Suchergebnisse für: „Sicherheit“

  • Agentic Code Quality: Warum Qualität bei KI-Agenten eine Frage der Constraints ist

    Agentic Code Quality: Warum Qualität bei KI-Agenten eine Frage der Constraints ist

    Der klassische Code-Review-Prozess stirbt langsam – zumindest dort, wo Software nicht mehr ausschließlich von Menschen geschrieben wird. Wenn täglich hunderttausende Änderungsvorschläge von KI-Agenten durch ein System rauschen, kann kein Mensch mehr jeden einzelnen Commit lesen. Der Autor des ursprünglichen Artikels beschreibt genau diesen Punkt: Qualitätssicherung darf nicht mehr allein auf menschlicher Aufmerksamkeit beruhen, sondern muss in die Umgebung, die Constraints und die Werkzeuge rund um den Agenten eingebaut werden. Was das praktisch bedeutet, schauen wir uns an.

    Der Qualitätsverlust durch die Agentenflut

    Stell dir vor, du hast ein Team aus zehn Entwicklern, die alle gleichzeitig Code in eine gemeinsame Codebasis schreiben – und niemand liest die Änderungen der anderen. Genau das passiert, wenn du KI-Agenten in deinen Entwicklungsprozess integrierst. Der Autor berichtet von einem Experiment, bei dem ein Coding-Agent eine App baute und zwei weitere Agenten diese App anschließend bewerteten – mit widersprüchlichen Ergebnissen. Ein dritter Durchlauf lieferte eine komplett andere Meinung. Das ist kein Einzelfall. Wenn du Qualität auf ein subjektives Review stützt, bekommst du bei Maschinen Geschwätz statt verlässlicher Aussagen.

    Mehr Menschen einzustellen löst das Problem nicht. Die Umgebung muss so gebaut sein, dass schlechte Vorschläge gar nicht erst durchkommen. Der Autor nennt das „Constraints“: Regeln, Tests, Metriken und Gateways, die zwischen dem Agenten und der Produktion liegen. Diese Constraints wirken wie ein Sicherheitsnetz: Sie schränken den Spielraum des Agenten ein, bremsen seine Produktivität aber nicht. Diese Grenzen werden nicht einmalig gesetzt. Sie gehören dauerhaft zur Entwicklungsumgebung.

    Das Konzept erinnert an eine Qualitätsschleuse in der Fertigung: Ein Produkt durchläuft mehrere Stationen, an denen es geprüft wird, bevor es das Werk verlässt. Je früher ein Fehler entdeckt wird, desto billiger ist die Korrektur. Bei KI-Agenten verschiebst du diese Stationen in den Code-Review-Prozess, in die Testsuite, in statische Analysewerkzeuge und in die CI-Pipeline.

    Welche Qualitätsgates funktionieren – und welche nicht

    Der Autor unterscheidet zwischen verschiedenen Arten von Constraints, die alle das gleiche Ziel haben: Sicherzustellen, dass ein Vorschlag des Agenten sicher, korrekt und im Rahmen des Projekts ist. An erster Stelle stehen klassische Unit-Tests, die einzelne Funktionen isoliert prüfen. Dann kommen Property-Tests, die generische Eigenschaften von Code verifizieren, und Akzeptanztests, die das Verhalten aus Nutzersicht abbilden. Besonders interessant ist Mutation Testing: Dabei wird der Code absichtlich leicht verändert, also zum Beispiel ein Vergleichsoperator umgedreht, und dann überprüft, ob die vorhandenen Tests diese Mutation erkennen. Wenn die Tests die Veränderung nicht bemerken, ist das ein Zeichen dafür, dass sie zu schwach sind – und genau das ist eine wertvolle Information für die Qualitätssicherung.

    Hinzu kommen Metriken wie zyklomatische Komplexität oder Zeilenlänge, die dabei helfen, Code lesbar und wartbar zu halten. Diese Metriken sind keine Selbstzwecke, sondern Werkzeuge, um die kognitive Belastung für Menschen zu begrenzen, die später an dem Code arbeiten. Der Autor betont, dass ein einzelner Test allein nicht reicht – es braucht eine Kombination aus verschiedenen Checks, die unterschiedliche Aspekte der Qualität abdecken: Typensicherheit, Performance, Sicherheitslücken.

    Wichtig ist der Gedanke, dass Constraints ablehnen und zugleich positive Signale senden können. Sie zeigen dem Agenten, was funktioniert und was nicht, und geben damit eine Art Trainingsfeedback. Je besser diese Rückmeldung ist, desto schneller lernt der Agent, innerhalb der gesetzten Grenzen zu arbeiten.

    Autonomie, Vertrauen und die Grenzen des Machbaren

    Ein Problem, das der Autor explizit anspricht, ist die Autonomie der Agenten. Selbst die besten Modelle scheitern, wenn Informationen fehlen oder die Aufgabenstellung mehrdeutig ist. Das betrifft sowohl die eigentliche Aufgabe als auch die Parametrisierung durch die Umgebung. Wenn die Entwicklungsumgebung brüchig ist – zum Beispiel durch nichtdeterministische Builds oder fehlende Berechtigungen –, dann bekommt der Agent widersprüchliche Rückmeldungen und produziert entsprechend schlechten Code.

    Vertrauen ist hier ein zentraler Begriff. Der Autor sagt, man müsse einem Agenten zunächst vertrauen, aber dieses Vertrauen müsse hart erarbeitet sein. Das heißt: Jeder Schritt des Agenten sollte durch automatisierte Checks abgesichert sein, bevor er Einfluss auf das System nimmt. Man kann sich das wie einen Budenbetreuer auf einem Markt vorstellen: Man lässt ihn erst einmal an einem kleinen Stand arbeiten, beobachtet ihn und gibt ihm mehr Verantwortung, sobald er zuverlässig arbeitet. Genauso sollten Agenten in einer Umgebung laufen, in der Fehler wenig Schaden anrichten und wo sie schrittweise mehr Freiheiten bekommen.

