Anthropic hat in einer Woche zwei Updates veröffentlicht, und keine der beiden Geschichten hört beim Modell selbst auf. In einer Geschichte geht es darum, wie weit eine Regierung gehen wird, um Grenz-KI zu kontrollieren, bevor sie die Benutzer erreicht. Beim anderen geht es darum, wie günstig Agenten-KI werden muss, bevor sie zur routinemäßigen Geschäftsinfrastruktur wird. Ein dritter Thread verläuft unter den ersten beiden: Wo ein Unternehmen auf der Landkarte steht, bestimmt nun, welche Anthropic-Modelle es überhaupt in Produktion bringen kann.

Fable 5 kehrt nach einem Regierungsverbot zurück

Anthropic brachte Claude Fable 5 und Claude Mythos 5 am 9. Juni 2026 auf den Markt. Fable 5 und Mythos 5 liegen in der Leistungsfähigkeit über der Opus-Stufe, eine Kategorie, die Anthropic als „Mythos-Klasse“ bezeichnet. Fable 5 ist die Model für den allgemeinen Gebrauch, die mit umfassenden Sicherheitsvorkehrungen ausgestattet ist. Mythos 5 ist das gleiche zugrunde liegende Modell mit weniger Leitplanken und auf geprüfte Cyber-Verteidigungspartner im Rahmen von Venture Glasswing, dem Regierungskooperationsprogramm von Anthropic, beschränkt. Anthropic hat den Preis für die beiden Modelle auf 10 US-Greenback professional Million Enter-Tokens und 50 US-Greenback professional Million Output-Tokens festgelegt.

Am 12. Juni führte das US-Handelsministerium Exportkontrollen für Fable 5 und Mythos 5 ein und wies Anthropic an, den Zugang für Ausländer zu sperren. Anthropic sagte, es verfüge über keine zuverlässige Möglichkeit, die Nationalität in Echtzeit zu überprüfen, und habe daher den Zugriff auf Fable 5 und Mythos 5 für jeden Benutzer weltweit gesperrt, anstatt das Risiko einzugehen, gegen die Anordnung zu verstoßen.

Was hat das Verbot ausgelöst?

Auslöser struggle ein Bericht von Amazon-Forschern, die eine Eingabeaufforderungsmethode gefunden hatten, die Fable 5 dazu brachte, Software program-Schwachstellen zu identifizieren. In einem Fall erzeugte das Modell Code, der demonstrierte, wie man eine davon ausnutzt. Anthropic testete später andere Modelle anhand desselben Berichts und stellte etwas Bemerkenswertes fest: Schwächere, bereits öffentliche Systeme, darunter Opus 4.8, GPT-5.5 und Kimi K2.7, konnten dieselben Schwachstellen identifizieren. Jedes von Anthropic getestete Modell, einschließlich Sonnet 4.6 und sogar Haiku 4.5, konnte die Exploit-Demonstration ebenfalls reproduzieren. Das Argument von Anthropic: Das gemeldete Verhalten befand sich in einer vorsichtigen Grauzone, die die Sicherheitsmaßnahmen abfangen sollten, und nicht in einer Fähigkeit, die nur dem leistungsstärksten Modell vorbehalten ist.

Was sich vor der Aufhebung des Verbots änderte

Anthropic hat einen neuen Sicherheitsklassifikator entwickelt, der die spezifische Bypass-Technik in mehr als 99 % der Fälle blockiert. Gutachter des Middle for AI Requirements and Innovation des Handelsministeriums testeten das Replace und bezeichneten die daraus resultierenden Sicherheitsmaßnahmen laut Anthropic als außerordentlich stark. Am 26. Juni wurde der Zugang zu Mythos 5 für eine Reihe von US-Organisationen wiederhergestellt. Am 30. Juni hob Commerce die Exportkontrollen vollständig auf, und Anthropic erklärte, dass es keine Exportlizenz mehr benötige, als Gegenleistung für die Verpflichtung, Sicherheitsrisiken proaktiv zu kennzeichnen und Bedrohungsinformationen mit Regierungspartnern zu teilen.

Fable 5 ist seit dem 1. Juli wieder für globale Benutzer verfügbar. In den Professional-, Max-, Crew- und ausgewählten Enterprise-Plänen ist es bis zur Hälfte der wöchentlichen Nutzungslimits bis zum 7. Juli enthalten. Danach läuft der Zugriff auf Nutzungsguthaben.

