Claude Opus 5.5, GPT-6 Sol, and Autonomous AI Agents Put to the Test

Claude Opus 5.5 ist da, nur zwei Stunden später schießt OpenAI mit GPT-6 Sol und GPT-6 Luna zurück. Doch Opus 5.5 ist seit langem mal wieder ein richtig großes und wirklich gutes Update. Wer Opus 4.6 noch kennt und geliebt hat, wird sich bei 5.5 wie zu Hause fühlen, heißt es. Und das Modell schlägt sogar ein Fable Prics Fable 5.1, obwohl es deutlich günstiger ist. Also, was kann es wirklich in der Praxis und was übersehen dabei die meisten? Genau das schauen wir uns gleich gemeinsam an, sowie alle weiteren KI-News wie das Claude diese Woche fast im Alleingang eine molekulare Maschine entdeckt hat, die laut Dario Amodei einen völlig neuer Mechanismus für Gen-Editing sein könnte, inklusive seiner These, dass die Biologie gerade denselben Sprung macht, wie zuvor die Mathematik oder Meta mit Muse Charm, einem KI-Agenten zum Anhängen an den Schlüsselbund und eine VR-Brille, die sich direkt mit Apples Vision Pro anlegt. Diese Woche war mal wieder einiges los in der KI-Welt und ich fasse, wie jede Woche seit jetzt über zweieinhalb Jahren alle wichtigen Updates für die Praxis zusammen. Heute direkt aus der Brennkammer der KI-Entwicklung hier in San Francisco, sowie einigen spannenden Live-Updates gleich, wie Opus ja, hier vor Ort in den ganzen Supermarkt schmeißt und alleine steuert und leitet. Das habe ich mir nämlich angeschaut. Da springen wir gleich auch rein, sodass du den entscheidenden Vorsprung hast, um Kosten zu sparen, mehr Geld zu verdienen. Mein Name ist Leonard Schmedding, also starten wir direkt rein. Also Enfropeck nennt Opus 5.5 das erste Modell der neuen Claude 5.5 Familie, was uns schon zeigt, dass es sehr bald sicher auch schon Sonnet 5.5, Haiku 5.5, das lässt ja auch schon lange auf sich warten, geben wird. Und sie schreiben selbst, es arbeite bei den meisten Aufgaben auf dem Niveau von Claude Fable 5.1, kostet im Betrieb aber nur 40% weniger als Opus 5. Wenn man die Zahlen jetzt mal nebeneinander legt, ist das sogar noch untertrieben. Im Terminal Bench 4.0 beispielsweise, dem Test für Agentic Coding kommt Opus 5.5 auf 66,4%, während Fable 5.1 bei 55,8 und GPT-6 Astra bei nur 57,9% liegen. Im Cursor Bench 4.0 sind es 57,8 gegenüber 51,8% bei Fable und auch bei der Wissensarbeit, dem GDP well beispielsweise, bei Humanity's Last Exam und auch bei Computer Use im OS World 2.0 liegt das neue Opus vorne. Nur bei automatisierten Business Workflows und bei agentischer Forschung behält Astra noch etwas die Nase vorn. Ja, und wie dieser Nutzer hier schreibt, wenn du Opus 4.6 mochtest und es geliebt hast, damit zu arbeiten, so ging es mir elicher Weise auch. Also für mich war 4.7, 4.8 und auch fünf nicht so wirklich ein richtiges Upgrade gegenüber 4.6. Also 4.6 war so bis dato auch mein persönliches Lieblingsmodell von Enfropeck. Und Ado schreibt hier eben, Opus 5.5 fühlt sich wie nach Hause kommen an. Ob das wirklich so ist, das müssen wir uns jetzt mal in der Praxis anschauen. Dieser Nutzer hier beispielsweise zeigt Sketch to Simulation mit Opus 5.5, das ist schon durchaus beeindruckend. Also von der Handzeichnung hin zu einer richtigen Simulation. Und das kann man ja auch übertragen auf zahlreiche Geschäftsanwendungsfälle im Bereich der technischen Zeichnung, Architektur, Interieur Design, aber auch im Bereich Storytelling. Also Erklärvideos oder ganze Filme. Meine persönliche These, ne, also wenn wir nur das hier sehen, lautet: die Image- und die Videomodelle, die werden immer weniger wichtig. Die werden gefressen von ThreeJS letztendlich, ja, also einfach ThreeJS und Blender 8 Stunden lang laufen zu lassen mit Opus 5.5 erzeugt nahezu bessere Ergebnisse als viele Videomodelle da draußen. Wie auch diese 3D-Visualisierung hier zeigt einer interaktiven Kamera Linse, die ein User gebaut hat und er hier fasst es auch perfekt zusammen. Also er hat mehrere Agents laufen lassen und ein komplett eigenes CRM-System gebaut mit Opus 5.5 oder auch dieses Beispiel hier, ein Erklärvideo, an dem vier Agents anderthalb Stunden lang autonom