    Die Krux liegt darin, dass die Umgebung diese kalkulierten Risiken zulässt. Ein System, das bei jedem Fehler sofort abstürzt, ist für Agenten unbrauchbar. Es braucht also eine Sandbox, in der Agenten experimentieren können, ohne die Produktion zu gefährden. Das ist ein entscheidender Unterschied zu menschlichen Entwicklern, die solche Risiken oft aus Erfahrung vermeiden.

    Back-Pressure: Wie Qualität zur Steuerung wird

    Unter „Back-Pressure“ versteht der Autor den Widerstand, den das System einem Änderungsvorschlag entgegensetzt – je stärker dieser Widerstand, desto eher wird der Vorschlag abgelehnt oder zur Korrektur zurückgeschickt. Diese Steuerung kann über Compiler, Tests, Sicherheitsrichtlinien oder CI-Systeme erfolgen. Ideal ist es, wenn dieser Druck über den gesamten Entwicklungsprozess verteilt ist und nicht erst am Ende in der CI-Pipeline auftritt.

    Der Autor warnt davor, menschliche Reviews in einen ansonsten automatisierten Prozess einzubauen, weil das die Durchsatzrate drastisch senkt. Stattdessen sollte man menschliche Aufmerksamkeit nur für die kniffligen Probleme reservieren, die Urteilsvermögen erfordern – etwa Designentscheidungen oder die Bewertung von Kompromissen zwischen verschiedenen Qualitätsdimensionen.

    Gleichzeitig gibt es eine Skalierungsgrenze: Wenn die Anzahl der Agenten-Änderungen die Kapazität der automatisierten Verifikation übersteigt, entsteht ein Flaschenhals. Der Autor schlägt drei Lösungswege vor: Erstens, die Verifikationsinfrastruktur ausbauen – also mehr Tests, schnellere Analysen. Zweitens, die Rate der Agenten-Änderungen reduzieren. Drittens, die Qualitätsanforderungen lockern. Aus der Skalierungsperspektive ist es klug, alle drei Optionen verfügbar zu halten und je nach Situation einzusetzen.

    Weniger Constraints, mehr Freiheit – aber nur an den richtigen Stellen

    Interessant ist die These, dass mehr Constraints nicht immer besser sind. Der Autor plädiert für eine bewusste Verteilung: An den Stellen, wo Qualität kritisch ist, solltest du starke Constraints setzen. An anderen Stellen hingegen kann mehr Freiheit für Agenten die Produktivität steigern, ohne das Gesamtergebnis zu gefährden. Diese Abwägung muss aber explizit getroffen werden und nicht dem Zufall überlassen bleiben.

    Die gesamte Qualitätsstrategie lässt sich als Spektrum beschreiben – von innovationsgetrieben bis risikominimierend. Jede Organisation muss ihren Platz darauf finden. Der Autor betont, dass Qualität kein einzelner Kennwert ist, sondern ein Bündel von Signalen: Korrektheit, Wartbarkeit, Performance, Sicherheit, Effizienz, Verständlichkeit. Jede dieser Dimensionen kann unterschiedlich gewichtet werden.

    Die entscheidende Frage lautet: Wie viel Back-Pressure willst du an welcher Stelle? Ein Tool, das jede Änderung einer strengen statischen Analyse unterzieht, produziert viele Warnungen und bremst vielleicht den Agenten aus. Ein Tool, das nur die kritischen Pfade prüft, lässt mehr durch – aber auch mehr Fehler. Die Kunst besteht darin, die Qualitätsbarrieren dort zu platzieren, wo sie den größten Nutzen stiften.

    Die Zukunft der Code-Review – und deine Rolle dabei

    Der Autor schließt mit einem Gedanken, der auf den ersten Blick trivial klingt, aber tiefgreifende Folgen hat: Softwarequalität ist eine direkte Funktion der Constraints, die du um deine Agenten herum aufbaust. Das ist ein Perspektivwechsel weg vom Individuum und hin zum System. Du ersetzt das menschliche Auge durch eine Kette von automatisierten Prüfungen, die zusammen ein Sicherheitsnetz spannen.

    Das bedeutet für dich als Entwickler oder Tech-Lead: Du musst lernen, Quality Gates zu entwerfen – nicht nur zu nutzen. Du musst verstehen, welche Metriken und Tests für deinen Code relevant sind und wo du Lücken lässt. Der Autor empfiehlt, mit einem breiten Satz an Checks zu starten und diese dann gezielt an deine Bedürfnisse anzupassen. Tools wie ESLint für Architekturregeln oder Sonar für Qualitätsgates können dabei helfen, aber der entscheidende Teil ist die intentionale Gestaltung.

    Am Ende bleibt eine Erkenntnis: Die Kontrolle über den Code liegt nicht mehr in den Händen einzelner Reviewer, sondern in der Qualität der Constraints. Wenn dein System gut gewartete Gates hat, kann es auch Millionen von Agenten-Änderungen verarbeiten – und trotzdem liefert es Software, die man stolz ausliefern kann. Das ist der Preis für den Einstieg in die Welt der agentischen Softwareentwicklung: Du gibst die direkte Kontrolle über den Code ab, aber du gewinnst die Kontrolle über das System, das diese Kontrolle ausübt.

    Nimm dir die Zeit, deine eigenen Qualitätsgates zu überdenken. Frage dich, wo dein System zu nachsichtig ist und wo du vielleicht zu streng bist. Denn die Qualität deiner Software wird in Zukunft mehr von diesen Entscheidungen abhängen als von der Brillanz eines einzelnen Entwicklers.

