Automatisierte Bewertungsmodelle können den Preis für ein Haus in Sekundenschnelle ermitteln, aber die Bundesaufsichtsbehörden verlangen jetzt von Hypothekengebern und Sekundärmarktemittenten die Durchführung dokumentierter Qualitätskontrollen, wann immer sie eine AVM für eine gedeckte Kredit- oder Verbriefungsentscheidung nutzen. Die Regel trat am 1. Oktober 2025 in Kraft und fügt der älteren Liste der Bedenken in Bezug auf Vertrauen, Manipulation, Konflikte und Exams das Verbot von Diskriminierung hinzu.

Hypothekengeber, die automatisierte Bewertungsmodelle ohne dokumentierte Aufsicht verwendeten, verloren diese Choice am 1. Oktober 2025. Eine Bundesvorschrift verlangt nun von Banken, Kreditgenossenschaften und Sekundärmarktemittenten, formelle Qualitätskontrollen für jedes AVM einzurichten, das in einer gedeckten Kredit- oder Verbriefungsentscheidung verwendet wird, einschließlich eines neuen Nichtdiskriminierungsstandards. Neun Monate später holen viele Institutionen immer noch auf.

Bei einer AVM handelt es sich um eine Schätzung, nicht um eine Bewertung

Ein automatisiertes Bewertungsmodell ist ein computergestütztes System, das den Wert einer Immobilie anhand von Daten wie früheren Verkäufen, Immobilieneigenschaften, vergleichbaren Transaktionen, Standort und Markttrends schätzt. Es handelt sich nicht um ein digitales Gutachten, und die Unterscheidung hat rechtliche Bedeutung. In behördenübergreifenden Beurteilungsrichtlinien heißt es seit Jahren, dass ein AVM-Ergebnis allein nicht den Mindestbewertungsstandards entspricht, wenn eine Beurteilung gesetzlich oder durch Richtlinien vorgeschrieben ist.

Vier Kategorien dienen unterschiedlichen Zwecken, und ihre Zusammenführung birgt Risiken für Kreditgeber: ein verbraucherorientierter Kostenvoranschlag wie ein Zestimate, ein für das Underwriting entwickelter AVM in Kreditgeberqualität, ein Bewertungsverzicht oder ein alternativer Bewertungsprozess sowie ein lizenziertes Gutachten, das von einem zertifizierten Fachmann erstellt wurde. Zillow’s Zestimate gehört zur ersten Kategorie. Zillow selbst beschreibt das Zestimate als automatisierten Kostenvoranschlag und nicht als Wertgutachten und sagt, es könne ein professionelles Gutachten nicht ersetzen. Eine landesweite Genauigkeitszahl für ein kostenloses Verbrauchertool sagt wenig darüber aus, wie ein Kreditgebermodell bei einer ländlichen Refinanzierung oder einer ungewöhnlichen Immobilie abschneidet.

Wie die Modelle einen Wert erzeugen

AVMs greifen auf eine breite Palette von Eingaben zurück: Aufzeichnungen über öffentliches Eigentum, Urkunden- und Transaktionshistorie, Steuerbescheide, Auflistungsdaten, Quadratmeterzahl, Grundstücksgröße, Alter, Anzahl der Schlafzimmer und Badezimmer sowie in der Nähe vergleichbare Verkäufe. Einige Systeme beziehen Nachbarschaftsmerkmale, Preisindizes und Pc-Imaginative and prescient-Analysen von Objektfotos ein.

Anbieter bauen AVMs unterschiedlich und keine einzelne Architektur dominiert die Branche. Zu den gängigen Ansätzen gehören hedonische Regression, Wiederholungsverkaufsmodelle, Vergleichsverkaufsalgorithmen, Gradientenverstärkte Bäume und andere Methoden des maschinellen Lernens sowie Ensembles, die mehrere Schätzungen zu einer kombinieren. Ein hedonisches Modell gepaart mit einem Index für wiederholte Transaktionen ist ein gängiges Design und kein Industriestandard, dem jeder Anbieter folgt.

Die meisten AVMs geben mehr als eine einzelne Zahl zurück. Zu den typischen Ausgaben gehören eine Punktschätzung, ein Konfidenzwert oder eine prognostizierte Standardabweichung, ein geschätzter Wertebereich und bei vielen Produkten eine Liste vergleichbarer Eigenschaften oder der Faktoren, die die Schätzung beeinflussen.

Die Genauigkeit ändert sich mit der Eigenschaft und den Daten

Mit Stand vom 17. Juli 2026 meldete Zillow eine landesweite mittlere Fehlerquote von etwa 1,8 % für auf dem Markt befindliche Häuser und etwa 7 % für nicht auf dem Markt befindliche Häuser. Die Lücke verdeutlicht, wie Listungsinformationen und aktuelle Marktsignale eine Schätzung schärfen können, aber die verbraucherorientierten Zahlen von Zillow belegen nicht die Leistung jedes AVM mit Kreditgeberqualität.

Ein mittlerer Fehler von 1,8 % bedeutet, dass die Hälfte der förderfähigen Schätzungen innerhalb von 1,8 Prozentpunkten des endgültigen Verkaufspreises landet und die andere Hälfte weiter entfernt landet. Die Zahl sagt nichts über die Leistung des Modells bei einer einzelnen Immobilie aus, auch nicht bei der, die ein Kreditsachbearbeiter gerade prüft.

On-Market-Modelle können Listenpreise, Angebotsbeschreibungen und aktuelle Marktaktivitäten einbeziehen – Informationen, die eine Schätzung präzisieren, wenn ein Verkauf näher rückt. Off-Market-Modelle funktionieren ohne Listenpreissignale, daher ist die Genauigkeit für ein denkmalgeschütztes Haus ein schlechter Indikator für einen Kreditgeber, der eine nicht börsennotierte Refinanzierung oder ein ländliches Grundstück bewertet.

Ältere Zahlen, die im Web kursieren, wie beispielsweise eine behauptete 2 % bis 4 % On-Market-Reichweite und 5 % bis 10 % Off-Market-Reichweite für „High“-AVMs, gehen auf gemischte Branchenaggregate und nicht auf eine einzige überprüfbare Studie zurück. Kreditgeber, die einen Anbieter bewerten, sollten nach den rückgetesteten Zahlen des Anbieters oder einer unabhängigen Validierung fragen, nicht nach Zahlen aus einem Blogbeitrag.

Eine Handvoll Begriffe tauchen in jedem ernsthaften Gespräch über Genauigkeit auf:

• Medianer absoluter prozentualer Fehler (MdAPE): die mittlere prozentuale Differenz zwischen der Schätzung eines Modells und dem letztendlichen Verkaufspreis.
• Trefferquote: der Anteil der Schätzungen, die innerhalb einer definierten Spanne landen, z. B. 5 %, 10 % oder 20 % des Verkaufspreises.
• Abdeckung: der Anteil der Eigenschaften, für die das Modell überhaupt eine Schätzung erstellen kann.
• Vertrauenswert: ein herstellerspezifisches Zuverlässigkeitssignal; Die Skalen unterscheiden sich je nach Anbieter und sind nicht direkt vergleichbar.
• Prognosestandardabweichung: die geschätzte Unsicherheit um einen Punktwert.

Die fünf Kontrollen in der Bundesregel

Das OCC, das Federal Reserve Board, die FDIC, die NCUA, die CFPB und die FHFA haben die Regel gemeinsam erlassen. Sie gilt insbesondere für Hypothekengeber und Sekundärmarktemittenten, die ein AVM zur Bestimmung des Sicherheitenwerts für eine gedeckte Kreditentscheidung oder Verbriefungsentscheidung in Bezug auf die Hauptwohnung eines Verbrauchers verwenden. Screening-Instruments, interne Überwachungs-Dashboards und die Schätzung, die ein Immobilienmakler einem Hausbesitzer vorlegt, liegen außerhalb des direkten Einflussbereichs der Regel.

Abgedeckte Institutionen müssen Kontrollen entwerfen, die auf fünf Ergebnisse abzielen:

1. Ein hohes Maß an Vertrauen in die erstellten Schätzungen.
2. Schutz vor Datenmanipulation.
3. Vermeidung von Interessenkonflikten.
4. Stichprobenprüfung und unabhängige Überprüfung.
5. Einhaltung der geltenden Antidiskriminierungsgesetze.

Der fünfte Faktor ist der neueste. Dodd-Frank nannte die ersten vier, als der Kongress das Gesetz im Jahr 2010 verabschiedete. Die Behörden fügten bei der Regelsetzung die Nichtdiskriminierung hinzu. Durch die Ergänzung wurde eine Anforderung zur fairen Kreditvergabe in einen Rahmen für die Datenqualität integriert.