gearbeitet haben. Ja, auch Andon Labs hat das mal ganz konkret bemessen. Andon Labs ist relativ interessant dahingehend, als dass sie eben unabhängige Benchmarks fahren, die weniger ganz konkrete Aufgaben sind, sondern viel mehr realwirtschaftliche Aufgaben, wie eben autonom einen Automaten Business zu betreiben mit Vending Bench eben. Interessant dabei ist, dass das neue GPT-6 Sol dabei am besten abschneidet mit Abstand und gleichzeitig günstiger ist und das Opus 5.5 wird in dieser Aufgabe wiederum sogar schlechter ist als Opus 5, wohingegen Opus 5.5 aber sehr gut ist. Ist eben gerade in den Bereichen, die wir gerade eben schon gesehen haben, 3D Welten bauen, ja und 3D Visualisierungen. Das messen die mit Blueprint Bench beispielsweise und zwar geht es darum aus Innenfotos einer Wohnung einen 2D Grundriss zu konstruieren. Konkret bekommt der Agent pro Wohnung etwa 20 Innenfotos und soll daraus einen Plan erzeugen mit Räumen, ja Türen, Durchgänge, relativen Größen. Grobe Orientierung getestet werden dabei 50 Wohnungen nebeneinander. Der Agent hat ein persistentes Notepad, damit er Strategien und typische Layout-Muster über Wohnungen hinweg mitnehmen kann. Ja und das wird dann eben bewertet und dabei schneidet Opus 5.5 am besten ab. Und Andon Labs, die haben das sogar noch weiter getrieben und zwar haben die hier in San Francisco einen Supermarkt, besser eine Boutique laufen, die von Opus 5.5 jetzt betrieben wird. Und das habe ich mir mal vor Ort angeschaut. Also was hat es mit Andon Market auf sich und wie gut funktioniert das wirklich schon? What exactly is the AI managing in this shop here? So it buys the products and manages the employees. Can you give a overview about everything the AI is managing here? So it's basically everything here. Everything is like all the products on the shelves, all the prices are set by the AI, it made job postings on different platforms, hired people working here, because obviously the AI doesn't have a physical body, so to accomplish the physical tasks here, it hired someone that it manages. It writes to them in Slack and then with instructions just as like a normal manager would and then everything behind the scenes, like the Twitter profile, the Instagram profile and everything. So it's basically everything. Ja, und Luna trifft hier wirklich jede operative Entscheidung in diesem Land. Das bedeutet all die Gegenstände, alle die Produkte, die hier ausgestellt sind, die ich hier tatsächlich so kaufen kann. Natürlich auch die Bücher, die jetzt hier zum Verkauf angeboten werden, das ist auch schon relativ interessant und bezeichnet. Wenn wir uns das mal anschauen, z.B. ja, es ist The Singularity is Near von Ray Kurzweil. Das heißt, der Agent hat hier natürlich einen gewissen Bias oder gewisse Vorlieben oder vielleicht auch einfach ein gutes Zielgruppenverständnis, was für Leute sich in der Bay Area denn so rumtreiben und ja, das ist ja wirklich interessant, also man lässt dem Agent hier wirklich maximalen Freiraum in den Entscheidungen. Was auch ein ganz spannender Punkt ist, hier steht jetzt zum einen roher Honig, was ich auch gesehen habe, sind Kerzen beispielsweise und die Kerzen hier sind tatsächlich der Kassenschlager. Also Andon hat es sogar den möglichen Move 37 genannt. Das kennen wir ja alle noch von AlphaGo, also dieser unerwartete Schachzug, der sich am Ende dann als der oder Go-Move besser gesagt an als der strategisch überraschende, aber tatsächlich der sinnvollste herausstellt, weil die Kerzen hier tatsächlich relativ profitabel sind. Was wir uns jetzt aber noch mal ein bisschen näher anschauen können, ist und zwar, was der Agent denn hier eigentlich schon so einen Umsatz produziert und zwar ist er ja gestartet, man was ist überhaupt gemeint mit Agents? Ja letztlich sind das immer die neuesten Claude-Modelle. Das heißt jetzt in diesem Moment wird der Laden sehr wahrscheinlich von Opus 5.5 betrieben und eine ganze Zeit lief er über Opus 4.8. Das war dann auch so der Zeitpunkt, ab dem der Laden schon etwas besser lief. Der ist nämlich gestartet mit 100.000 