Ein gemeinsames Branchen-Framework

Der größere Schritt liegt dem Relaunch zugrunde. Anthropic, Amazon, Microsoft, Google und andere Glasswing-Companion entwerfen ein gemeinsames Framework, um den Schweregrad von KI-Jailbreaks anhand von vier Kriterien zu bewerten: wie viel Leistungsfähigkeit ein Bypass gewährt, wie viele Angriffstypen er abdeckt, wie einfach er als Waffe eingesetzt werden kann und wie leicht er zu entdecken ist. Das Modell lehnt sich direkt an das Widespread Vulnerability Scoring System der Softwareindustrie an. Anthropic verpflichtete sich außerdem, der Regierung vor der Veröffentlichung Zugang zu zukünftigen Grenzmodellen und dedizierter Rechenleistung für unabhängige Exams zu gewähren, als Teil einer umfassenderen Reaktion auf eine Durchführungsverordnung vom 2. Juni zur KI-Sicherheit.

Meine Meinung: Die Decision stellt das erste Mal dar, dass das Exportkontrollgesetz auf das Verhalten eines bestimmten KI-Modells und nicht auf die ihm zugrunde liegenden Chips einwirkt, und sie weist Washington eine formelle Rolle bei der künftigen Auslieferung seiner leistungsfähigsten Systeme durch Anthropic zu. Unternehmen, die auf der Frontier-Ebene von Anthropic aufbauen, sollten die staatliche Überprüfung jetzt als festen Bestandteil des Veröffentlichungszyklus und nicht als einmalige Unterbrechung betrachten.

Sonnet 5 Preise Agenten wie eine Ware

Die zweite Markteinführung läuft in die entgegengesetzte Richtung: Preis sinkt, Beschränkungen steigen nicht. Claude Sonnet 5 wurde am 30. Juni als Standardmodell für Free- und Professional-Benutzer ausgeliefert und für Max, Crew, Enterprise, Claude Code und die API eingeführt. Anthropic hat den Preis bis zum 31. August 2026 auf 2 US-Greenback professional Million Enter-Tokens und 10 US-Greenback professional Million Output-Tokens festgesetzt und steigt auf 3 US-Greenback bzw. 15 US-Greenback, sobald das Einführungsfenster geschlossen wird. Der Preis übertrifft den Preis von 5 $/25 $ für Opus 4.8 und übertrifft auch OpenAIs GPT-5.5 und Googles Gemini 3.1 Professional, obwohl Googles Gemini 3.5 Flash immer noch weniger kostet.

Die Zahlen

Bei einem von TechCrunch zitierten Agenten-Codierungs-Benchmark erreichte Sonnet 5 63,2 Prozent gegenüber 58,1 Prozent bei Sonnet 4.6 und 69,2 Prozent bei Opus 4.8. Laut Anthropic übertrifft Sonnet 5 Opus 4.8 bei einem separaten Wissensarbeits-Benchmark leicht und schließt in den vier Monaten seit der Auslieferung von Sonnet 4.6 im Februar den größten Teil der Lücke zu seinem Flaggschiffmodell. Die technische Dokumentation von Anthropic bestätigt, dass Sonnet 5 standardmäßig mit einem 1-Millionen-Token-Kontextfenster, einer echten Kapazitätssteigerung gegenüber Sonnet 4.6 und adaptivem Denken ausgeliefert wird, das die Argumentationstiefe automatisch anpasst, es sei denn, ein Entwickler legt einen festen Aufwand fest.

Die Preisgestaltung bringt einen Haken mit sich, den es wert ist, überprüft zu werden, bevor irgendjemand darüber nachdenkt. Sonnet 5 läuft auf einem aktualisierten Tokenizer, der gleichen Änderung, die Anthropic mit Opus 4.7 eingeführt hat, und die gleiche Eingabe kann jetzt je nach Inhaltstyp 1,0- bis 1,35-mal mehr Token zugeordnet werden. Anthropic gibt an, den Einführungspreis so festgelegt zu haben, dass der Übergang annähernd kostenneutral ist. Der tatsächliche Rabatt hängt additionally von der Arbeitsbelastung jedes Käufers ab und nicht nur vom Aufkleberpreis.