Die Agenturen entschieden sich für eine prinzipienbasierte Struktur gegenüber einer festen Formel. Kein Regeltext legt einen Mindestprozentsatz für die Genauigkeit, eine vorgeschriebene Stichprobengröße oder eine bestimmte Fairnessmetrik fest. Diese Flexibilität ermöglicht es einer Kreditgenossenschaft mit fünf Niederlassungen, ihre Kontrollen anders zu skalieren als einer Nationalbank, die jedes Quartal Hypotheken in Milliardenhöhe verbrieft. Sie bedeutet aber auch, dass die Advertising-Scorecard eines Anbieters allein keinen Beweis für die Einhaltung der Vorschriften darstellt.

Wo Voreingenommenheit in das System eindringen kann

Der Nichtdiskriminierungsfaktor besteht, weil ein auf verzerrten Eingaben trainiertes Modell die in die Daten eingebrannten Muster reproduzieren und manchmal verstärken kann. Die Bundesregulierungsbehörden sind nicht zu dem Schluss gekommen, dass jede AVM diskriminierend ist. Die Sorge ist enger und mechanischer: Trainingsetiketten, die durch historisch ungleiche Märkte, Datenqualitätslücken zwischen Stadtteilen, mit geschützten Merkmalen korrelierte Proxy-Variablen, ungleiche Modellabdeckung und Rückkopplungsschleifen, die Bewertungs-, Kreditvergabe- und zukünftige Transaktionsdaten verbinden, geprägt sind.

Compliance-, Rechts- und Modellrisikoteams kombinieren im Allgemeinen mehrere Prüfungen, anstatt sich auf eine Metrik zu verlassen: Vergleichen von AVM-Schätzungen mit den anschließenden marktüblichen Verkaufspreisen, Aufschlüsselung der Leistung nach Area und Immobilientyp, Untersuchen vollständiger Fehlerverteilungen anstelle eines einzelnen Durchschnitts, Verfolgen von Abdeckungs- und No-Hit-Raten, Testen von Ergebnissen über rechtmäßige demografische und Proxy-Gruppierungen hinweg, Überprüfen der Datenherkunft, Dokumentieren von Überschreibungen und Überwachen von Abweichungen im Laufe der Zeit.

Der Regeltext nennt die Zensus-Tract-Analyse nicht als erforderlichen Take a look at. Die Überprüfung von Volkszählungsgebieten kann innerhalb eines umfassenderen Programms eine nützliche Methode sein, aber die Verordnung geht davon aus, sie oder eine einzelne geografische Einheit als obligatorisch vorzuschreiben.

So bewerten Sie einen AVM-Anbieter

Schieben Sie Ihren Verkäufer an der Verkaufsplattform vorbei. Fragen Sie nach:

• Umfang: die Immobilientypen und Transaktionstypen, für die das Modell erstellt und validiert wird.
• Validierungsverlauf: die Länge der Schulungs- und Validierungszeiträume und ob eine unabhängige Partei die Ergebnisse überprüft hat.
• Segmentierte Genauigkeit: MdAPE, Trefferquoten und Abdeckung, aufgeschlüsselt nach Geografie und Immobilienklasse, kein einziger nationaler Durchschnitt.
• Vertrauenskalibrierung: wie sich der Konfidenzwert auf beobachtete Ergebnisse im Zeitverlauf abbildet.
• Prüfung auf faire Kreditvergabe: Welche Disparitätstests werden in welchem ​​Rhythmus ausgeführt und was passiert, wenn eine Lücke auftritt?
• Datenherkunft: Woher die Eingaben kommen, wie oft sie aktualisiert werden und wie schnell sich eine Korrektur ausbreitet.
• Änderungsmanagement: Was löst eine erneute Validierung nach einer Modell- oder Datenaktualisierung aus?
• Manipulation und Konfliktkontrolle: wer einen Output beeinflussen kann und wie der Anbieter dies verhindert.
• Vertragsbedingungen: Prüfungsrechte und Anforderungen zur Meldung von Vorfällen.
• Fallback-Logik: Was passiert automatisch, wenn eine Immobilie einen niedrigen Konfidenzwert oder gar keine Schätzung zurückgibt?

So verwenden Sie AVMs sicher

Sie reduzieren die Gefährdung, indem Sie Leitplanken rund um das Modell aufbauen und nicht nur bei der Anbieterauswahl. Legen Sie eine Vertrauensschwelle fest, unterhalb derer ein menschlicher Prüfer übernimmt. Eskalieren Sie ungewöhnliche Immobilien, ländliche Parzellen und kürzliche Renovierungen standardmäßig zur manuellen Überprüfung. Validieren Sie den Output des Anbieters anhand Ihrer historischen Daten, bevor Sie ihm im großen Maßstab vertrauen. Führen Sie für Transaktionen mit höherem Risiko mehr als ein Modell parallel aus. Achten Sie auf Abweichungen, wenn sich die lokalen Märkte verändern. Protokollieren Sie jede Außerkraftsetzung mit einem angehängten Grund. Passen Sie die Bewertungsmethode an die Transaktion an, anstatt standardmäßig das Device zu verwenden, das am schnellsten eine Antwort liefert.

Compliance-Checkliste

Größe erfordert Governance

AVMs werden für die Hypothekarkreditvergabe immer wichtiger, weil sie etwas bieten, was Gutachten nicht leisten können: Geschwindigkeit, konsistente Abdeckung und geringere Kosten professional Akte. Die 2025-Regel stellt den Wert, den AVMs bieten, nicht in Frage. Es stellt die Annahme in Frage, dass eine schnelle Schätzung automatisch eine fundierte ist. Kreditgeber, die die AVM-Ausgabe als geregelte Eingabe behandeln, die anhand von Datenqualität, Equity und menschlichem Urteilsvermögen geprüft wird, werden den Normal erfüllen. Kreditgeber, die einen Rating als eine sich selbst bestätigende Antwort betrachten, werden auf die harte Tour feststellen: Schnelligkeit und Zuverlässigkeit waren nie dasselbe.

Die KI-Branche forderte einen Kompromiss zwischen Sicherheit und Leistungsfähigkeit. Claude Fable 5 ist anderer Meinung

Die Benchmark-Tabellen erzählen einen Teil der Geschichte. Die Architektur darunter erzählt ein besseres Bild.

Claude Fable 5 wurde am 9. Juni 2026 als erstes öffentlich verfügbares KI-Modell der Mythos-Klasse eingeführt und verfügt über ein mehr als 1 Mio. Token-Kontextfenster, mehrtägige autonome Agentenfähigkeit und eine Codierungsleistung, die zuvor kein öffentliches Modell erreicht hatte. Die kommerzielle Veröffentlichung erforderte die Lösung eines Issues, das die KI-Branche jahrelang umgangen hat: Wie kann man der Öffentlichkeit Zugriff auf Funktionen der Mythos-Klasse gewähren, ohne ein ungeprüftes System einzusetzen? Die Antwort von Anthropic formuliert neu, wie ein verantwortungsvoller KI-Einsatz aussehen kann.

Der Mythos-Break up: Ein Modell, zwei Produkte

Fable 5 und Mythos 5 basieren auf denselben zugrunde liegenden Gewichtungen. Was sie auszeichnet, ist die Verpackung.

Mythos 5 ist die uneingeschränkte Model, die auf geprüfte Accomplice beschränkt ist, die in den Bereichen Cyberverteidigung und kritische Infrastruktur tätig sind. Claude Fable 5 verpackt das gleiche Modell in speziell entwickelte Sicherheitsklassifikatoren und stellt es jedem Entwickler oder Unternehmen über die Claude-Plattform, AWS, Google Cloud und Microsoft Foundry zur Verfügung.

Ein Klassifikator ist im Sinne der KI-Sicherheit ein separates KI-System, das eingehende Anfragen auf möglichen Missbrauch überwacht, bevor das Hauptmodell antwortet. Fable 5 führt Klassifikatoren in drei Bereichen mit hohem Risiko durch: Cybersicherheits-Exploits, biologische und chemische Forschung sowie Versuche zur Modelldestillation. Wenn ein Klassifizierer eine Anfrage markiert, leitet das System die Anfrage stattdessen an Claude Opus 4.8 weiter. Anthropic berichtet, dass weniger als 5 % der Sitzungen die Klassifikatoren überhaupt auslösen.