US-Dollar Startkapital und nach etwa vier Monaten, also im April ist es jetzt gestartet und im August steht der Laden bei etwa nur noch 53.000 US-Dollar Bankkontobestand. Ja, das heißt der Agent ist aktuell noch hart im Minus. Vor allem, wenn wir uns noch die Token Kosten anschauen, die dabei entstehen, die darf man natürlich auch nicht vernachlässigen, aber Andon sieht das Ganze wirklich ziemlich gelassen, weil man sagt: ja, das ist jetzt halt einfach ein Experiment, natürlich sind die Modelle noch nicht ideal. Wir sehen ja auch hier bei mir jetzt gerade im Hintergrund, es gibt ja noch Menschen, die hier tatsächlich arbeiten, eine Kassiererin ist da. Ich schätze mal, das sind eher Sicherheitsaspekte, weshalb der Mensch dann hier tatsächlich noch gefragt ist, weniger, weil er tatsächlich benötigt wird. Die ganzen Entscheidungen werden letztendlich von Luna getroffen und das ist ja durchaus wirklich wichtig zu betonen. Also man sieht das hier wirklich als Experiment, man möchte fortschrittlich sein, man möchte auch einfach mal ausprobieren, was ist denn heute alles schon möglich mit KI und nimmt dann natürlich auch Stück weit in Kauf, dass nicht alles perfekt ist und die Agents erstmal lernen müssen, weil das Kontextfenster ja letztlich noch relativ klein ist. Und das zeigt, KI ist mittlerweile auch an dem Punkt, tatsächlich Unternehmen dann voranzubringen und auch Menschen operativ zu steuern, aber der Caveat hierbei ist natürlich, dass das immer noch ausgehen muss von dem Input des Founders oder der Founder, die aus Schweden kommen im Übrigen, denn ein Pandor dazu. Läuft auch in Stockholm. Also in Stockholm gibt es die Andon das Andon Café. Das ist ja hier der Andon Boutique Markt und das läuft auch schon ziemlich erfolgreich. Also in einer kürzester Zeit der ersten Woche in diesem Café in Stockholm haben die Agents dort mit zwei Baristas, ja, zwei Menschen Baristas 44.000 Kronen erwirtschaftet. Also auch das läuft jetzt Stück für Stück an und das Interessante hierbei ist wirklich auch, weshalb es mir wichtig war, hier wirklich mal vor Ort zu sein, das mal richtig aufzusaugen, wie die neue Welt funktionieren wird. Natürlich läuft noch nicht alles perfekt und man sagt ja auch, natürlich ist es erstmal alles noch ein Experiment und es ist völlig in Ordnung, wenn der Agent noch nicht wirtschaftlich ist, aber das ist letztendlich die Zukunft. Also wenn dich solche Einblicke interessieren, dann schau unbedingt mal bei meinem persönlichen Kanal, Leonard Schmedding heißt der, vorbei, einfach bei YouTube eingeben oder im Link in der Videobeschreibung. Dort zeige ich dann die ganze Version davon. Also wirklich unfassbare Einblicke hier vor Ort bei Andon Market, wie ein Agent Luna, ja, den ganzen Shop autonom schmeißt und vor allem was das für dich und was das für Geschäftsmodelle, was das für Unternehmen bedeutet. All die Schlussfolgerungen und die volle Version bekommst du auf meinem Zweitkanal kostenfrei, also einfach bei Leonard Schmedding mal vorbeischauen, sowie auch die vielen weiteren Eindrücke hier aus San Francisco und dem Silicon Valley der nächsten Tage. Ja ein interessanter Hinweis kommt noch von Nathan Lambert und zwar welchen Reasoning Effort solltest du denn einstellen und er konstatiert abermals über die Benchmarks im agentic Coding, vor allem das Medium Effort besser ist, also effektiver, als High und auch als Extra High. Das hatten wir bei den letzten Modellen fehlerweise auch schon bei Astra. Also alle sollten wissen, dass der Medium Effort the way to go ist und eben High und Extra High nahezu vollständig vermieden oder nur sehr gezielt und sehr bewusst ausgewählt werden sollten. Selbst der Max Effort bietet keinen zusätzlichen Mehrwert, er performt exakt gleich wie Medium, ist dabei aber deutlich deutlich teurer. Also einfach auf Medium nutzen und auch super interessant mit Hinblick auf Token Effizienz und zwar, dass du jetzt mid session den Effort wechseln kannst, ohne Prompt-Caching Probleme zu bekommen. Alle, die das Video Claude Kostenoptimierung und den Claude Kostenoptimierungsreport