    Quelle: addyo.substack.com

  • WeatherNext: Ein KI-Modell gibt Zyklonvorhersagen einen Tag Vorsprung

    WeatherNext: Ein KI-Modell gibt Zyklonvorhersagen einen Tag Vorsprung

    „Our model gives forecasters an extra day’s worth of predictive accuracy“ – dieser Satz stammt aus einem Forschungspapier, das in der Fachzeitschrift Nature veröffentlicht wurde. Die Autoren arbeiten bei Google DeepMind und Google Research, zusammen mit Meteorologen des National Hurricane Center, des Cooperative Institute for Research in the Atmosphere und des britischen Wetterdienstes Met Office. Sie beschreiben ein KI-Modell namens WeatherNext, das die Vorhersage von tropischen Wirbelstürmen – Hurrikanen, Taifunen oder Zyklonen – verbessert.

    Das betrifft alle, die sich mit Wettervorhersagen, Klimawandel oder künstlicher Intelligenz beschäftigen. Es geht nicht um eine kleine Optimierung, sondern um einen Fortschritt, wie ihn Fachleute sonst nur alle zehn Jahre sehen. Dieser Artikel erläutert, was WeatherNext anders macht, warum ein zusätzlicher Tag Vorhersagezeit so wichtig ist und warum die Technologie jetzt offen zugänglich ist.

    Warum Zyklonvorhersage so schwierig ist

    Tropische Wirbelstürme zählen zu den zerstörerischsten Naturphänomenen. In den letzten 50 Jahren haben sie weltweit mehr als 700.000 Menschenleben gefordert und einen wirtschaftlichen Schaden von über 1,4 Billionen US-Dollar verursacht. Wer früh genug warnt, kann Leben retten – aber genau daran scheitert die Meteorologie seit Jahrzehnten.

    Das Problem liegt in der Natur der Stürme: Ihre Zugbahn – wohin sie sich bewegen – wird von riesigen globalen Luftströmungen gesteuert. Diese Strömungen lassen sich mit groben, globalen Wettermodellen einigermaßen berechnen. Die Intensität eines Zyklons, also wie stark er wird, hängt dagegen von winzigen, lokalen Prozessen im Auge des Sturms ab. Dafür benötigt man hochauflösende, aber kleine Modelle. Bisher musste jede Vorhersage eine Wahl treffen: regional genau oder global grob – beides gleichzeitig schien unmöglich.

    Stell dir vor, du planst eine längere Reise mit dem Auto. Du hast eine Straßenkarte für die gesamte Region und eine Detailkarte für die Innenstadt. Beide sind nützlich, aber du müsstest ständig wechseln und Informationen zusammenführen. WeatherNext nutzt eine einzige Karte, die beides abdeckt.

    Die neue KI-Methode kombiniert globale Wetterdaten mit den Beobachtungen historischer Stürme. Das Modell lernt aus fast 20 Terabyte globaler Atmosphärendaten und der internationalen IBTrACS-Datenbank mit rund 5.000 historischen Wirbelstürmen. So erfasst es sowohl die großen Strömungen als auch die feinen lokalen Prozesse, die über Stärke oder Schwäche eines Sturms entscheiden.

    Was WeatherNext leistet – und wie es funktioniert

    WeatherNext ist ein generatives KI-Modell. Statt einer einzigen Vorhersage erzeugt es ein Ensemble aus vielen möglichen Szenarien. Das ist wichtig, weil Wetter immer mit Unsicherheit verbunden ist. Ein einziges Ergebnis wäre irreführend – aber tausend verschiedene Simulationen zeigen die Bandbreite dessen, was passieren könnte.

    Die Forscher nennen diese Technik „Functional Generative Networks“. Sie ermöglicht es, innerhalb von weniger als einer Minute eine 15-Tage-Vorhersage auf einem TPU-Beschleuniger zu berechnen. TPUs sind Spezialchips, die für künstliche Intelligenz optimiert sind. Diese Geschwindigkeit ist entscheidend, denn Forecasters müssen schnell reagieren, wenn sich ein Sturm unerwartet intensiviert.

    Ein überraschendes Ergebnis: WeatherNext arbeitet mit einer Auflösung von nur 28×28 Kilometern – rund 100-mal gröber als traditionelle Modelle. Trotzdem ist seine Genauigkeit bei Zugbahn, Intensität und Windstruktur besser als die aller bisherigen Systeme. Sogar eine abgespeckte Version, WeatherNext 2-mini, die mit 111×111 Kilometern Auflösung arbeitet, liefert gute Ergebnisse auf einem einzelnen TPU, etwa in einer öffentlichen Colab-Notebook-Umgebung.

    Warum das möglich ist, wissen die Forscher selbst noch nicht vollständig. Sie vermuten, dass das Modell durch das Training auf großen Datenmengen Muster erkennt, die in groben Auflösungen verborgen bleiben. Das ist eine offene Forschungsfrage – genau deshalb veröffentlichen sie den Code, damit die Community helfen kann.

    Ein Tag mehr Vorhersagezeit – der Durchbruch

    Der entscheidende Wert von WeatherNext ist nicht Perfektion, sondern ein zeitlicher Vorsprung. Im Durchschnitt erreicht das Modell für einen Drei-Tage-Zeitraum die gleiche Genauigkeit, die bisherige Modelle erst für den zweiten Tag erreichen. Die Drei-Tage-Vorhersage von WeatherNext ist also so zuverlässig wie die Zwei-Tage-Vorhersage der besten bisherigen Systeme. Der Gewinn beträgt mehr als 24 Stunden.

    Das klingt nach einer kleinen Zahl, ist in der Meteorologie aber bedeutend. In den letzten 20 Jahren hat sich die Genauigkeit von Zyklonvorhersagen langsam verbessert – ein großer Sprung etwa alle zehn Jahre. WeatherNext schafft diesen Sprung mit einem einzigen Modellwechsel.

    Die Leistungsfähigkeit zeigt sich in konkreten Beispielen: Während der Hurrikansaison 2025 half das Modell dem National Hurricane Center, für Hurrikan Melissa eine historische Vorhersage zu treffen. Es erkannte die rapide Intensivierung des Sturms und seinen Landgang in Jamaika früher als herkömmliche Modelle. Die Behörde konnte eine Frühwarnung herausgeben, die den Menschen vor Ort wertvolle Zeit für Vorbereitungen verschaffte.