Die Architektur ist in einer Weise präzise, ​​die für den tatsächlichen Einsatz wichtig ist. Benutzer werden nicht durch alle Domänen mit einem Modell gehumpelt. Entwickler erhalten bei legitimer Arbeit nahezu die volle Leistung der Mythos-Klasse. Die Klassifikatoren werden nur dann aktiviert, wenn das Risikoprofil Maßnahmen erfordert.

Die Benchmarks: Eine echte Veränderung, keine marginale

Es lohnt sich, die Leistungszahlen im Element zu untersuchen, da sie eher einen strukturellen Wandel als einen inkrementellen Fortschritt darstellen.

Beim SWE-Bench Verified, einem Indikator für die Fähigkeit zur autonomen Softwareentwicklung bei realen Problemen, erreicht Fable 5 95,0 %. Auf dem SWE-Bench Professional, der härteren Variante desselben Benchmarks, erreicht Fable 5 80,3 % gegenüber 69,2 % von Opus 4.8, was einem Abstand von mehr als 11 Punkten entspricht. CursorBench erzielt bei maximalem Aufwand eine Punktzahl von 72,9 %. Fable 5 führt FrontierCode sowohl in der Diamond- als auch in der Predominant-Teilmenge an.

Was bedeutet ein SWE-Bench-verifizierter Wert von 95 % in der Praxis? Das bedeutet, dass das Modell neun von zehn realen Software program-Engineering-Aufgaben korrekt löst, ohne dass ein Mensch in die Schleife eingreift. Für Unternehmensentwicklungsteams stellt die Zahl nicht nur eine schnellere Möglichkeit dar, bestehende Arbeiten zu erledigen. Es stellt eine völlig andere Artwork dar, über technische Kapazitäten nachzudenken.

Die Agentenleistung zeigt eine noch deutlichere Trennung. Der GDPval-AA Elo-Wert von 1.932 von Fable 5 bei der Bewertung realer Arbeitsaufgaben stellt einen bemerkenswerten Sprung gegenüber dem vorherigen Spitzenwert von Opus 4.8 bei derselben Metrik dar. Das Modell belegt den zweiten Platz von 123 Systemen in Bezug auf die Verwendung von Agententools und Computeraufgaben-Benchmarks. Im Synthetic Evaluation Intelligence Index landete Fable 5 auf Platz eins.

Beim Lengthy-Context-Argumentation vergrößert sich die Kluft noch weiter. Beim GraphWalks BFS-Benchmark im 1M-Token-Kontext erreicht Mythos 5 79,4 F1. Opus 4.8 erreicht bei derselben Bewertung 68,1 Punkte. Bei einem 1M-Token-Kontextfenster geht es nicht nur um die Bearbeitung längerer Dokumente. Im 1-Millionen-Token-Maßstab kann ein Modell eine gesamte Unternehmenscodebasis, einen mehrjährigen Forschungskorpus oder einen komplexen Regulierungsrahmen im aktiven Gedächtnis speichern und gleichzeitig über alles nachdenken. Arbeitsabläufe, die eine dokumentenübergreifende Synthese und eine vollständige Codebasisanalyse erfordern, verlagern sich von zeitaufwändigen manuellen Prozessen hin zu direkten Modellaufgaben.

Tagelange Autonomie: Wie es in der Praxis aussieht

Die wichtigste Funktion in Fable 5 erscheint in keinem Benchmark-Diagramm. Dabei handelt es sich um die Fähigkeit des Modells, über längere Zeiträume als autonomer Agent zu agieren.

In Agentensystemen wie Claude Code oder Claude Managed Brokers kann Fable 5 tagelang an mehrstufigen Problemen arbeiten. Das Modell plant phasenübergreifend, delegiert Teilaufgaben an Unteragenten, überwacht den Fortschritt und überprüft seine eigene Ausgabe in jeder Section. Bei OfficeQA Professional, einem Benchmark, der komplexe Dokumentaufgaben testet, die Dateisuche, Websuche, Codeausführung und multimodales Dokumentverständnis erfordern, erreicht Fable 5 57,9 %, das höchste Ergebnis, das bei der Bewertung verzeichnet wurde.

Für Unternehmensteams sind die praktischen Auswirkungen direkt. Eine komplexe Softwaremigration, bei der ein Entwickler zuvor alle 20 Minuten die KI-Ausgabe überprüfen musste, kann jetzt über Nacht ausgeführt werden, wobei Fable 5 den Workflow durchgängig verwaltet. Ein Rechtsteam, das eine Due-Diligence-Prüfung für Tausende von Dokumenten durchführt, kann die Syntheseaufgabe dem Modell übergeben und Schlussfolgerungen prüfen, anstatt Zwischenergebnisse zu erstellen. Ein Produktteam, das ein Multi-Service-System debuggt, kann das Modell auf das Downside ausrichten und zu einer strukturierten Ursachenanalyse zurückkehren, anstatt zu einem halbfertigen Durchgang.

Das Schlüsselwort ist „nachhaltig“. Die Agenten-KI der vorherigen Technology battle in Spitzenzeiten nützlich, beeindruckte bei einstufigen Aufgaben, erforderte jedoch eine ständige menschliche Überwachung bei mehrstufigen Arbeiten. Fable 5 übernimmt die erweiterte autonome Ausführung, überprüft die eigene Arbeit, leitet Unteraufgaben weiter und schließt Projekte ohne menschliches Eingreifen bei jedem Übergang ab.

Der Wandel ist keine Benchmark-Geschichte. Es ist eine organisatorische Geschichte. Unternehmen, die in der Lage sind, mehrtägige Arbeitsabläufe an Fable 5 zu delegieren, werden mit grundlegend anderen Private- und Aufsichtsmodellen arbeiten als Unternehmen, deren KI-Instruments eine stündliche Überwachung erfordern. Die Wettbewerbslücke zwischen Early Adopters und allen anderen wird sich schneller vergrößern, als die meisten Groups erwarten.

Die Sicherheitsarchitektur als Unternehmensmerkmal

Anthropic hat eine 30-tägige Datenaufbewahrungspflicht für den gesamten Datenverkehr der Mythos-Klasse auf den eigenen Oberflächen von Anthropic und auf Plattformen Dritter eingeführt. Das Unternehmen wird die gespeicherten Daten nicht für Modeltrainings oder andere kommerzielle Zwecke verwenden. Das Aufbewahrungsfenster dient dazu, dem Sicherheitsteam die Prüfung von Grenzfällen und die Identifizierung von Klassifikatorfehlern zu ermöglichen.

Unternehmenskäufer, die zwei Jahre damit verbracht haben, KI-Anbietern unangenehme Fragen zur Datenverarbeitung zu stellen, werden die Besonderheit der Verpflichtung bemerken. Ein definiertes 30-tägiges Prüfungsfenster ohne kommerzielle Datenwiederverwendung ist ein deutlicher Unterschied zu den vagen Richtlinien, die die Rechtsabteilungen von Unternehmen bei der Einführung von KI vorsichtig halten.

Die Kontroverse um den Begin von Fable 5 verdient Anerkennung. Anthropic führte zunächst stillschweigende Leistungsbeschränkungen ein, die sich an KI-Forscher und -Entwickler richteten. Nachdem die Forschungsgemeinschaft die Einschränkungen öffentlich bekannt gegeben hatte, änderte das Unternehmen seinen Kurs. Eine intestine konzipierte Sicherheitsarchitektur und eine transparente Sicherheitskultur sind nicht dasselbe. Anthropic hat die technische Architektur richtig hinbekommen. Es bedurfte des öffentlichen Drucks, Klarheit darüber zu schaffen, was die Klassifikatoren tun und wann sie aktiviert werden.

Eine externe Bug-Bounty führte nach mehr als 1.000 Teststunden zu keinem universellen Jailbreak. Ein Partnerunternehmen bezeichnete die Cyber-Schutzmaßnahmen von Fable 5 als die robustesten aller getesteten Modelle. Das Klassiersystem hält sich technisch gesehen.

Preisgestaltung und Unternehmensentscheidung

Mit 10 $ professional Million Enter-Tokens und 50 $ professional Million Output-Tokens kostet Fable 5 doppelt so viel wie Opus 4.8. Der Preis spiegelt die Leistungsfähigkeit wider. Es erzwingt auch eine echte Entscheidung für Unternehmenskäufer.