kannst du dir auch kostenfrei sichern, gesehen haben, die wissen das, da habe ich nämlich gesagt, niemals innerhalb einer Session den Reasoning Effort wechseln. Warum? Weil dann der Prompt-Cache zurückgesetzt wird und das sorgt dafür, dass du deutlich mehr Tokens verbrauchst als du müsstest für nahezu null zusätzlichen Mehrwert, aber das ist jetzt gelöst mit Opus 5.5. Also du kannst jetzt auch innerhalb der Session entsprechend wechseln und ja, Claude Code wird jetzt auch den richtigen Stopppunkt wählen, wenn du innerhalb einer Session das 5-Stunden Limit reißt, das heißt, es wird erstmal warten, bis die Aufgabe abgeschlossen ist, als mitten drin abzuschwenken. Also durchaus ein charmantes Quality of Life Upgrade in Claude Code und ja, OpenAI hat nachgezogen mit GPT-6 Sol und GPT-6 Luna, auch das eher kleine Updates, die nicht wirklich mithalten können. Also man munkelt hier auch schon, dass OpenAI tatsächlich stark überrascht wurde vom Opus 5.5 Update, wobei ich halt sagen muss, man hält sich wahrscheinlich einiges für den OpenAI Developer Day nächste Woche zurück. Von dort werde ich selbstverständlich auch berichtigen. Ich gehe stark davon aus, wir könnten, ja, einen Astra 6.1 beispielsweise schon sehen oder eben auch größere Updates, einen Muse Konkurrenten, einen Meta-Muse Konkurrenten erwarte ich dort beim Developer Day, da werde ich natürlich hier vor Ort aus San Francisco vom Developer Day berichten. Ja, aber trotzdem, die Modelle haben jetzt einen IQ von über 150, von 151 im Mensa Norway Test und haben die ganze Benchmark, den ganzen IQ-Test damit vollständig saturiert. Das heißt, ja, wenn deine Arbeitsaufgaben keinen IQ von 150 und mehr erfordern, ist es sehr wahrscheinlich, dass die Modelle ein Großteil davon heute schon übernehmen könnten. Deswegen, Marcel, ordne das bitte mal in die Praxis ein, wie gut laufen die Modelle, also Opus 5.5 und GPT-6 Sol, denn wirklich schon in realen Arbeitsaufgaben. Ich habe gestern zwei KI-Modelle gegeneinander antreten lassen. Einmal Opus 5.5 hier links und einmal GPT-6 Soul hier rechts. Die Aufgabe war es aus einem ganz normalen Grundriss, wie man es von jedem Makler bekommt, wie in diesem Beispiel hier da von einem 2-Zimmer-Bungalow, ein begehbares 3D Modell zu bauen. Die beiden Modelle sollten anhand nur dieses Bauplans, einmal in Blender ein 3D Modell bauen, wo die Wände gesetzt werden, die Fenster und dann später dieses 3D Modell begehbar machen mit Hilfe der Unreal Engine. Im späteren Verlauf sollten dann die 3D Modelle von den Modellen jeweils mit Möbeln von IKEA ausgestattet werden. Die spannendste Frage tatsächlich ist nicht, wann ein Modell das erste Ergebnis geliefert hat, sondern wann ein Modell gesagt hat, dass es mit der Aufgabe komplett fertig ist. Opus 5.5 hat für die gesamte Aufgabe nur 2 Stunden und 51 Minuten gebraucht. GPT-6 Soul wiederum hat insgesamt 13 Stunden und 46 Minuten da dran gearbeitet, da beide Modelle ganz klar die Anweisung bekommen haben, dass heute in der Früh um 8 Uhr die Deadline ist. GPT-6 Soul hat dementsprechend so lange bis um 8 Uhr in der Früh gearbeitet. Opus 5.5 wiederum hat bereits nach 3 Stunden das fertige Ergebnis geliefert. Schauen wir uns einmal die Kosten an, welche bei diesem Modellvergleich entstanden sind. Und zwar sehen wir hier schon Claude beispielsweise mit Opus 5.5 hat insgesamt 803 Millionen Tokens gebraucht, wobei GPT-6 nur 167 Millionen Tokens benötigt hat. Sprich, Opus 5.5 hat insgesamt 4,8 mal mehr Tokens benötigt als wie GPT-6 Soul. Doch noch deutlicher wird es, wenn wir uns das Ganze in der zweiten Zeile ansehen und zwar welche Tokens von dem Modell jeweils selber geschrieben worden sind. Und auch hier stellen wir fest, dass Opus 5.5 14 mal so viel Tokens selber geschrieben hat, als wie GPT-6 Soul. Unterm Strich hat uns also das Ergebnis mit Opus 5.5 insgesamt 199 Dollar und 13 Cent gekostet, wobei das Ergebnis mit GPT-6 Soul uns nur 68,36 Dollar gekostet hat. Bei GPT stehen da immer jeweils zwei Werte und das hat einen Grund. Open AI verlangt ab 272.000 Tokens pro Anfrage den doppelten