    Um die Unsicherheit besser abzudecken, haben die Forscher die Ensemble-Größe von 50 auf 1.000 Simulationen pro Vorhersage erhöht. So lassen sich auch seltene, aber gefährliche Szenarien wie eine plötzliche Intensivierung zuverlässiger erfassen. Die Ergebnisse dieser Testläufe sind in Weather Lab sichtbar, einer öffentlichen Plattform, die jetzt auch globale Wettervorhersagen zeigt.

    Open Source: Die Technologie gehört allen

    Was nützt ein gutes Modell, wenn nur wenige es nutzen können? Google DeepMind und Google Research veröffentlichen deshalb sowohl den Code als auch die trainierten Gewichte der Modelle WeatherNext 2 und WeatherNext Cyclones. Jeder kann sie herunterladen, weiterentwickeln oder für eigene Zwecke anpassen – für akademische Forschung, operationelle Vorhersagedienste oder spezielle lokale Anwendungen.

    Das ist ein wichtiger Punkt für die globale Wettergemeinschaft. Viele Länder, besonders Entwicklungsländer, haben nicht die Ressourcen, eigene hochauflösende Modelle zu entwickeln. Mit dem Open-Source-Angebot können auch kleinere Institutionen Zugang zu einer Technologie bekommen, die bisher großen Wetterdiensten vorbehalten war. Die Forscher betonen, dass sie die Zusammenarbeit mit Meteorologen und Behörden suchen, um die Modelle an lokale Gegebenheiten anzupassen.

    Zusätzlich gibt es begleitende Ressourcen: eine kompakte Version für einzelne TPUs, ein öffentliches Colab-Notebook zum Ausprobieren und die aktualisierte Plattform Weather Lab, auf der man Live-Vorhersagen für Temperatur, Niederschlag, Wind und Zyklone visualisieren kann. All das ist Teil von Google Earth AI, das künstliche Intelligenz für Umweltanwendungen bündelt.

    Die Open-Source-Veröffentlichung ist kein PR-Gag – sie hat ernsthafte Konsequenzen. Forscher weltweit können die Modelle unabhängig evaluieren, Verbesserungen vorschlagen oder sie in ihre eigenen Warnsysteme integrieren. Das könnte den Fortschritt in der Wettervorhersage deutlich beschleunigen, nicht nur bei Zyklonen, sondern auch bei anderen extremen Wetterereignissen.

    Was das für die Zukunft bedeutet – und wo die Grenzen liegen

    Der Durchbruch von WeatherNext zeigt, wie stark künstliche Intelligenz die Meteorologie verändern kann. Die Kombination aus globalen Daten, historischen Sturmbeobachtungen und generativen Netzen liefert Ergebnisse, die klassische Physikmodelle nicht erreichen. Dass eine grobe Auflösung ausreicht, widerspricht jahrzehntelangen Annahmen und öffnet die Tür für effizientere Rechenverfahren.

    Dennoch wäre es falsch zu glauben, dass die KI den Menschen ersetzt. Die Autoren betonen ausdrücklich, dass die Vorhersagen von WeatherNext als Unterstützung für menschliche Forecasters gedacht sind – nicht als Ersatz. Die Entscheidung, ob und wie eine Evakuierung ausgelöst wird, bleibt bei den verantwortlichen Behörden. Deren Expertise und lokales Wissen sind unverzichtbar, um die KI-Ausgaben richtig zu interpretieren.

    Ein Beispiel: WeatherNext liefert eine Wahrscheinlichkeitsverteilung für verschiedene Szenarien. Ein Forecaster muss einschätzen, welche Schwelle für Warnungen angemessen ist. Hier spielen politische, soziale und logistische Faktoren eine Rolle, die eine Maschine nicht bewerten kann. Die Partnerschaft zwischen KI und menschlicher Erfahrung ist der eigentliche Mehrwert.

    Bis zur breiten Anwendung ist noch einiges zu tun. Die Modelle müssen weiter validiert werden, insbesondere in anderen Regionen und Klimazonen. Zudem ist die Frage der Auflösung ungeklärt. Forscher hoffen, dass die Community neue Erkenntnisse liefert, warum das Modell so gut funktioniert – vielleicht führt das zu noch besseren Ansätzen.

    Für die Zukunft bedeutet das: Wettervorhersagen werden genauer und zugänglicher. Lokale Wetterdienste können auf modernste KI zugreifen, ohne eigene Supercomputer zu benötigen. Das könnte in Regionen mit begrenzten Warnmöglichkeiten Leben retten. Die nächsten Sturmsaisons zeigen, wie gut die Technologie in der Praxis funktioniert. Die Grundlage ist gelegt.

    Quelle: deepmind.google

  • AWS Marketplace AI Insights: Mehr Transparenz bei KI-Preisen

    AWS Marketplace AI Insights: Mehr Transparenz bei KI-Preisen

    Viele Unternehmen glauben, KI-Investitionen bringen automatisch Rendite. In der Praxis scheitern viele Projekte an unerwarteten Kosten – vom ersten Pilotprojekt bis zur Skalierung. AWS will das mit „AI Insights“ im Marketplace ändern. Du als Entscheider sollst die Preise für KI-Tools verstehen, bevor du kaufst.

    Bisher waren die KI-Preise im Marketplace schwer zu durchschauen. Du siehst einen Preis pro Token, pro API-Aufruf oder pro Compute-Einheit. Was das bedeutet, wenn du Tausende Nutzer oder komplexe Agenten betreibst, bleibt unklar. Projekte versanden in Rechtsabteilung und Finanzprüfung, oder Überraschungen kommen mit der Rechnung. Das neue Tool erklärt die Preise in verständlicher Sprache. Was das für dich bedeutet, zeigt dieser Artikel.