Bei Workloads, bei denen es auf die Korrektheit beim ersten Versuch ankommt, bevorzugen die wirtschaftlichen Gesichtspunkte Fable 5. Ein komplexes Software program-Engineering-Downside, das in einem Durchgang korrekt gelöst wird, kostet weniger als dasselbe Downside, das mehrere Opus 4.8-Versuche plus menschliche Überprüfung erfordert. Langfristige Agentenarbeit vergrößert den Kostenunterschied professional Aufgabe noch weiter. Modellfehler in einem mehrtägigen autonomen Arbeitsablauf verstärken sich auf eine Artwork und Weise, die dazu führt, dass die Modellqualität die dominierende Kostenvariable ist und nicht der Preis professional Token.

Für einfachere, sich wiederholende Aufgaben mit hohem Volumen bleibt Opus 4.8 die wirtschaftlichere Wahl. Der Preis für Fable 5 ist für Probleme gedacht, bei denen die Kosten für einen Fehler die Kosten für den Token übersteigen.

Die Zukunft, auf die dieses Modell hinweist

Die KI-Branche hat zwei Jahre lang argumentiert, dass Sicherheit und Leistungsfähigkeit im Widerspruch zueinander stehen. Große Labore implizierten auf verschiedene Weise, dass leistungsstärkere Modelle ein höheres Risiko und sicherere Modelle eine geringere Leistung in Kauf nehmen müssten.

Die Architektur von Fable 5 stellt die Prämisse direkt in Frage. Ein SWE-Bench-verifizierter Wert von 95 % in Kombination mit Klassifikatoren, die weniger als 5 % der Sitzungen betreffen, ist keine fähigkeitsbeschränkte Sicherheitsgeschichte. Es ist eine Leistungsgeschichte mit integrierter Präzisionssicherheit.

Das in der Produktarchitektur verankerte Argument von Anthropic lautet, dass die Branche die falsche Frage gestellt habe. Die relevante Frage battle nie: „Wie stark beschränken wir die Möglichkeiten, um sicher zu bleiben?“ Die Frage lautete: „Wie genau können wir Beschränkungen gezielt angehen?“ Auf Mythos-Niveau ist Fable 5 der erste öffentliche Versuch, die richtige Model der Frage zu beantworten.

Die Labore, die Präzisions-Concentrating on beherrschen, werden bis zum Ende des Jahrzehnts definieren, wie eine vertrauenswürdige KI-Infrastruktur aussieht. Mit Fable 5 hat Anthropic den glaubwürdigen Anspruch, der Erste zu sein, der gezeigt hat, dass es in großem Maßstab funktioniert. Das Modell zeigt nicht nur, wohin die KI geht. Es baut die Straße.

Google hat das offiziell veröffentlicht Colab MCP-Servereine Implementierung des Mannequin Context Protocol (MCP), die es KI-Agenten ermöglicht, direkt mit der Google Colab-Umgebung zu interagieren. Diese Integration geht über die einfache Codegenerierung hinaus, indem sie Agenten programmgesteuerten Zugriff zum Erstellen, Ändern und Ausführen von Python-Code in in der Cloud gehosteten Jupyter-Notebooks bietet.

Dies stellt einen Wandel von der manuellen Codeausführung zur „agentischen“ Orchestrierung dar. Durch die Übernahme des MCP-Requirements ermöglicht Google jedem kompatiblen KI-Shopper – ​​einschließlich Claude Code von Anthropic, der Gemini CLI oder benutzerdefinierten Orchestrierungs-Frameworks –, ein Colab-Pocket book als Distant-Laufzeit zu behandeln.

Das Mannequin Context Protocol (MCP) verstehen

Das Mannequin Context Protocol ist ein offener Customary, der das „Silo“-Downside in der KI-Entwicklung lösen soll. Traditionell ist ein KI-Modell von den Instruments des Entwicklers isoliert. Um diese Lücke zu schließen, mussten Entwickler benutzerdefinierte Integrationen für jedes Instrument schreiben oder Daten manuell zwischen einer Chat-Schnittstelle und einer IDE kopieren und einfügen.

MCP bietet eine universelle Schnittstelle (häufig unter Verwendung von JSON-RPC), die es „Shoppers“ (dem KI-Agenten) ermöglicht, eine Verbindung zu „Servern“ (dem Instrument oder der Datenquelle) herzustellen. Durch die Veröffentlichung eines MCP-Servers für Colab hat Google die internen Funktionen seiner Pocket book-Umgebung als standardisierten Satz von Instruments offengelegt, die ein LLM autonom „aufrufen“ kann.

Technische Architektur: Die Native-to-Cloud-Brücke

Der Colab MCP Server fungiert als Brücke. Während der KI-Agent und der MCP-Server oft lokal auf dem Rechner eines Entwicklers laufen, erfolgt die eigentliche Berechnung in der Cloud-Infrastruktur von Google Colab.

Wenn ein Entwickler einen Befehl an einen MCP-kompatiblen Agenten erteilt, folgt der Workflow einem bestimmten technischen Pfad:

1. Anweisung: Der Benutzer fordert den Agenten auf (z. B. „Analysieren Sie diese CSV und erstellen Sie ein Regressionsdiagramm“).
2. Werkzeugauswahl: Der Agent erkennt, dass er die Colab MCP-Instruments verwenden muss.
3. API-Interaktion: Der Server kommuniziert mit der Google Colab API, um eine Laufzeit bereitzustellen oder eine vorhandene zu öffnen .ipynb Datei.
4. Ausführung: Der Agent sendet Python-Code an den Server, der ihn im Colab-Kernel ausführt.
5. Standing-Suggestions: Die Ergebnisse (Standardausgabe, Fehler oder Wealthy Media wie Diagramme) werden über den MCP-Server an den Agenten zurückgesendet, was ein iteratives Debugging ermöglicht.

Kernkompetenzen für KI-Entwickler

Der colab-mcp Die Implementierung stellt einen spezifischen Satz von Instruments bereit, mit denen Agenten die Umgebung verwalten. Für Entwickler ist das Verständnis dieser Grundelemente für die Erstellung benutzerdefinierter Arbeitsabläufe unerlässlich.

• Pocket book-Orchestrierung: Agenten können das verwenden Notesbook Instrument zum Erstellen einer neuen Umgebung von Grund auf. Dazu gehört die Möglichkeit, das Dokument mithilfe von Markdown-Zellen für die Dokumentation und Code-Zellen für die Logik zu strukturieren.
• Codeausführung in Echtzeit: Durch die execute_code Mit dem Instrument kann der Agent Python-Snippets ausführen. Im Gegensatz zu einem lokalen Terminal erfolgt diese Ausführung innerhalb der Colab-Umgebung unter Nutzung der Again-Finish-Computing- und vorkonfigurierten Deep-Studying-Bibliotheken von Google.
• Dynamisches Abhängigkeitsmanagement: Wenn eine Aufgabe eine bestimmte Bibliothek erfordert, z tensorflow-probability oder plotlykann der Agent programmgesteuert ausführen pip set up Befehle. Dadurch kann der Agent die Umgebung basierend auf den Aufgabenanforderungen selbst konfigurieren.
• Persistente Zustandsverwaltung: Da die Ausführung in einem Pocket book erfolgt, ist der Standing dauerhaft. Ein Agent kann in einem Schritt eine Variable definieren, im nächsten ihren Wert prüfen und diesen Wert verwenden, um die nachfolgende Logik zu informieren.

Einrichtung und Implementierung

Der Server ist über erreichbar googlecolab/colab-mcp Repository. Entwickler können den Server mit ausführen uvx oder npxder die Ausführung des MCP-Servers als Hintergrundprozess übernimmt.

Für Entwickler, die Claude Code oder andere CLI-basierte Agenten verwenden, umfasst die Konfiguration normalerweise das Hinzufügen des Colab-Servers zu einem config.json Datei. Sobald die Verbindung hergestellt ist, wird die „Systemeingabeaufforderung“ des Agenten mit den Funktionen der Colab-Umgebung aktualisiert, sodass er überlegen kann, wann und wie die Cloud-Laufzeitumgebung verwendet werden soll.

Kasse Repo Und Technische Particulars. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 120.000+ ML SubReddit und Abonnieren Unser Publication. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Bild vom Autor

# Einführung

OpenClaw ist ein lokaler KI-Agent, der mehr kann als nur chatten. Durch Instruments und Integrationen können echte Maßnahmen ergriffen werden.

Das Herzstück von OpenClaw ist seine Kompetenzsystem. Fertigkeiten sind kleine, modulare Erweiterungen, die Ihrem Agenten beibringen, wie er bestimmte Aufgaben ausführt, z. B. Nachrichten senden, im Web suchen, Daten analysieren oder Arbeitsabläufe automatisieren.