Satz und zwar für die komplette Anfrage, nicht nur für den Teil darüber. Bei unserem Lauf lagen 338 von 436 Anfragen über dieser Grenze und genau deshalb ist GPT hier nicht fünfmal günstiger, wie es die Listenpreise vermuten lassen, sondern nur dreimal so günstig im Vergleich zu Opus 5.5. Doch schauen wir uns nun einmal die Ergebnisse der beiden Modelle an. Opus 5.5 hat uns hier rechts den Grundriss gezeigt. Wir haben hier unten einmal den Punkt, dass wir sehen, wo befinden wir uns in welchem Raum und unter anderem auch, wo geht gerade unser Blick hin. Scrollen wir ein bisschen weiter nach unten, sehen wir weitere Informationen zu den IKEA Möbeln, welche bereits schon in dem 3D-Modell verwendet werden. Die Dokumentation der gesamten Etappen, welche abgearbeitet werden sollten. Hier können wir einmal das 3D Modell über dem Plan uns anzeigen lassen, wie die Tastatur und die Maus eingebunden wurde und hier noch ein paar Informationen bzw. Screenshots aus dem Testing. Okay, wir sehen auch hier direkt, wie wir das Ganze starten können. Wir sollen einfach einmal in das Bild hineinklicken, dann starten wir doch direkt mal die Navigation. Wir sehen auch bereits, wenn wir uns bewegen, wie der Punkt und auch die Perspektive sich verändert, was hier sehr cool gelöst wurde, man kann über jedem Möbelstück entsprechend sehen, den Preis, die Maße und auch wie dieses Möbelstück bei IKEA heißt. Geben wir nun beispielsweise mal in den Außenbereich, den hat Opus sehr gut umgesetzt. Wenn wir nun wieder reingehen in die Wohnung und jetzt beispielsweise mal in das erste Schlafzimmer uns bewegen möchten, sehen wir auch direkt, welches Mobiliar Opus hier gewählt hat für diesen Raum, hat sogar noch ein Bücherregal hinzugefügt. Geben wir nun in das zweite Schlafzimmer direkt nebenan. Okay, hier stellen wir auch schon fest, dass bei beispielsweise jetzt je Raum Opus tatsächlich eine Variation auch eingebaut hat vom Bett. Wechseln wir noch einmal zwischen der Ich-Perspektive und der Übersicht. Heißt, ich kann nun hier noch mal den gesamten Grundriss betrachten und wenn wir uns das einmal hier so anzeigen lassen und mit dem Plan hier rechts vergleichen, sehen wir schon, das wurde durchaus sehr gut übernommen. Das was wir gerade von Opus 5.5 gesehen haben, war einmal das Cockpit im Browser. Jedoch hat Opus 5.5 noch durchaus viel mehr gemacht. Und zwar kann ich jetzt hier direkt nativ auf meinem Mac ein Fenster aufmachen, indem ich selber durch das gesamte 3D-Modell navigieren kann. Noch mal, das Ganze mir anschauen kann, selber im Prinzip die Perspektive eines Roboters habe, also ich sehe hier die Hände, die Beine und ja, kann jetzt hier wiederum durch das Modell hindurch navigieren, die Steuerung ist etwas empfindlicher tatsächlich, aber das ist soweit okay. Kann hier nun auch wieder komplett in die Zimmer hineingehen, sehe auch hier, dass Opus 5.5 genau die gleiche Modelle übernommen hat, was hier jetzt aber tatsächlich noch cool ist, was ich im Browser nicht konnte. Und zwar sehe ich hier unten links, dass ich beispielsweise durch Drücken der Enter-Taste die Möbel durchsuchen kann und beispielsweise weitere hinzufügen kann. Sehen hier auch direkt den Preis für das Ganze, die Maße, die Artikelnummer sogar und ja, setzen jetzt einfach einmal das Möbelstück hier direkt vor uns hin. Okay, er hat jetzt einfach hier das Möbelstück, die Couch, die zuvor dort stand hier hingesetzt, durch die Pfeiltasten können wir das Möbelstück bewegen. Ja, Problem ist jetzt hier nur, dass wir uns selber natürlich auch mitbewegen, durch Drücken der Q-Taste und der E-Taste können wir das Möbelstück drehen, mit ein bisschen mehr Feinschliff und ein paar Follow-up Prompts kann man hier mit Opus 5.5 auf jeden Fall auf jeden Fall ein mega Tool bauen für die Inneneinrichtung oder aber auch für Makler, damit diese einfach auf ihrer Webseite beispielsweise 3D Modelle gestalten, welche dann die Interessenten sich ansehen können. Okay, schauen wir uns nun einmal das Ergebnis von GPT-6 Soul an. Hier sehen wir gleich schon mal den Design technischen Unterschied