Das Wettbewerbsfeld

Der Begin landet auch innerhalb eines breiteren Musters, obwohl die Kind des Musters einer Korrektur bedarf. OpenAI gab in der Woche zuvor eine Vorschau auf GPT-5.6, aufgeteilt in drei Preisstufen: Sol, ein Flaggschiffmodell mit 5/30 US-Greenback professional Million Token; Terra, eine Choice mit mittleren Kosten, die mit 2,50 $/15 $ als praktischer Customary angeboten wird; und Luna, eine schnelle, günstige Stufe für 1 $/6 $. Keiner der drei erreichte ChatGPT. OpenAI hat die Vorschau nur über die API und den Codex an vertrauenswürdige Companion weitergegeben, eine engere Einführung als die Erstveröffentlichung von Sonnet 5 für alle kostenpflichtigen und kostenlosen Claude-Benutzer. Googles Gemini 3.5 Flash, das im Mai auf den Markt kam, hat sich von einer Gesprächspräsentation zu einer Agentenpräsentation entwickelt. Drei Labore verwenden derzeit das gleiche Spielbuch: Teilen Sie die Funktionalität in Preisstufen auf und lassen Sie Agentic Reasoning zur Basisfunktion und nicht zur Premiumfunktion werden. Daniel Shepard, ein leitender Ingenieur bei Zapier, beschrieb, wie man Sonnet 5 eine zweiteilige Aufgabe übergab: die Aktualisierung der Salesforce-Kontostufen und das Versenden einer Startankündigung an Unternehmenskontakte. Die Arbeit wurde von Ende zu Ende abgeschlossen, während frühere Modelle auf halbem Weg ins Stocken gerieten.

Was die Sicherheit anbelangt, halluziniert Sonnet 5 weniger als Sonnet 4.6 und widersteht den Entführungen durch sofortige Injektion besser, so die Bewertungen von Anthropic. Es zeigt auch eine weitaus schwächere Cybersicherheitsfähigkeit als die Modelle der Opus- und Mythos-Klasse von Anthropic und erzeugte während des Exams nie einen funktionierenden Exploit für eine gepatchte Firefox-Schwachstelle. Anthropic liefert es mit den gleichen Cyber-Schutzmaßnahmen wie Opus 4.7 und 4.8, die jedoch weniger streng festgelegt sind als die Leitplanken zum Schutz von Fable 5.

Wo sich die Zugriffsfrage wiederholt

Bringen Sie die beiden Begins in eine Reihe und die Strategie von Anthropic wird klarer. Einerseits treibt Sonnet 5 den Preis für Agentenarbeit für alltägliche Geschäftsaufgaben gegen Null. Auf der anderen Seite stehen Fable 5 und Mythos 5 hoch im Kurs, da sie in ausreichend staatlich überprüfte Schutzmaßnahmen eingebunden sind, und ein Exportkontrollstreit wurde durch eine Klassifizierungsaktualisierung und nicht durch eine dauerhafte Abschaltung beigelegt.

Die Gießereilücke in Europa

Die Zugangsfrage endete nicht bei Washington. Claude-Modelle, darunter Sonnet 5, wurden am 1. Juli auf Microsoft Foundry allgemein verfügbar und bieten Azure-Kunden native Abrechnung, Entra-ID-Authentifizierung und Governance innerhalb einer bestehenden Azure-Umgebung. Für Unternehmen, die bereits durch Beschaffungsregeln blockiert sind, ist die Entsperrung actual: Das bereits durch Azure-Verbrauchsvereinbarungen gebundene Finances deckt jetzt die Claude-Nutzung ab, ohne dass eine neue Lieferantenbeziehung eröffnet werden muss.

Laut Berichten von InfoQ beschreiben europäische Praktiker eine andere Erfahrung. Anthropic bleibt der Datenverarbeiter für von Foundry gehostete Claude-Modelle, unabhängig von der Internet hosting-Choice, gemäß der Dokumentation von Microsoft, und für Claude gibt es derzeit keine europäische Datenzone auf Foundry. Ein Praktiker, der mit einer niederländischen Financial institution zusammenarbeitet, sagte, der Kunde werde Anthropic-Modelle nicht über Foundry genehmigen, und verwies auf die gleiche Datenresidenzlücke. Auf der regionalen Compliance-Seite von Anthropic wird die europäische Verfügbarkeit von Foundry für später im Jahr 2026 angegeben, ohne dass ein festes Datum angegeben wird.

Wenn man die Geschichte der Exportkontrolle und die Foundry-Lücke nebeneinander betrachtet, zeigt sich das gleiche Muster in zwei unterschiedlichen Maßstäben. Achtzehn Tage lang entschied Washington, welche Nutzer weltweit Fable 5 überhaupt erreichen konnten. Die fehlende europäische Datenzone entscheidet nun darüber, welche europäischen Unternehmen Sonnet 5 unabhängig vom Finances in ihrer bevorzugten Cloud in Produktion bringen können. Keine der beiden Einschränkungen hat viel mit dem Preis oder den Benchmark-Ergebnissen zu tun, dennoch steht jede einzelne jetzt direkt auf der Checkliste für die Sorgfaltspflicht eines Käufers.

