichts davon. Der seltenere, aber umso peinlichere Fall ist ein Selbst-Leak: Ein Unternehmen oder eine Einzelperson veröffentlicht einen Datensatz und hat dabei versehentlich den eigenen Schlüssel in einer Notebook-Datei oder einem Cache mit hochgeladen.

Bei Hugging-Face-Tokens ist dieses Muster besonders gut sichtbar. Insgesamt fanden die Forscher 787 aktive Hugging-Face-Tokens. 237 davon hatten Schreibzugriff, 70 sogar Admin-Rechte für Organisationen. Von den nachvollziehbaren Fällen stammten etwa 700 aus fremden Korpus-Sammlungen und 63 von den Besitzern selbst. Ein aktives Schreib-Token in einem öffentlichen Datensatz ist eine Einladung zu einem Supply-Chain-Angriff: Damit lassen sich Modell-Gewichte austauschen oder Datensätze vergiften, und die manipulierten Inhalte verbreiten sich über die gleiche Pipeline an alle Nutzer. Hugging Face selbst hat bei Enterprise-Konten bereits eine Schutzmaßnahme: Wird ein Token in ein öffentliches Repository hochgeladen, wird es automatisch widerrufen. Die gefundenen Tokens waren genau die, die außerhalb dieses Schutzes lagen.

Was das für die KI-Zukunft bedeutet

Diese Untersuchung ist ein Weckruf, kein Weltuntergang. Sie zeigt, dass die KI-Entwicklung in einer atemberaubenden Geschwindigkeit voranschreitet, aber die Sicherheitshygiene nicht Schritt hält. Öffentliche Trainingsdaten sind nicht nur ein Rohstoff für bessere Modelle, sondern auch ein Ziel für Angreifer. Wer Schlüssel in Datensätze einbettet, öffnet nicht nur sich selbst die Tür, sondern auch allen, die diese Daten später nutzen.

Für Unternehmen gibt es konkrete Lehren. Zugangsdaten müssen regelmäßig rotiert werden, insbesondere solche, die in Skripten, Notebooks oder Backup-Dateien auftauchen. Es braucht Scans, die die eigenen Geheimnisse in öffentlichen Repositories und Datensätzen suchen. Und wer KI-Modelle trainiert, sollte die Herkunft der Trainingsdaten genauso ernst nehmen wie die Qualität der Inhalte. Ein einziger vergessener Schlüssel kann mehr Schaden anrichten als ein fehlerhaftes Modell.

Für dich als Nutzer von KI-Diensten bedeutet das: Die Risiken sind real, aber nicht hoffnungslos. Wenn du selbst Entwickler bist, schau nach, welche Schlüssel du in Code oder Konfigurationsdateien hinterlassen hast. Nutze Umgebungsvariablen und Secret-Management-Tools. Und wenn du auf Plattformen wie Hugging Face unterwegs bist, denk daran: Öffentlich bedeutet nicht harmlos. Die digitale Welt ist ein riesiges Archiv, und manche Dinge löscht man besser, bevor sie jemand findet.

Die Forscher von Truffle Security haben die Ergebnisse an Hugging Face gemeldet. Das Unternehmen hat schnell reagiert und sogar eigene Scanner für Speicher-Buckets beigesteuert. Das ist ein gutes Zeichen. Aber die eigentliche Arbeit liegt bei jedem, der Zugangsdaten erstellt oder verwendet. Ein Schlüssel ist wie ein Hausschlüssel: Du gibst ihn nur den Leuten, denen du vertraust. Und du lässt ihn nicht auf der Straße liegen, nur weil die Straße noch neu aussieht.

Quelle: trufflesecurity.com