zu Opus 5.5, prinzipiell aber vom Aufbau her ziemlich gleich. Hier können wir uns einmal das 3D Modell noch mal ansehen, wenn wir das jetzt einmal hier gegenüberstellen zu dem Plan sehen wir schon, das wurde durchaus sehr gut übernommen. Dass sich hier um diesen Außenbereich bzw. den Eingangsbereich handelt. Ja, würden wir jetzt so prinzipiell im echten Leben nicht tatsächlich das Bungalow betreten können, aber schauen wir doch einfach mal rein und gucken uns das Ganze einmal hier im Browser an, die Navigation bzw. das Handling ist genau gleich wie auch bei Opus. Jedoch sehen wir schon, dass hier, sage ich mal, nicht wie bei Opus die Preise von IKEA angezeigt werden, die Zimmer ziemlich gleich, äh bzw. sogar identisch befüllt worden sind. GPT-6 hier tatsächlich einfach Wände ausgelassen hat und auch dieser Bereich hier, den sollte es eigentlich gar nicht geben, wenn wir uns das auf dem Plan angucken. Ja, also von der Raumstruktur nicht wirklich sauber übernommen und ich habe hier auch leider nicht die Möglichkeit, beispielsweise noch mal durch ein eigenes Fenster oder eine zweite Interaktionsmöglichkeit, dass wir hier Möbel hinzufügen, also das fehlt tatsächlich komplett. So wirklich schön und logisch ist das Ganze auch nicht gemacht, denn da auch beispielsweise diese Tischplatte hier, die schwebt einfach und GPT-6 Soul muss hier noch ein bisschen mehr nachgefasst werden, damit man wahrscheinlich auf das gleiche Ergebnis kommt wie bei Opus. Ja, kommen wir nun dazu, wer hat was besser gemacht. Opus 5.5 hat ganz klar mit der Funktionalität überzeugt und auch den Grundriss richtig umgesetzt, wobei GPT-6 Soul keine flackernden Wände hatte und ganz klar der Preis, jedoch muss man hier auch sagen, dass man bei GPT-6 Soul noch deutlich höhere Nacharbeit hat. Also unser Fazit, der klare Sieger dieses Vergleiches ist wirklich Opus 5.5. Der ganze Run mit Opus 5.5 war teurer als wie mit GPT-6 Soul, jedoch wenn man überlegt, dass beide genau die gleiche Aufgabe und einen den gleichen Prompt bekommen haben, sind die Ergebnisse hier wirklich massivst unterschiedlich und Opus 5.5 hat die gesamte Aufgabe deutlich besser umgesetzt und hier müsste man wirklich deutlich weniger nacharbeiten, um ein perfektes, wiederverwendbares Ergebnis zu erhalten, je nachdem welchen Bauplan man dann natürlich an das Modell gibt. Ja, wirklich höchst interessante Einblicke, da wundert es auch nicht, dass ein neues Chat GPT Abo wohl bald lanciert wird, ein 500 Dollar Plan, ja, mit dem du dann nochmals mehr Geld ausgeben, aber eben auch noch mehr Token Kontingent herausholen kannst bei Open AI. Aber die Meldung mit der größten Tragweite, die kommt abermals von Enfropeck diese Woche und zwar aus dem neuen Biolab hier in San Francisco und zwar Claude hat eine molekulare Maschine entdeckt, bei der es sich nach Einschätzung des Unternehmens um einen neuen Mechanismus zur Gen-Editierung handeln könnte. Dario Amodei beschreibt den Ablauf wie folgt: Also das Life-Science Team hat ein nur grobes Forschungsfeld vorgegeben, Claude hat daraufhin die Fachliteratur und eine große Menge Genomdaten durchforscht, dabei etwas Interessantes gefunden und anschließend selbst Experimente vorgeschlagen, die das Team dann im Labor durchgeführt hat. Ja ob das biotechnologisch jetzt wirklich einen großen Impact hat, dabei bleibt auch Dario noch vage und offen, aber die eigentliche These hier ist deutlich spannender und zwar sagt er 2023 seien KI-Modelle in Mathematik noch am Niveau eines durchschnittlichen Schülers gescheitert. 2024 haben sie dann bei Wettbewerben der besten Schüler mitgehalten. 