Was das für Käufer bedeutet

Für einen Geschäftskäufer struggle die Modellwahl keine reine Kosten- und Leistungsentscheidung mehr, als Regierungen und Cloud-Gerichtsbarkeiten begannen, den Zugang so zu gestalten, wie es einst Chip-Exportlizenzen taten. Bei einer Anbieterbewertung muss nun gefragt werden, welche Regierungsbeziehung hinter dem Grenzprodukt steht und welche Regionen der Anbieter tatsächlich bedienen kann, und nicht, welche auf einer Preisseite erscheinen. Anthropic beantwortete die erste Frage schnell: Achtzehn Tage von der Suspendierung bis zum vollständigen Relaunch. Die zweite Frage wurde noch nicht beantwortet: Es gibt kein festes Datum für eine europäische Datenzone für Foundry.

Erwarten Sie, dass sich das Muster wiederholt und dass es sich eher ausdehnt als schließt. Da Grenzmodelle immer tiefer in die Cybersicherheit und Biologie vordringen, werden Regierungen wahrscheinlich weiterhin einzelne Freisetzungen als Sicherheitsentscheidungen von Fall zu Fall und nicht als feste Regulierungskategorie behandeln und die Möglichkeit haben, den Zugriff über Nacht zu unterbrechen. Da Cloud-Plattformen weiterhin KI-Anbieter zu Marktbedingungen statt zur nativen Integration hinzufügen, werden Käufer in regulierten Branchen weiterhin auf die gleiche Hürde stoßen, auf die niederländische Financial institution- und Unternehmenspraktiker in diesem Monat stoßen. Anthropic hat die US-Runde schnell gemeistert. Der europäische ist noch offen.

Jeff Bezos kehrt auf den CEO-Posten zurück: Warum Prometheus auf KI für die physische Wirtschaft setzt

Jeff Bezos ist in die Rolle des operativen CEO zurückgekehrt und verfügt über 18,2 Milliarden US-Greenback hinter seinem neuen Unternehmen, und das Geld kam vor dem Produkt an. Prometheus baut keinen weiteren Chatbot. Das Unternehmen möchte KI-Systeme entwickeln, um Ingenieuren dabei zu helfen, Ideen viel schneller in Triebwerke, Medikamente, Elektronik, Roboter und Fabriken umzusetzen, als es herkömmliche Entwicklungszyklen erlauben. Damit hat Bezos das Normal-Startup-Playbook umgekehrt und eine Frage aufgeworfen, die letztendlich die gesamte KI-Branche beantworten muss.

Bezos kehrt in eine operative Rolle zurück

Bezos trat am 5. Juli 2021 als Amazon-CEO zurück und beendete damit den Aufstieg eines Buchhändlers zu einem Cloud- und Logistikriesen. Er hörte nicht auf zu arbeiten. Bezos behielt den Titel des Vorstandsvorsitzenden bei Amazon, wo Andy Jassy weiterhin als Präsident und CEO fungiert. Prometheus ist Bezos‘ erste offizielle Place als operativer CEO, seit er vor fünf Jahren den Führungsposten bei Amazon verlassen hat.

Vik Bajaj fungiert neben ihm als Mitbegründer und Co-CEO. Zu Bajajs Hintergrund zählen die Mitbegründung von Verily (ehemals Google Life Sciences), seine Tätigkeit als wissenschaftlicher Leiter bei GRAIL, die Mitbegründung von Foresite Labs und die Mitbegründung von Xaira Therapeutics. Er ist außerordentlicher Professor im Molecular Imaging Program der Stanford College. Die Führungspaarung stellt einen bewährten Gründer globaler Unternehmen neben einen Wissenschaftler mit umfassender Experience in den Bereichen Biowissenschaften, KI-gestützte Arzneimittelentwicklung und Unternehmensgründung.

Prometheus zielt auf die physische Ökonomie ab

Das Unternehmen beschreibt sich selbst in vier Worten: „KI für die physische Wirtschaft.“ Die meisten KI-Produkte generieren digitales Materials: Textual content, Code, Bilder, Audio, Video. Prometheus zielt auf ein schwierigeres Drawback. Das Unternehmen möchte KI auf physische Produkte anwenden, bei denen Gewicht, Hitze, Materialstärke, Fertigungstoleranzen und behördliche Genehmigungen die Regeln festlegen. Zu den repräsentativen Anwendungen gehören Flugzeugtriebwerke, medizinische Geräte, Unterhaltungselektronik, Roboter, Fabriken und Arzneimittelverbindungen.