    Das Problem: Die Blackbox der KI-Preise

    KI-Tools unterscheiden sich grundlegend von klassischer Software. Statt einer festen Lizenz pro Nutzer oder Monat basieren viele Angebote auf Verbrauchskosten: Token, API-Aufrufe, Agenten-Ausführungen oder Compute-Stunden. Einzeln verständlich, in Kombination und Skalierung wird es schnell unübersichtlich. Vergleich: Ein Restaurant, das nur „Hauptgericht – Preis je Zutat“ schreibt. Du weißt nicht, ob 20 oder 200 Euro anfallen. So geht es CIOs mit vielen KI-Angeboten.

    Im bisherigen AWS Marketplace musstest du dir Informationen aus Verkaufsseiten, Dokumentationen und Support-Anfragen selbst zusammensuchen. Oft waren diese Dokumente für Entwickler geschrieben, nicht für Einkäufer. Das führte zu langen Evaluierungsphasen, teuren Fehlentscheidungen und im schlimmsten Fall zu „Bill Shocks“ – Rechnungen, die das Budget sprengen, etwa wenn autonome KI-Agenten plötzlich tausende API-Calls auslösen.

    AI Insights: Das neue Feature im AWS Marketplace

    AWS bietet dafür „AI Insights“ an. Das Feature ist direkt in der Preis-Sektion eines Listings verfügbar. Es generiert automatisch eine verständliche Erklärung auf Basis der vom Anbieter veröffentlichten Preise und öffentlich zugänglichen Informationen. Die Erläuterung zeigt dir:

    • Was die Preiseinheit bedeutet – etwa was ein Token kostet und wie sich das auf einen typischen Chat-Dialog auswirkt.
    • Wie sich deine Rechnung bei Skalierung verändert – Staffelungen, Rabatte, versteckte Obergrenzen.
    • Wie mehrere Preisdimensionen zusammenwirken – etwa bei gleichzeitiger Abrechnung nach Token und Compute und wie sich das kombinierte Modell auf dein Budget auswirkt.
    • Was nicht enthalten ist – etwa Integrationskosten, Support-Leistungen oder Datenübertragungsgebühren.

    Das gibt dir als Käufer eine Entscheidungsgrundlage, ohne stundenlange Recherche. Gerade bei KI-Anwendungen mit hohem Budgetvolumen hilft das. Details hat AWS in einem offiziellen Blog-Post veröffentlicht.

    Stimmen aus der Branche: Analysten sehen Potenzial, aber auch Grenzen

    Analysten sehen das Potenzial. Amit Jena, AI-Development-Manager bei der IT-Beratung Kanerika, beschreibt das Problem klar: „KI-Preise im Marketplace waren schon immer eine Blackbox. Man sieht einen Preis pro Token, pro API-Call oder pro Compute-Einheit, aber zu verstehen, was das auf Unternehmensebene bedeutet, erfordert erhebliche Anstrengung.“ CIOs werden zunehmend für KI-Ausgaben verantwortlich gemacht, nicht nur für die Einführung. Das schafft Bedarf an Preistransparenz.

    Pareekh Jain, Prinzipalanalyst bei Pareekh Consulting, ergänzt: „Bei KI-basierten Tools wird das einfache Abo-Modell pro Nutzer zunehmend von komplexen verbrauchsbasierten Preisen abgelöst. Mit Token, API-Aufrufen, Agenten-Ausführungen und Compute wird die Prognose der Gesamtbetriebskosten anspruchsvoll. AI Insights sollte CIOs helfen, vor dem Kauf Klarheit zu gewinnen, indem mehrdimensionale Preise in verständliche Sprache übersetzt werden – so lassen sich Budgetgrenzen vorab kalkulieren.“

    Beide sehen auch: Weniger Rückfragen von Rechts- und Finanzabteilungen beschleunigen Beschaffungszyklen. Proof-of-Concept-Projekte, die oft an unklaren Kosten scheitern, kommen schneller zum Ergebnis. Mehr Sicherheit bei KI-Investitionen könnte auch die Innovationsgeschwindigkeit erhöhen.

    Die Grenzen: Was AI Insights nicht leisten kann

    Die Qualität hängt von den Eingabedaten ab. AI Insights nutzt die veröffentlichten Preise und öffentlichen Websites. Die Erklärung ist nur so gut wie das, was die Anbieter veröffentlichen, sagt Jena. Wenn eine Preisliste vage bleibt oder wesentliche Klauseln versteckt sind, kann das Tool das nicht offenlegen. Es ist kein Allheilmittel, sondern ein Instrument für Transparenz – vorausgesetzt, die Anbieter ziehen mit.

    Auch die Aktualität ist ein Thema. Preise ändern sich, und AI Insights muss regelmäßig aktualisieren. Manche Kostenkomponenten – individuelle Rabatte oder Rahmenverträge – bleiben außen vor. Das Tool zeigt, was veröffentlicht ist, nicht was du aushandeln kannst. Für viele Enterprise-Käufer ist Verhandeln weiterhin wichtig. AI Insights liefert eine gute Grundlage, ersetzt aber nicht das Gespräch mit dem Anbieter.

    Ob die Erklärungen immer korrekt sind, bleibt offen. Wie bei jedem KI-System gibt es Fehlinterpretationen. AWS sagt, die Daten seien strukturiert und würden kontinuierlich verbessert. Im Zweifel solltest du die Ausgabe mit den offiziellen Konditionen abgleichen.

    Auswirkungen auf den Markt: Der Druck auf andere Anbieter

    Neben dem direkten Nutzen für Käufer hat AI Insights Signalwirkung. Analysten erwarten, dass Azure Marketplace und Google Cloud Marketplace unter Druck geraten, ähnliche Funktionen anzubieten. „Der zugrunde liegende Treiber ist derselbe: Enterprise-Käufer sind heute für die KI-Rendite verantwortlich, anders als vor zwei Jahren. Intransparenz bei Preisen wird zu einem echten Risiko für die KI-Einführung im großen Maßstab“, sagt Jena. Das könnte die Branche zu mehr Offenheit zwingen.