2025 erste kleinere offene Probleme gelöst und jetzt Mitte Ende 2026 beginnen sie einige der wichtigsten offenen Probleme der gesamten Mathematik zu lösen und genau diese Kurve sieht ihr nun eben auch in der Biologie, also der Einwand Biologie braucht anders als Mathematik echte Experimente, der zählt für Enfropeck nicht, da Menschen die Experimente gemeinsam mit der KI durchführen und zentrale Ergebnisse innerhalb weniger Wochen prüfen können und am Ende sieht sein Ziel aus dem Essay Machines of Loving Grace die meisten Krankheiten innerhalb von 5 bis 10 Jahren heilbar zu machen. Aber auch aus China im Bereich der lokalen KI, also bei Open Weights Modellen gibt es einige Updates und zwar von Xiaomi mit Mimo Version 2.6 Pro haben wir ein weiteres starkes Open Weights Modell aus China erhalten, welches laut Benchmarks nur knapp hinter GPT-5.6 Sol Max abschneidet und dabei vor allem aber deutlich kostengünstiger ist und das muss man immer im Hinterkopf behalten, auch mit Hinblick auf die neue Qwen 4 Familie. Das bedeutet großes Update von Alibaba, Qwen 4 Max, Flash, Plus und 27B Modelle sind jetzt vorgestellt. Das heißt, das nächste große Update von Qwen 4 ist bald da, was man dabei aber wirklich immer im Hinterkopf behalten muss, wofür können wir diese Open Weights Modelle einsetzen? Ein wirklich sehr guter Artikel diese Woche wurde veröffentlicht von David Cheng, ein Investor, der in China mit einigen Labs gesprochen hat und das kann ich aus meiner Erfahrung vor Ort auch selbst nur bestätigen und zwar der Abstand zwischen Open Weights Modellen und den Frontier Modellen aus den USA, der ist größer als es in den Benchmarks scheint, also mit Opus 5.5 sind es locker wieder sechs Monate, die sich Enfropeck und die sich die US Modelle jetzt vor China katapultiert haben und das liegt und das beschreibt eben auch dieser Artikel, ich verlinke den mal unter diesem Video, beschreibt das sehr gut und zwar liegt das wirklich an dem Chipnachteil, den China hat, also China hat dramatisch weniger Rechenkapazitäten zur Verfügung als die USA und deswegen schreibt eben der David Cheng auch hier, das ist ein enormes Benchmarkmaxxing gibt und wenn man Parität zeigt zwischen Open Weights Modellen und den US Modellen, dann ist die reflexartige Antwort von den eigenen Researchern aus China, dass entweder die Benchmark kaputt ist oder das Benchmarkmaxxing betrieben wird und das zeigt es schon relativ gut, also man ist sich eben dessen bewusst, gerade in Long Horizon Aufgaben, also in Aufgaben in denen Agents wirklich lange wie bei Andon Market, ja, arbeiten sollen und autonom Agentic Workflows ausführen sollen, da sind die chinesischen Modelle einfach weit hinter den US Frontier Modellen, aber das braucht es ja auch gar nicht überall. Also wir setzen unseren Kundenprojekten chinesische Open Weights Modelle gehostet auf eigenen Servern oder auch auf europäischen Cloud-Servern vor allem in automatisierten Workflows ein, ja, also wenn du E-Mail Automation fährst, First Level Support, dann brauchst du ja gar nicht diese Frontier Kapazitäten von dem IQ von 150. Er reicht auch ein IQ von 100 voll und ganz aus und da sind dann die Kostenvorteile eben wieder enorm, und vor allem natürlich die Aspekte der Datensicherheit. Also da kommt es immer drauf an, welchen Use Case habe ich jetzt wirklich vor mir. Und in vielen Fällen reicht lokale KI und reichen die chinesischen Modelle tatsächlich aus. Ja ein interessantes Update gibt es noch von Meta mit Muse Charm, auch Muse an sich war ja wirklich ein durchschlägiger Erfolg, wie es aktuell scheint seitens Meta und ja, jetzt haben sie eben Muse Charm, VR-Brillen und kabellose Audio-Brillen vorgestellt, sowie FDA zertifizierte Hörgeräte und den neuen Muse Agent. Ja, was ist das, also Muse Charm ist ein dediziertes handflächengroßes 5G Hardware Gerät, das speziell dafür gebaut wurde unterwegs mit deinem Muse Agenten zu interagieren und das passt direkt an deinen Schlüsselanhänger, sodass du eine direkte Sprachverbindung zu deinem Agenten hast ohne das Handy herauszuziehen. Ja gleichzeitig gibt es wie gesagt neue VR Glasses, den Muse Agent, den wir jetzt alle natürlich schon kennen, Audio Glasses, Guring 8 und Rayban Meta Gen 3, also ein großes Comeback hier tatsächlich von Meta. Und ja, was passiert grundsätzlich zwischen den USA und China? Der abfressende Blick noch mal darauf, diese Woche hat ja das Treffen zwischen Trump und Chi stattgefunden und gleichzeitig sagen beide Staaten jetzt, nein eine Verlangsamung wird es nicht geben, was auch völlig verständlich