Eine neuere und einfachere Möglichkeit, Fähigkeiten zu installieren, ist durch ClawHubder offizielle Ability-Marktplatz für OpenClaw. Anstatt GitHub-Ordner manuell zu durchsuchen, können Sie Expertise direkt mit einem einzigen Befehl installieren.

In diesem Artikel werden wir einige der beliebtesten und leistungsstärksten OpenClaw-Integrationen und -Fähigkeiten untersuchen, die derzeit verwendet werden. Das Rating basiert auf der Obtain-Aktivität von ClawHub sowie auf meiner eigenen praktischen Erfahrung beim Testen dessen, was in der Praxis am besten funktioniert.

# 1. GOG-Fähigkeit

GOG ist ein Google Workspace CLI-Ability für OpenClaw, der Ihrem Agenten über eine einzige Integration Zugriff auf Gmail, Kalender, Drive, Kontakte, Tabellen und Dokumente ermöglicht.

Es handelt sich um eine der am häufigsten heruntergeladenen Fähigkeiten auf ClawHub und ist daher eine beliebte Wahl für den Aufbau persönlicher Einsatzagenten, die E-Mail-Workflows, Terminplanung und Dokumentenautomatisierung übernehmen können.

Installieren Sie es mit:

npx clawhub@newest set up gog

Quelle

# 2. WhatsApp CLI-Fähigkeit

Dabei handelt es sich um eine CLI-basierte WhatsApp-Integration für OpenClaw, die es Ihrem Agenten ermöglicht, Nachrichten an Dritte über WhatsApp zu senden und Ihren WhatsApp-Verlauf über die wacli-Binärdatei zu synchronisieren oder zu durchsuchen. Es ist nicht für normale Chats gedacht, bei denen OpenClaw bereits auf WhatsApp läuft.

Installieren Sie es mit:

npx clawhub@newest set up wacli

Quelle

# 3. Tavily-Suchfähigkeit

Tavily ist ein Suchtool, das speziell für KI-Agenten entwickelt wurde. Diese Fähigkeit ermöglicht es OpenClaw, schnelle und zuverlässige Websuchen für Recherchen, Faktenermittlung und das Abrufen aktueller Informationen aus dem Web durchzuführen. Dies ist besonders nützlich, wenn Ihr Agent aktuellen Kontext benötigt, der über seinen lokalen Speicher oder installierte Instruments hinausgeht.

Installieren Sie es mit:

npx clawhub@newest set up tavily-search

Quelle

# 4. Fähigkeiten zusammenfassen

Die Fähigkeit „Zusammenfassen“ hilft OpenClaw, lange Inhalte in klare, strukturierte Zusammenfassungen umzuwandeln, was sie excellent für Artikel, Besprechungsnotizen, Forschungsarbeiten oder lange E-Mail-Threads macht. Es handelt sich um eine der praktischsten alltäglichen Fähigkeiten für die Wissensarbeit, insbesondere wenn Sie schnelle Erkenntnisse gewinnen möchten, ohne alles bis zum Ende durchzulesen.

Installieren Sie es mit:

npx clawhub@newest set up summarize

Quelle

# 5. Obsidian-Fähigkeit

Mit der Obsidian-Fähigkeit kann Ihr OpenClaw-Agent mit Ihrem Obsidian-Tresor (einem Ordner mit Markdown-Notizen) interagieren und Aufgaben mithilfe der Obsidian-CLI automatisieren, sodass er Notizen in Ihrer persönlichen Wissensdatenbank organisieren, erstellen und aktualisieren kann.

Installieren Sie es mit:

npx clawhub@newest set up obsidian

Quelle

# 6. Ontologie-Fähigkeit

Die Fähigkeit „Ontologie“ hilft OpenClaw, Wissen in strukturierten Konzepten und Beziehungen zu organisieren. Dies ist nützlich für die Erstellung von Agenten, die ein besseres Verständnis von Domänen, Entitäten und der Artwork und Weise benötigen, wie Informationen miteinander verbunden sind. Es kann Arbeitsabläufe wie Forschungskartierung, Wissensdiagramme und strukturiertes Denken unterstützen.

Installieren Sie es mit:

npx clawhub@newest set up ontology

Quelle

# 7. n8n Workflow-Automatisierungsfähigkeit

Der n8n-Workflow-Automatisierungs-Ability verbindet OpenClaw mit n8n, einer der am weitesten verbreiteten Workflow-Automatisierungsplattformen. Es ermöglicht Ihrem Agenten, n8n-Workflows auszulösen und zu verwalten, wodurch es einfach wird, OpenClaw über Apps, APIs und interne Systeme hinweg mit echten Geschäftsautomatisierungen zu verbinden.

Installieren Sie es mit:

npx clawhub@newest set up n8n-workflow-automation

Quelle

# Abschließende Bemerkungen

OpenClaw-Fähigkeiten machen die Plattform wirklich leistungsstark. Sie verwandeln OpenClaw von einem lokalen Assistenten in einen Agenten, der echte Aktionen in den Bereichen Messaging, Suche, Produktivitätstools und Automatisierungssysteme durchführen kann.

Mit ClawHub ist das Installieren von Fertigkeiten jetzt so einfach wie das Installieren von Apps. Mit nur wenigen Befehlen können Sie Ihren Agenten zu einem E-Mail-Operator, einem Forschungsassistenten, einer Workflow-Automatisierungs-Engine oder einem langfristigen Wissensbegleiter ausbauen.

Diese sieben Fähigkeiten gehören nicht ohne Grund zu den beliebtesten. Sie sind praktisch, weit verbreitet und für alltägliche Arbeitsabläufe sofort nützlich.

Wenn Sie mit OpenClaw beginnen, ist diese Liste eine solide Grundlage. Und während das Ökosystem wächst, werden Fähigkeiten weiterhin die Ebene sein, die definiert, was Ihr Agent tatsächlich tun kann.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Bild vom Autor

# Einführung

OpenClaw hat sich schnell zu einem der am meisten diskutierten Open-Supply-Projekte für autonome KI-Agenten entwickelt, insbesondere unter Entwicklern, die Agenten erstellen, die sich mit Messaging-Apps verbinden, Arbeitsabläufe automatisieren und über Instruments und Plugins echte Aktionen ausführen. OpenClaw ist jedoch nicht die einzige Possibility im Jahr 2026.

Es entsteht eine neue Welle leichter, sicherheitsorientierter und modularer Agent-Frameworks. Viele dieser Alternativen sind so konzipiert, dass sie einfacher bereitzustellen, sicherer lokal auszuführen und besser für bestimmte Agenten-Anwendungsfälle optimiert sind.

In diesem Artikel stellen wir fünf der besten Open-Supply- und kommerziellen Alternativen zu OpenClaw vor, die schneller und kleiner sind und auf lokale Leistung und Sicherheit ausgelegt sind.

# 1. NanoClaw

NanoClaw ist eine leichte Various, die auf Sicherheit ausgelegt ist. Anstatt direkt mit breitem Systemzugriff zu laufen, ist NanoClaw für den Betrieb in Containern konzipiert, was dazu beiträgt, die Agentenumgebung zu isolieren und die Gefährdung zu reduzieren.

Es unterstützt Messaging-Integrationen wie WhatsApp, enthält Speicherfunktionen und kann geplante Hintergrundjobs ausführen. NanoClaw lässt sich auch direkt in das Brokers SDK von Anthropic integrieren, was es für Entwickler attraktiv macht, die auf Claude-basierten Workflows aufbauen.

Am besten für Groups geeignet, die eine Agentenautomatisierung mit stärkerer Eindämmung und sichererer Ausführung wünschen.

# 2. PicoClaw

PicoClaw Der Schwerpunkt liegt auf Geschwindigkeit, Einfachheit und Portabilität. Es ist so konzipiert, dass es extrem klein ist und sich einfach in verschiedenen Umgebungen bereitstellen lässt, einschließlich lokaler Setups, Container oder leichtgewichtiger Edge-Systeme.

Anstatt ein riesiges Ökosystem anzubieten, legt PicoClaw Wert darauf, die Grundlagen intestine zu machen: sich wiederholende Aufgaben zu automatisieren, Agenten-Workflows zu ermöglichen und minimal zu bleiben.

Am besten für Entwickler geeignet, die eine schnelle Agentenlaufzeit ohne große Infrastruktur wünschen.

# 3. TrustClaw

TrustClaw ist eine eher plattformorientierte Various und bietet ein Agentenerlebnis, bei dem Benutzerfreundlichkeit und Vertrauen im Vordergrund stehen. Im Gegensatz zu rein lokalen Open-Supply-Frameworks positioniert sich TrustClaw als verwaltete Umgebung für die sichere Ausführung von KI-Agenten.