    Das wäre auch im Interesse der Anbieter von KI-Tools. Wer klare Preise bietet, schafft Vertrauen und senkt die Hürde für den Kauf. Unternehmen, die auf agentische KI setzen, investieren ohne klare Kostenmodelle oft zurückhaltend. Das Feature stärkt Vertrauen und fördert den Absatz.

    Einordnung: Was das für die Praxis bedeutet

    Für dich als Entscheider ist AI Insights ein Werkzeug, um KI-Tools besser zu vergleichen und das Budget zu planen. Es macht aus einem undurchsichtigen Verkaufsangebot ein transparentes, das du in der Argumentation gegenüber CFO und Vorstand nutzen kannst. Du musst keine teuren Berater engagieren, um die Finanzierung zu klären.

    Allerdings solltest du das Tool als Ergänzung sehen, nicht als Ersatz für eine kritische Prüfung. Bei größeren Investitionen ist eine eigene Kostenschätzung auf Basis deiner Nutzungsprofile ratsam. Vergleich: Ein Preisschild zeigt den Grundpreis, aber dein Endpreis hängt von Mengen, Rabatten und Mehrwertsteuer ab.

    AWS hat mit AI Insights einen Schritt zu mehr Preistransparenz gemacht. Ob die Qualität stimmt und andere Anbieter nachziehen, wird sich zeigen. Für CIOs und Entwickler heißt das: bessere Entscheidungen, weniger Überraschungen, mehr Sicherheit bei der Budgetplanung. Das ist keine Modeerscheinung, sondern notwendige Arbeit an der Kostentransparenz.

    Quelle: networkworld.com

  • Google Assistant wird abgeschaltet: Was das für Android und Wear OS bedeutet

    Google Assistant wird abgeschaltet: Was das für Android und Wear OS bedeutet

    Viele nehmen an, Google Assistant bleibe noch Jahre auf Smartphones und Smartwatches, bis ein Nachfolger bereitsteht. Doch Google hat ein Datum genannt, an dem die Ära der Stimme endet, die seit 2016 auf Millionen Android-Geräten den Ton angab. Der Abschied ist ein geplanter Systemwechsel, kein stiller Rückzug.

    Wer die Entwicklung der letzten Monate verfolgt hat, wusste, dass Google die Assistenzfunktion schrittweise durch Gemini ersetzen will. Ein konkretes Datum erhöht aber den Druck. Der 4. September 2026 markiert den Anfang vom Ende, auch wenn der Prozess einige Wochen dauert, bis er alle Nutzer erreicht. Besonders: Ein Zurückwechseln auf den alten Assistenten wird nach diesem Zeitpunkt dauerhaft ausgeschlossen sein.

    Was genau wird abgeschaltet?

    In einer offiziellen Mitteilung an bestehende Nutzer schreibt Google, dass Google Assistant auf Mobilgeräten „eingestellt“ wird. Die Formulierung ist eindeutig: Gemini, der KI-basierte Assistent der nächsten Generation, ist jetzt das Assistenz-Erlebnis auf Android. Es geht nicht um eine Option, sondern um eine Abschaltung.

    Betroffen sind nicht nur Smartphones und Tablets. Auch Wear-OS-Uhren, kabellose Kopfhörer und Fahrzeuge mit Android Auto, das vom Handy gespiegelt wird, verlieren den Zugriff. Sobald die Verfügbarkeit entfernt wurde, ist ein Wechsel zurück technisch nicht möglich. Eine klare Zäsur.

    Die Ankündigung kam per E-Mail an alle bestehenden Nutzer und gehört zu einer größeren Migrationsstrategie. Google verspricht einen reibungslosen Übergang und betont, dass Gemini leistungsfähiger und hilfreicher sei. Der Ton ist beschwichtigend, der Inhalt kompromisslos.

    Die Ausnahme auf vier Rädern

    Fahrzeuge mit Google built-in bilden eine Ausnahme. Autos, die den Assistenten direkt integriert haben und nicht auf die Projektion eines Smartphones angewiesen sind, können Google Assistant über den Stichtag hinaus weiter verwenden. Das betrifft nicht das klassische Android Auto, sondern die vollständige Google-Integration im Fahrzeug.

    Dieses Zugeständnis zeigt, wie komplex die Umstellung ist. In der Automobilwelt zählt Stabilität, und Gemini muss sich auch in sicherheitskritischen Umgebungen erst beweisen. Möglicherweise spielen auch die längeren Zyklen bei Kooperationen mit Autoherstellern eine Rolle.

    Google kündigt außerdem an, dass Gemini zu Google-TV-Geräten sowie zu den Smart Speakern und Smart Displays der Marke Nest kommt. Wann genau, bleibt offen. Für den dockbaren Pixel Tablet gibt es ebenfalls keinen konkreten Zeitplan – das verunsichert viele Besitzer.

    Warum der Zeitpunkt jetzt passt

    Der ursprüngliche Abschalttermin war für Ende 2025 geplant, wurde aber verschoben. Die Umstellung ist komplexer als erwartet. Zwar bleibt die Option „Zu Google Assistant wechseln“ im Gemini-App-Menü vorerst erhalten, doch das wirkt wie ein Relikt der Übergangsphase, nicht wie ein Zeichen für langfristige Koexistenz.

    Die Verzögerung deutet auf technische Hürden in der Gemini-Entwicklung hin. Auf Wear OS ist die Hardware begrenzt, die Leistungsfähigkeit wird zum Problem. Wenn der Assistent dort nicht zuverlässig läuft, wäre das peinlich für Google.

    Die Terminwahl ist klug. Nach dem finalen Release von Gemini als Standard-Assistent kommuniziert Google einen festen Fahrplan und vermittelt Sicherheit. Den Nutzern soll klar sein: Es geht nicht um ein Entweder-oder, sondern um den Start einer neuen Ära.

    Was das für deine Geräte bedeutet

    Wenn du dein Android-Smartphone täglich nutzt, wirst du am 4. September unwiderruflich auf Gemini umgestellt. Der Prozess läuft progressiv ab, nicht auf einen Schlag. Manche Geräte werden früher, andere später umgestellt. Diese schrittweise Einführung ist typisch für Google, führt aber zu einem uneinheitlichen Erlebnis im Bekanntenkreis.