ist mit Hinblick auf das, was zum Beispiel der Huawei Vorstand gesagt hat, wir müssen erstmal weiter beschleunigen in China, also wir sind die Nummer 2, wir sehen diese Sicherheitsrisiken, über die gesprochen wird in den USA, die sehen wir überhaupt gar nicht und demnach müssen wir hier erstmal weiter beschleunigen und genauso sieht das eben auch Donald Trump und deswegen ist von ja, einer Durchsetzung des Past of Frontiers nicht auszugehen, guter Weise, wie man tatsächlich sagen muss und künstliche Intelligenz wurde jetzt auch umbenannt und zwar in Super Intelligenz, das ist jetzt die neue Benennungsnorm, nach der man arbeiten möchte in den USA und angeblich hätte Shi dem auch zugestimmt, weil es entsprechend super wäre KI, Super Intelligenz zu nennen. Und ja, was macht die Königsfamilie in den UK dahingehend, also Prince Harry warnt erneut und warnt groß, KI wird uns alle töten und fordert jetzt dringende breitflächige Regulierung, genauso wie auch Hillary Clinton, die sich aus meiner Sicht vollständig und brandgefährlich blamiert mit der Aussage, dass ein bis drei Leute mit Open Weights Modellen aus der Garage heraus große Gefahren darstellen für die Öffentlichkeit. Und das ist natürlich völlig abstrus. Also ich erinnere hier immer gerne an die Spam-Mails, weil ich auch immer die Frage bekomme, ja Leo, aber wenn man doch nicht regulieren sollte, ne, also ich sage ja ganz klar, nein, Regulierung wären am Ende uns allen und unsere Freiheit schaden. Es ist ja immer die Frage, gut, mit Hinblick auf welches Ziel, ja, also auf welches Ziel zahlen Regularien oder eben keine Regularien ein? Und keine Regularien, also wenn wir alle Zugriff haben auf Frontier Open Weights Modelle, dann fördert das die Freiheit von jedem Einzelnen und die wirtschaftliche Relevanz von jedem Einzelnen. Und mit Hinblick auf dieses Ziel, dass ich ganz klar befürworte, ist es nicht gut Open Weights Modelle zu regulieren. Und dabei bekomme ich natürlich trotzdem berechtigterweise immer die Frage, ja aber Sicherheitsrisiken, Cyberangriffe, die sind ja da, die kann man jetzt auch nicht klein reden, was ist denn die beste Strategie und die Antwort, die liegt ja auf der Hand. Ja, die hat der HuggingFace CEO jetzt ja auch noch mal erneut bestätigt und unterschrieben, was hatte denn im HuggingFace vorfall, letztendlich HuggingFace dabei geholfen, den Schaden einzudämmen und sich zu verteidigen, Open Weights Modelle, weil sie Zugriff auf GLM Modelle hatten, die sie auf eigenen Servern gehostet haben und ich erinnere hier immer gerne an E-Mails, was war denn in den 2000ern los? Ja, da gab es ja auch riesen Aufstände bezüglich Spam-Mails, also 80 bis 90 % der gesamten E-Mails waren Spam und das Geschrei nach Regulierung war groß, der Gesetzgeber muss sich einschalten, ja, dass eben E-Mails reguliert werden, das hat man dann sogar auch gemacht, also 2004 gab es dann Gesetze, die haben aber alle gar nichts gebracht, außer Bürokratie, riesige Verschwendung an Steuergeldern, was letztendlich dabei geholfen hat, Spam einzudämmen, das waren offene Standards, DKIM, DMARC, SPF, letztendlich Gmail, das hat letztendlich dabei geholfen und genauso ist es auch bei KI-Risiken, die beste Antwort auf KI-Risiken sind Open Weights Modelle und sich mit Modellen zu verteidigen. Ja, also Defensive Co-Scaling und eben nicht staatliche Regulierung. Was ist deine Meinung zu all dem? Lass mich das jetzt gerne mal in den Kommentaren wissen. Ja, und wenn du mehr darüber erfahren möchtest, also wie du selbst lokale KI einsetzen kannst, dann schau mal gerne in dieses Video, da habe ich das nämlich von A bis Z in der Praxis erklärt und wenn du jetzt noch mal übergeordnet auf diese ganze Entwicklung schauen möchtest, wie könnte das ausgehen im Jahr 2035, dann schau mal in dieses neue Video hier rein, dort zeige ich dir fünf ganz konkrete Szenarien von der UN, wie KI im Jahr 2035 enden könnte. Wir sehen uns dann nächste Woche hier aus San Francisco schon direkt wieder vom OpenAI Developer Day. Ich freue mich, dich dort wiederzusehen, bis dahin, mach's gut, dein Leo.