Dies ist nützlich für Benutzer, die Agentenfunktionen wünschen, ohne die volle betriebliche Komplexität eines selbst gehosteten Techniques aufrechtzuerhalten.

Am besten für Benutzer geeignet, die eine gehostete und strukturierte Agentenplattform gegenüber DIY-Setups bevorzugen.

# 4. NanoBot

NanoBot ist eine der leichtesten verfügbaren Alternativen im OpenClaw-Stil. Es ist in Python geschrieben und kompakt, verständlich und leicht erweiterbar gestaltet.

NanoBot bietet zentrale Agentenbausteine ​​wie Werkzeugnutzung, Speicher und Messaging-Automatisierung, allerdings mit einer viel kleineren Codebasis im Vergleich zu großen Agenten-Ökosystemen.

Seine Einfachheit erleichtert die Prüfung und Anpassung, insbesondere für Forscher oder Entwickler, die mit dem Agentendesign experimentieren.

Am besten für Entwickler geeignet, die ein sauberes und minimales Agenten-Framework in Python wünschen.

# 5. IronClaw

IronClaw verfolgt einen modularen Ansatz zur Agentenentwicklung. Es richtet sich an Entwickler, die strukturierte Autonomie, versatile Werkzeugausführung und wiederverwendbare Komponenten für den Aufbau fortschrittlicherer Systeme wünschen.

Obwohl es vielleicht nicht so klein ist wie NanoBot oder PicoClaw, bietet IronClaw eine stärkere Grundlage für Groups, die produktionstaugliche Arbeitsabläufe und Multi-Device-Automatisierungspipelines erstellen.

Am besten für Entwickler geeignet, die ein skalierbares und modulares Agenten-Framework wünschen, das über einfache Prototypen hinausgeht.

# Letzte Gedanken

Hier ein kurzer Überblick darüber, welche Agenten für welche Szenarien am besten geeignet sind:

Agent	Idealer Anwendungsfall
NanoClaw		Am besten für Groups geeignet, die eine Agentenautomatisierung mit stärkerer Eindämmung und sichererer Ausführung wünschen.
PicoClaw		Am besten für Entwickler geeignet, die eine schnelle Agentenlaufzeit ohne große Infrastruktur wünschen.
TrustClaw		Am besten für Benutzer geeignet, die eine gehostete und strukturierte Agentenplattform gegenüber DIY-Setups bevorzugen.
NanoBot		Am besten für Entwickler geeignet, die ein sauberes und minimales Agenten-Framework in Python wünschen.
IronClaw		Perfect für Entwickler, die ein skalierbares und modulares Agenten-Framework wünschen, das über einfache Prototypen hinausgeht.

OpenClaw hat dazu beigetragen, die Idee der ersten lokalen autonomen KI-Agenten bekannt zu machen, aber das Ökosystem wächst im Jahr 2026 schnell.

Diese Alternativen zeigen, in welche Richtung sich Agent Tooling bewegt:

• Sicherere Ausführung durch Container
• Kleinere und besser überprüfbare Frameworks
• Einfachere Bereitstellung und Portabilität
• Modulare Systeme für ernsthafte Automatisierungsanwendungsfälle

Wenn Sie in diesem Jahr Immobilienmakler sind, ist die Erkundung dieser Projekte ein guter erster Schritt.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Während wir uns alle Sorgen machten, dass die KI menschliche Aufgaben übernehmen könnte, sprang die künstliche Intelligenz über unsere Vorstellungskraft hinaus und übernahm das Ruder. Bisher battle das Hauptanliegen der Mitarbeiter auf der ganzen Welt der Mensch Arbeitskräfte werden durch KI-Systeme ersetzt. Es scheint, dass sich das Blatt jetzt gewendet hat, und es ist die KI, die dank eines neuen Marktplatzes jetzt Menschen für Jobs einstellt, die sie alleine nicht erledigen kann.

Das ist keine Science-Fiction, zumindest nicht mehr. Eine neue Web site und eine nachfolgende Reddit-Thread haben eine hitzige Diskussion über eine neue Realität entfacht, in der KI-Agenten jetzt echte Menschen einstellen können, um ihre Arbeit zu erledigen. Nicht als Helfer oder Kollaborateure, sondern als Ausführungsebenen für Aufgaben, die die KI selbst nicht ausführen kann.

Hier erfahren Sie, was passiert ist und was es für die Zukunft der Beschäftigung bedeutet.

Was genau ist passiert?

Im Web wimmelt es von Berichten darüber, dass KI „Körper“ will oder „Menschen braucht“. Nun ja, das sind einfach übertrieben sensationelle Versionen einer neuen Beschäftigungsform, die übrigens für sich genommen viel zu interessant ist und überhaupt keiner Sensationalisierung bedarf. Eine neue Web site mit dem Namen RentAHuman.ai ist aufgetaucht. Und so faszinierend der Title auch klingt, sein Zweck ist einzigartig, aber nicht völlig willkürlich.

Die Idee ist zwar beunruhigend, aber ganz einfach: Die Web site fungiert als Plattform für KI-Agenten selbstständig Aufgaben echten Menschen zuzuweisen, wenn es an eine Grenze stößt. Kein menschlicher Supervisor. Keine Mittelschicht. Nur eine KI, die entscheidet, was getan werden muss und wer es tun soll.

Was die Sache in die Luft jagte, ist verständlicherweise die Formulierung, die für virales Advertising and marketing verwendet wird. Im Heldenbereich der Web site heißt es: „Roboter brauchen deinen Körper“, was mit Sicherheit die Aufmerksamkeit jedes Menschen auf sich ziehen wird. Die Web site wurde dann von ihrem Gründer in einem Beitrag auf Reddit geteilt, der mehr Klarheit über ihren Zweck gab. Aber der Kernpunkt bleibt derselbe: KI stellt Menschen ein.

Interessant, oder? Aber es wirft die Frage auf: Warum sollte KI überhaupt einen Menschen einstellen müssen?

Warum muss KI Menschen einstellen?

Auf den ersten Blick klingt es absurd. Wenn KI angeblich so mächtig ist, warum braucht sie dann immer noch Menschen? Aber denken Sie ein wenig darüber nach und Sie werden die Antwort kennen. Wie der Reddit-Thread sehr deutlich macht, stößt die KI an praktische Grenzen, nicht an die Grenzen der Intelligenz.

KI-Agenten sind hervorragend darin, Probleme zu denken, zu planen, zu koordinieren und in Schritte aufzuteilen. Aber die reale Welt ist chaotisch. Einige Aufgaben erfordern immer noch physische Anwesenheit, menschliches Urteilsvermögen oder einfach physischen Zugang. Etwas in der realen Welt zu überprüfen, ein Unternehmen anzurufen und eine manuelle Überprüfung durchzuführen sind nur einige Beispiele dafür.

Stellen Sie sich nun einen KI-Agenten vor, der in irgendeinem Winkel der Welt auf eine bestimmte Aufgabe trainiert wird. Bei der Erfüllung seiner regulären Aufgaben kann es vorkommen, dass es auf ein Hindernis stößt, das in der realen Welt gelöst werden muss. Diese neue Klasse von KI-Agenten hat einen cleveren (und etwas beunruhigenden) Weg, damit umzugehen. Es delegiert. Es weist diese spezifische Aufgabe einem Menschen zu, wartet auf das Ergebnis und führt dann den Relaxation des Workflows selbstständig weiter aus.

Kurz gesagt: Menschen werden in diesem Fall zu vorübergehenden Erweiterungen der KI und nicht zu Entscheidungsträgern. Die KI behält die Kontrolle. Menschen helfen ihm einfach dabei, Hindernisse zu überwinden. Wenn Sie so wollen, ein Vertragsangestellter oder ein Freelancer für ein zusätzliches Projekt.

Wie KI tatsächlich Menschen anstellt (Schritt für Schritt)

Hier offenbart sich die wahre Aufregung des Ganzen.

Die KI „schaltet einen Job nicht aus“, wie es Unternehmen heute tun. Es gibt keine Personalabteilung, keine Vorstellungsgespräche oder kein Onboarding. Stattdessen folgt der Agent einfach einem kalten Arbeitsablauf, bei dem die Ausführung an erster Stelle steht.