    Deine Wear-OS-Uhr ist ebenfalls betroffen. Wer bisher Sprachbefehle auf der Uhr nutzte, muss sich mit den Gemini-Fähigkeiten vertraut machen. Die gute Nachricht: Gemini ist kein dummes KI-Spielzeug. Die Modelle dahinter sind deutlich besser geworden.

    Auch auf Kopfhörern bemerkst du den Wechsel, wenn der Assistent deine Musik steuern soll. Die meisten Alltagsfunktionen sind standardisiert. Wenn du einen bestimmten Spotify-Playlist-Befehl hattest, der immer zuverlässig funktionierte, kann es kurze Anlaufschwierigkeiten geben, bis Gemini deine Sprachmuster lernt.

    Ein leiser Abschied mit Strategie

    Der Abschied von Google Assistant ist kein plötzliches Ereignis, sondern ein orchestrierter Prozess. Google verspricht eine „sanfte Umstellung“, aber die Botschaft ist klar: Es gibt kein Zurück. Der Konzern migriert die Nutzerbasis auf die neue Technologie, bevor die Verantwortung für die Qualität offiziell an Gemini übergeht.

    Dass Gemini den Google Assistant ersetzt, steht fest. Offen ist, wie schnell sich die Funktionslücken schließen lassen, die im Alltag auftreten. Die Frist läuft und betrifft Millionen Geräte. Google kommuniziert den Wechsel als Verbesserung, nicht als Abschied.

    Das Muster ist bekannt: Produkte werden eingestellt, nicht weil sie schlecht sind, sondern weil sie Platz machen müssen. Der Google Assistant war ein Assistent für eine bestimmte Ära. Jetzt beginnt die nächste. Für Nutzer heißt das, sich rechtzeitig mit einem Thema vertraut zu machen, das bald Standard ist: Gemini ist nicht mehr nur eine Option, sondern die Basis der Interaktion mit dem Smartphone. Der September 2026 ist das offizielle Ende, der eigentliche Übergang beginnt heute.

    Quelle: 9to5google.com

  • Inference Hooks: So bringt Claude Enterprise Data Loss Prevention in Echtzeit

    Inference Hooks: So bringt Claude Enterprise Data Loss Prevention in Echtzeit

    Viele Sicherheitsteams denken, Data Loss Prevention setzt erst nach dem Prompt an. Die Inference Hooks von Claude Enterprise zeigen: Kontrolle ist direkt am Eingang möglich, bevor ein Token das Modell erreicht.

    Das ist eine andere Logik. Statt nachträglich zu prüfen, was herauskommt, wird jeder Eingang vorab gefiltert. Für deine Compliance-Strategie ist das relevant. Dieser Beitrag erklärt, wie Anthropic mit den Inference Hooks eine inline DLP-Schicht für alle Claude Enterprise Oberflächen etabliert hat – und warum Sicherheitsverantwortliche das nicht ignorieren sollten.

    Was sind Inference Hooks und warum jetzt?

    Bisher galt: Der Prompt geht hinein, die Antwort kommt heraus, alles danach ist Monitoring. Wer verhindern wollte, dass vertrauliche Daten an ein externes KI-Modell gelangen, nutzte Netzsperren oder manuelle Prozesse. Ineffizient und lückenhaft. Mit Inference Hooks zieht Anthropic die Kontrollinstanz direkt vor die Modellinferenz. Jeder Prompt, den ein Mitarbeiter über Claude Chat, Claude Code oder Claude Cowork sendet, läuft zuerst durch einen firmeneigenen Sicherheitsserver.

    Dieser Server – Technik aus dem Webhook-Umfeld – entscheidet in Echtzeit, ob die Anfrage erlaubt ist. Erst nach einem positiven Verdict nimmt das Modell die Arbeit auf. Damit schliesst sich eine Lücke, die bisher nur für Claude Code über clientseitige Hooks geschlossen war. Nun gilt die gleiche Absicherung für alle Enterprise-Surfaces mit einem zentralen Enforcement-Layer. Du brauchst keinen separaten Agenten pro Produkt, sondern eine gemeinsame Schleuse.

    So funktioniert die WebSocket-Verbindung

    Technisch läuft jeder Inference-Request über eine signierte WebSocket-Verbindung. Dein Unternehmen betreibt einen eigenen DLP-Server – oder nutzt einen bestehenden Dienst von Anbietern wie Netskope, Palo Alto Networks, Proofpoint oder Zscaler. Claude sendet den Prompt samt Kontext über diese gesicherte Leitung an den Server, bevor die Generation beginnt.

    Der Server antwortet mit einem Verdict: „Allow“ oder „Deny“. Claude führt seine Aufgabe nur nach Erhalt dieses Signals aus. Ist der Server nicht erreichbar oder antwortet zu langsam, legst du eine Fehlerstrategie fest. Die WebSocket-Verbindung ist kein simpler Kanal – sie ist signiert und verhindert Manipulationen von aussen. Genau das ist das Stichwort WebSocket Security im Kontext von Claude Enterprise.

    Tool-Calls werden ebenfalls geprüft. Greift ein Agent auf MCP-Connectors, Skills oder Plugins zu, wird die Antwort vom Tool über den Sicherheitsserver geschickt, bevor sie ans Modell zurückfliesst. Das erweitert die Kontrolle auf den gesamten Arbeitsfluss – nicht nur auf den Text-Prompt.

    Warum die Tool-Call-Inspektion entscheidend ist

    Sicherheitslücken entstehen oft nicht durch den Prompt selbst, sondern durch Nebenläufigkeiten: Ein Agent liest eine Datei, ruft eine API auf oder interagiert mit einem Datenbanksystem. Dort gelangen sensible Informationen unbemerkt ins Modell. Die Tool-Call-Inspektion ist deshalb ein Kernstück der Inference Hooks. Jedes Ergebnis eines Tool-Aufrufs wird vor der Weiterverarbeitung durch deinen DLP-Server gejagt.