• Zunächst identifiziert die KI eine Aufgabe, die sie nicht alleine erledigen kann. Dabei kann es sich beispielsweise um die Überprüfung realer Informationen oder um einen einfachen Anruf handeln.
• Als nächstes wird diese Aufgabe in eine klare, atomare Anweisung unterteilt. Es gibt keine Diskussion oder Kurzfassung. Es erstellt einfach einen präzisen Befehl mit definierten Eingaben und erwarteten Ausgaben.
• Dann kommt der Einstellungsteil. Hier hilft die neue Web site – RentAHuman.ai. Der KI-Agent soll diesen Marktplatz/diese Plattform für menschliche Aufgaben erschließen, die echte Menschen mit Kurzzeitarbeit verbindet. Es wählt einen Menschen basierend auf Verfügbarkeit, Kosten, Geschwindigkeit oder bisheriger Leistung aus. Dies ähnelt der Auswahl eines API-Endpunkts für den KI-Agenten.
• Der Mensch erledigt die Aufgabe, übermittelt das Ergebnis und verlässt die Schleife.
• Die KI konsumiert die Ausgabe, validiert sie und führt den größeren Plan weiter aus, als ob nichts Besonderes passiert wäre.

Wie Sie verstehen können, gibt es keine Beziehung, keinen Kontext, keine langfristige Abhängigkeit.

Nur ein menschlicher Funktionsaufruf. Und sobald das erledigt ist, geht die KI zur nächsten Aufgabe über.

Wer kann sich anmelden und wie

Zum Zeitpunkt des Verfassens dieses Artikels scheinen sich bereits über 40.000 Menschen als vermietbare Arbeitskräfte auf rentahuman.ai registriert zu haben. Die Web site hat seit ihrem Begin am Dienstag quick eine Million Besuche verzeichnet, der Development breitet sich additionally deutlich weiter aus. Die Menschen sind neugierig und möglicherweise hoffnungsvoll auf das, was angeboten wird.

Wenn Sie einer von ihnen sind, erfahren Sie hier, wie Sie Teil der menschlichen Arbeitskräfte werden, die von KI-Agenten eingestellt werden können. Laut der Web site selbst erfolgt der gesamte Prozess der Einstellung von Menschen durch KI in vier einfachen Schritten:

• Erstellen Sie ein Profil auf RentAHuman.aiindem Sie Ihre Kompetenzliste und Kontaktinformationen hinzufügen.
• Ein KI-Agent findet Sie mithilfe der MCP/API des Unternehmens und bucht Sie.
• Sie führen die Aufgabe in der realen Welt anhand der gegebenen Anweisungen aus.
• Sie werden in Stablecoins (oder vorerst anderen Kryptowährungen) bezahlt. Die Web site verspricht eine sofortige Auszahlung.

Wenn Sie daran teilnehmen möchten, können Sie einfach die Web site besuchen und sich dort anmelden, indem Sie Ihr Profil erstellen.

Was das für Arbeitnehmer bedeutet

Die einzigartige Einstellungspraxis markiert einen Wandel in der Artwork und Weise, wie professionelle Prozesse heute durchgeführt werden. Obwohl es sich natürlich noch im Anfangsstadium befindet, hebt es einen sehr interessanten Arbeitstyp hervor – einen On-Demand-Executor für einen Agenten-Workflow.

Wenn man es bedenkt, bedeutet dies eine wesentliche Änderung in der Artwork und Weise, wie einige Arbeiten verteilt werden. Während die meisten Prozesse, bei denen KI zum Einsatz kommt, immer noch von Menschen gesteuert werden, stellt diese Artwork des Einsatzes das Konzept auf den Kopf. Menschen können nun vollständig in Arbeitsabläufe einbezogen werden, die von KI-Agenten gesteuert werden. Und selbst bei dieser Beschäftigung ist keine menschliche Aufsicht erforderlich.

Dies schafft zwar Möglichkeiten für ein schnelles, flexibles Einkommen, nimmt aber auch Stabilität, Verhandlungsmacht und Kontext. Sie arbeiten nicht mit der KI zusammen. Sie füllen lediglich eine Lücke, die noch nicht geschlossen werden kann.

Kurz gesagt, es ist noch zu früh, sich dazu zu äußern, aber die Richtung ist völlig neu.

Was wir immer noch nicht wissen (und warum es wichtig ist)

Es gibt immer noch einige große Fragen rund um das Konzept der KI, Menschen einzustellen, die unbeantwortet bleiben.

Wir wissen noch nicht, wer dafür verantwortlich ist, wenn etwas schiefgeht (und das wird der Fall sein, sobald die Idee zu skalieren beginnt) – die KI, die Plattform oder der Mensch, der die Aufgabe erledigt. Es besteht keine Klarheit über den Arbeitnehmerschutz, die Streitbeilegung oder was passiert, wenn Aufgaben sind unethischunlawful oder unsicher.

Wir wissen auch nicht, wie die Preise festgelegt werden, wie Menschen ausgewählt werden oder ob sich Voreingenommenheit darin einschleicht, wem Arbeit angeboten wird. Darüber hinaus gibt es keinerlei Transparenz über die Datennutzung, die Überwachung oder darüber, ob Menschen Aufgaben ohne Strafe ablehnen können.

Kurz gesagt, der Mechanismus hat begonnen, sich zu drehen, aber es gibt keine Regeln im Bild. Und wenn KI beginnt, die menschliche Arbeit ohne Leitplanken zu koordinieren, ist diese Lücke von großer Bedeutung.

Abschluss

KI, die Menschen anheuert, klingt futuristisch, aber was hier entsteht, ist weitaus praktischer als Science-Fiction. Hier geht es nicht darum, dass intelligente Maschinen Büros übernehmen. Es geht darum, dass KI-Systeme ihre Reichweite erweitern, indem sie reale Aufgaben an den menschlichen Körper weiterleiten, wenn die Automatisierung an ihre Grenzen stößt. Aber die Ironie ist, dass diese Ausweitung der Arbeit wiederum im Kern automatisiert ist.

Bei guter Handhabung KI stellt Menschen ein könnte für viele Arbeitssuchende flexibles Arbeiten, schnellere Ausführung und völlig neue Jobkategorien eröffnen. Wenn es schlecht gehandhabt wird, besteht die Gefahr, dass undurchsichtige Arbeitsmärkte mit unklarer Verantwortlichkeit und keinerlei Schutz entstehen.

Dies könnte die frühe Kind von etwas Großem oder ein völliger Zufall sein. Es ist zu früh, das zu sagen. Was wir mit Sicherheit wissen, ist, dass die Technologie und die Absicht vorhanden sind. Aber wenn die Dinge wachsen, braucht es vielleicht schon bald Governance und Transparenz.

Generative und agentische KI hat in zwei Jahren mehr zur Umgestaltung der Märkte beigetragen als im gesamten vorangegangenen Jahrzehnt der digitalen Transformation. Unternehmen überdenken nicht nur ihre Prozesse, sondern auch ihre Geschäftsmodelle – wie sie Werte schaffen und wofür Kunden bezahlen.

Victoria Stasik, Senior Advisor bei einem internationalen Beratungsunternehmen, hilft Unternehmen, aus diesen Veränderungen Kapital zu schlagen – vom Eintritt in neue Marktsegmente bis hin zur Neugestaltung von Produktportfolios im KI-Zeitalter.

„Dieser Wandel beschränkt sich nicht nur auf Technologieunternehmen – er betrifft jede Branche“, bemerkt Victoria. „Wo der Wettbewerbsvorteil früher durch den Zugang zu Informationen oder die Geschwindigkeit der Verarbeitung zustande kam, sind heute die Gewinner diejenigen, die wissen, wie man die richtigen Fragen stellt und schnell agiert.“

Im Laufe ihrer Karriere hat Victoria Projekte in mehreren Regionen geleitet. Sie begann ihre Beraterkarriere in EMEA – zunächst in Europa, dann bei Kunden im Nahen Osten und führt jetzt Projekte in den USA durch. Ihre Erfolgsbilanz umfasst Dutzende von Engagements in verschiedenen Branchen, darunter Finanzdienstleistungen, Software program und Telekommunikation.