    Diese Zwischenprüfung erlaubt Textfilter und das Erkennen strukturierter Daten – etwa API-Keys, Sozialversicherungsnummern oder Finanzdaten. So steuerst du das Verhalten des Agents wie eine interne Zugriffskontrolle für jeden Befehl. Das ist ein grosser Schritt in Richtung „inspect prompts before Claude“ – und ein Argument, das in jeder CISO-Entscheidung Gewicht hat.

    Die Implementierung ist offen gelegt: Das Protokoll basiert auf Webhooks mit einem publizierten Schema. Du kannst eigene Regeln definieren oder bestehende DLP-Lösungen anbinden, ohne auf proprietäre Schnittstellen angewiesen zu sein. Diese Offenheit ist für Sicherheitsverantwortliche wertvoll, denn sie ermöglicht Integrationen mit Systemen, die im Unternehmen bereits etabliert sind.

    Integration in bestehende DLP-Programme

    Der grösste Vorteil ist die Kompatibilität mit dem, was du schon hast. Viele Unternehmen betreiben DLP-Systeme von etablierten Herstellern. Inference Hooks sind so konzipiert, dass dein bestehender Server – egal ob von Netskope, Palo Alto Networks, Proofpoint oder Zscaler – als Ziel für die WebSocket-Verbindung dient. Das veröffentlichte Schema erlaubt sogar, einen hauseigenen Sicherheitsserver zu bauen, wenn du die Kontrolle vollständig behalten willst.

    Diese Flexibilität ist kein Zufall. Anthropic weiss, dass Sicherheitsteams keine zusätzlichen Silos brauchen. Stattdessen soll ein zentraler Kontrollpunkt entstehen, der für alle KI-Oberflächen gilt. Dadurch entsteht ein „Claude Enterprise Compliance Checkpoint“, der sich nahtlos in die bestehende Sicherheitslandschaft einfügt – von der Revision bis zur Data-Loss-Prevention-Strategie.

    Die Aktivierung erfolgt organisationsweit. Du schaltest die Inference Hooks einmal auf Unternehmensebene an, und sie greifen für Claude Chat, Claude Code, Claude Cowork und alle weiteren Enterprise-Produkte. Das spart Integrationsarbeit und vermeidet Lücken, die durch unterschiedliche Konfigurationen einzelner Abteilungen entstehen könnten.

    Rollout, Shadow Mode und Kontrolle

    So mächtig eine solche Sperre ist, die Einführung in einem grossen Unternehmen will durchdacht sein. Anthropic hat deshalb mehrere Hebel eingebaut, um den Rollout sanft zu gestalten. Du startest mit einem Shadow Mode, der alle Anfragen inspiziert, aber niemals blockiert. Das liefert Daten darüber, welche Inhalte auftauchen, bevor du restriktiv eingreifst.

    Prozentuale Rollouts sind möglich – zum Beispiel nur 5 % der Mitarbeiter unterliegen zunächst dem vollen Enforcement, der Rest läuft im Shadow-Modus. Rollen-basierte Ausnahmen gibt es auch: Eine Gruppe mit besonders vertraulichen Daten kann strenger überwacht werden als das Marketing-Team. Diese Granularität hilft, Fehlentscheidungen zu vermeiden und Widerstände gegen die neue Policy zu reduzieren.

    Wichtig sind die Einstellungen für Failover: Du definierst Timeouts und Toleranzwerte, damit ein Ausfall deines DLP-Servers nicht den gesamten KI-Betrieb lahmlegt. Vielleicht willst du in solchen Fällen alles blockieren – oder mit einer Warnung durchlaufen lassen. Die Wahl liegt bei dir, basierend auf dem Risikoappetit deiner Organisation. Das ist gelebter „Claude Security Server Enforcement“ – kein starres Gefängnis, sondern ein steuerbarer Filter.

    Was das für Compliance und Praxis bedeutet

    Unternehmen mit strengen Compliance-Auflagen – etwa im Finanz-, Gesundheits- oder Rechtswesen – finden in Inference Hooks einen entscheidenden Baustein. Sie erlauben, KI-Nutzung aktiv zu beaufsichtigen, ohne die Produktivität zu killen. Die Kontrolle setzt an der Quelle an: Bevor Daten irgendwo hinfiessen, werden sie geprüft. Das reduziert das Risiko von Datenlecks massiv und verschafft dem Security-Team Sichtbarkeit, die vorher unmöglich war.

    Die erste Umsetzungsrunde läuft bereits: Bandwidth, ein Telekommunikationsanbieter, hat die Funktion in einer Beta getestet. Laut Andrew Grimmett, Vice President of Information Security, können sie damit „sicher schneller mit AI arbeiten, ohne die Kontrolle abzugeben“. Hinter solchen Aussagen steht auch Vertrauen in die eigene Fähigkeit, KI sicher einzusetzen.

    Die Beta ist ab sofort für Claude Enterprise-Kunden verfügbar. Wer nicht auf eine fertige Lösung warten will, kann sich die Doku anschauen und eigene Regeln definieren. Sicherheitsvendoren können auf Basis des offenen Schemas eigene Integrationen bauen – das erweitert das Ökosystem. Für dich als Sicherheitsverantwortlichen heisst das: Die Werkzeuge sind da, um KI-Nutzung proaktiv zu gestalten, statt sie im Nachhinein zu verteidigen.

    Das Modell ist keine Blackbox mehr, die alles verschluckt. Mit Inference Hooks wird daraus ein kontrollierter Dialog, bei dem jede Anfrage an deiner Sammelstelle vorbeiführt. Diese Pragmatik schätzt man im Enterprise-Kontext – und sie ist der Grund, warum diese Funktion mehr ist als ein Sicherheits-Add-on. Sie bildet die Grundlage für vertrauenswürdige KI-Nutzung in deinem Unternehmen.

    Quelle: claude.com