„Wenn der Zugang zu Daten und Analysen kein Hindernis mehr darstellt, verlagert sich die Quelle des Wettbewerbsvorteils“, erklärt Victoria. „Heutzutage gehen die größten Bedrohungen für Unternehmen oft nicht von direkten Konkurrenten aus, sondern von KI-nativen Akteuren, die schneller und kostengünstiger liefern können. Wofür Kunden derzeit einen Aufpreis zahlen, ist ein schärferes Urteilsvermögen, Fachwissen und Geschwindigkeit – nicht der Zugang zu Informationen.“

Eines der wegweisenden Projekte von Victoria warfare die Entwicklung einer Wachstumsstrategie für Portfoliounternehmen eines Personal-Fairness-Fonds. Mit ihrem Crew arbeitete sie mit mehr als 20 Unternehmen in der Skalierungsphase zusammen, von denen erwartet wurde, dass sie innerhalb von zwei bis drei Jahren ein nachhaltiges Wachstum erzielen. Die Ergebnisse resultierten aus der Anpassung bewährter Methoden an den spezifischen Kontext jedes Marktes und Unternehmens – der Identifizierung ungenutzter Preissetzungsmacht, der Neugestaltung von Verkaufsanträgen für neu eingeführte KI-Funktionen und der Umstrukturierung von Kanalanreizen zur Beschleunigung der Einführung.

Gleichzeitig stellt sich Victoria häufig Herausforderungen ohne vorgefertigte Lösungen – insbesondere wenn Kunden in neue, unbekannte Marktsegmente vordringen. Bei diesen Projekten müssen Strategen strenge Analysen mit Instinct in Einklang bringen, indirekte Signale lesen und nach Indikatoren suchen, die herkömmliche Analysen nicht erfassen können.

„Ich habe das aus erster Hand erlebt, als ich für ein großes US-amerikanisches Technologieunternehmen gearbeitet habe“, erinnert sich Victoria. „Sie waren der klare Marktführer in ihrer Kategorie, was bedeutete, dass es kein Spielbuch gab, dem wir folgen konnten. Wir mussten es selbst schreiben. Wettbewerbs-Benchmarking würde nicht helfen – es gab niemanden, der ihnen voraus warfare, mit dem wir vergleichen konnten. Deshalb haben wir uns auf schnelles Experimentieren konzentriert – Hypothesen testen, Markt-Suggestions einholen und die Strategie anpassen, wie wir gelernt haben. Wenn man sich in einer First-Mover-Place befindet, ist eine durch schnelle Iterationen verstärkte Instinct oft wertvoller als das Warten auf perfekte Daten.“

Immer mehr Unternehmen integrieren KI direkt in ihre Produkte – nicht nur in ihre Prozesse – und schaffen so neuen Mehrwert für Kunden und differenzieren sich von der Konkurrenz. Das ist genau die Artwork von Arbeit, die Victoria übernimmt. Kürzlich arbeitete sie für ein globales Unternehmen für professionelle Dienstleistungen – zunächst führte sie ausführliche Interviews mit Kunden, um deren Bedürfnisse und die Stärken bestehender Angebote zu ermitteln, und arbeitete dann mit der Geschäftsleitung zusammen, um einen frühen Produktprototyp für die Markteinführung zu entwickeln.

Victoria nutzt KI in ihrer eigenen Arbeit – und sieht, dass sie die Artwork und Weise verändert, wie Beratung Werte schafft. „Zugang zu Informationen und Analysegeschwindigkeit sind keine Wettbewerbsvorteile mehr – weder für Unternehmen noch für Experten“, stellt sie fest. „Was zählt, ist die Fähigkeit, Daten auf einen bestimmten Kontext anzuwenden – und Entscheidungen auf der Grundlage von Expertenmeinungen zu treffen.“

„Marktforschung und Berichtserstellung werden zu Standardkompetenzen. Bei professionellen Dienstleistungen eröffnet dies erhebliche Möglichkeiten für die Automatisierung – insbesondere in der Forschung und bei standardisierten Materialien“, sagt Victoria. „Um wettbewerbsfähig zu bleiben, bauen Dienstleistungsunternehmen hybride Arbeitskräfte auf: Accenture setzt beispielsweise KI-Agenten neben menschlichen Groups in großem Maßstab ein, sodass sich Experten auf das konzentrieren können, was Algorithmen nicht leisten können – Urteilsvermögen in kritischen Kontexten anwenden, Stakeholder auf schwierige Kompromisse abstimmen und Verantwortung für Ergebnisse übernehmen. Infolgedessen wechseln Beratungsunternehmen zunehmend zu einer ergebnisbasierten Preisgestaltung, weg von traditionellen Stundenmodellen.“

Die Strategiearbeit führte Victoria zu einer ganz anderen Herausforderung. Entscheidungen, bei denen viel auf dem Spiel steht, stellen jede Führungskraft auf die Probe – für Frauen ist der Weg jedoch steiler, da sie häufig mit dünneren Unterstützungssystemen zurechtkommen. Untersuchungen zeigen, dass Frauen über kleinere Peer-Netzwerke verfügen, weniger Vorbilder vor sich haben und eher das Gefühl haben, dass sie sich immer wieder beweisen müssen. Für Victoria führte die nähere Betrachtung dieses Musters über Kundenprojekte hinaus.

Eine dieser Initiativen ist Girls in Management, ein gemeinnütziges Programm innerhalb des Unternehmens, das darauf abzielt, das Führungspotenzial von Frauen in Technologieunternehmen – Telekommunikations-, Software program- und Technologiedienstleistungsunternehmen – zu fördern. Victoria half beim Aufbau des Lehrplans für die erste Kohorte von 20 weiblichen Führungskräften – eine Gruppe, die im ersten Jahr zwei Beförderungen für Führungskräfte hervorbrachte. Im Mittelpunkt des Programms steht die Gemeinschaft – ein Raum zum Erfahrungsaustausch, zum Austausch von Ratschlägen und zum Aufbau dauerhafter Verbindungen.

„Frauen stehen vor systemischen Barrieren, die sich mit der Zeit verstärken. Jede verpasste Likelihood auf Aufstieg, Sponsoring oder Sichtbarkeit verengt die Pipeline weiter“, sagt Victoria. „Wenn Unternehmen nach Führungskräften suchen, ist der Pool weiblicher Kandidaten bereits drastisch reduziert. Das ist kein Pipeline-Drawback an der Spitze – es ist ein systemisches Drawback, das viel früher beginnt.“

Wenn sie über ihre eigenen Herausforderungen nachdenkt, gibt Victoria zu, dass sie ihr Potenzial lange Zeit unterschätzt hat. „Es fällt mir immer noch schwer zuzugeben, dass ich unter dem Hochstapler-Syndrom leide“, sagt sie. „Durch Gespräche mit anderen weiblichen Führungskräften habe ich gesehen, wie viele mit ähnlichen Problemen konfrontiert sind. Es verändert die Artwork und Weise, wie man sich selbst sieht. Deshalb ist es so wichtig, Räume zu schaffen, in denen Frauen offen über Herausforderungen diskutieren, Erfahrungen austauschen, sich gegenseitig unterstützen und ihre Karriere vorantreiben können.“

Was verbindet es? Für Victoria ein paar Leitprinzipien: Klarheit vor Geschwindigkeit, echte Wachstumshebel gegenüber eleganten Modellen, Instinct dort, wo keine Daten vorhanden sind, und bewährte Ansätze dort, wo Märkte ausgereift sind. In einer Welt, in der Unsicherheit zur Norm geworden ist, ist diese Fähigkeit, einen klaren Kopf zu bewahren, sich schnell anzupassen und die Ergebnisse zu bestimmen, ihrer Ansicht nach der entscheidende Wettbewerbsvorteil – für Unternehmen und Führungskräfte gleichermaßen.

Hervorgehobener Bildnachweis

Google Translate Nutzen Sie die Stay-Übertragungsfunktion, bis Sie den Hörgenuss auf dem Android-Gerät erhalten.

Die Stay-Übertragung der Zwillinge ist ein echter Recreation-Changer, nachdem sie über den Textual content gesprungen sind. Um den Textual content zu übersetzen, lesen Sie die Texte und lesen Sie die Seite mit Gemini, indem Sie Gemini 2.5 Native Audio direkt auf den Bildschirm übertragen. Es ist wichtig, dass Sie den Ton nicht mehr hören, bis Sie die Intonation hören, eine Pause einlegen und loslegen.

Enligt YouTube-Dämon Diese Funktion ist ähnlich wie bei Star Treks universell einsetzbar, damit die Funktion korrekt ist und nicht funktioniert.

Två användningslägen

Um die Übersetzungs-App aufzurufen und „Stay Translate“ auszuprobieren, müssen Sie Ihren Hörer oder Hörer ansprechen.

Appen erbjuder två praktiska sätt att använda funktionen.

Med Kontinuierliches Zuhören Sie können Ihre Meinung hören und hören, bis Sie Ihre Immobilie kennengelernt haben – perfekt, wenn Sie auf der Suche nach etwas sind, und wir werden Ihnen helfen, Ihre Meinung zu sagen.​