Prometheus positioniert sich nicht als Robotikhersteller oder Fabrikautomatisierungsanbieter. Der Schwerpunkt des Unternehmens liegt auf der Intelligenzebene, die Produktdesign, Checks und Verfeinerung unterstützt, bevor eine physische Komponente die Produktionslinie erreicht. Der Unterschied zu einem Chatbot-Unternehmen ist nicht nur thematischer Natur. Es ist technisch, kommerziell und regulatorisch.

Der künstliche Generalingenieur

Prometheus verwendet seinen eigenen Begriff „künstlicher Generalingenieur“, um zu beschreiben, was es bauen möchte. Keine anerkannte Softwarekategorie oder technische Zertifizierung trägt das Label. Bezos und Bajaj beschreiben das Ziel als ein KI-System, das in der Lage ist, mehrere technische Disziplinen gleichzeitig zu unterstützen und das zu komprimieren, was Bezos die „Dream-Construct-Schleife“ nennt.

Die Entwicklung von Strahltriebwerken veranschaulicht den Ehrgeiz intestine. Eine Modifikation eines vorhandenen Triebwerks, um mehr Schub zu erzeugen, kann zu einem mehrjährigen Programm werden, da sich eine einzelne Änderung auf Materialien, Aerodynamik, Wärmemanagement, Herstellung, Checks, Sicherheitszertifizierung und Kosten auswirkt. Bezos sagte, Prometheus wolle einige technische Entwicklungszyklen zehnmal oder mehr beschleunigen. Das Ziel bleibt ein erklärtes Ziel, hinter dem noch kein öffentlicher Maßstab steht.

Ein Vorsprung von 18,2 Milliarden US-Greenback

Am 11. Juni 2026 kündigte Prometheus eine 12-Milliarden-Greenback-Serie-B-Runde an, die das Unternehmen mit 41 Milliarden Greenback bewertet. Zu den von Axios genannten Investoren gehören JPMorgan Chase, BlackRock, Goldman Sachs, DST World, Arch Enterprise Companions und Bezos selbst. Die Runde folgt auf eine Serie-A-Runde in Höhe von 6,2 Milliarden US-Greenback, bei der Bezos als größter Geldgeber fungierte, wodurch sich die insgesamt offengelegte Finanzierung auf 18,2 Milliarden US-Greenback erhöhte. Einem Reuters-Bericht vom April 2026 zufolge befand sich Prometheus in Verhandlungen über die Beschaffung von etwa 10 Milliarden US-Greenback bei einer Bewertung von 38 Milliarden US-Greenback. Die Endrunde übertraf in jeder Hinsicht die gemeldeten Bedingungen. Mit rund 150 Mitarbeitern und Büros in San Francisco, London und Zürich hat Prometheus Kapital in einem Umfang beschafft, den die meisten Unternehmen erst nach Jahrzehnten erreichen.

Der interessantere Rahmen ist nicht das Ausmaß der Erhöhung. Prometheus hat die Normal-Startreihenfolge umgekehrt. Die meisten Begin-ups demonstrieren, dass ihr Produkt auf den Markt passt, gewinnen Kunden und erhöhen dann die Zahl ihrer Umsätze in großem Umfang. Prometheus hat große Anstrengungen unternommen, um die Voraussetzungen für eine Produktmarktanpassung zu schaffen. Die Logik ist vertretbar: Der Aufbau von KI-Systemen, die in der Lage sind, dreidimensionale Designs, experimentelle Ergebnisse, Sensordaten, Fertigungsaufzeichnungen und wissenschaftliche Literatur gleichzeitig zu verarbeiten, erfordert Infrastrukturinvestitionen, bevor ein einzelner Kunde unterschreibt. Bezos finanziert kein fertiges Produkt. Er finanziert das Recht, einen solchen Versuch zu unternehmen. Für einen Betreiber, der Amazon über Jahre hinweg mit anhaltenden Verlusten aufgebaut hat, bevor es in die Gewinnzone ging, steht der Ansatz im Einklang mit der Artwork und Weise, wie er schon immer auf langfristige Zyklen gesetzt hat.

Physische KI hat einen höheren Beweisstandard

Ein Sprachmodell kann einen Absatz voller Fehler generieren und der Preis dafür ist eine Korrektur. Ein technisches KI-System weist nicht die gleiche Plausibilitätstoleranz auf. Eine Empfehlung zu Schub-Gewichts-Verhältnissen, Materialermüdungsgrenzen oder Wechselwirkungen zwischen pharmazeutischen Verbindungen muss Simulationen, physikalische Checks, Sicherheitsüberprüfungen und behördliche Prüfungen überstehen, bevor sie sich auf irgendetwas in der realen Welt auswirkt. Kunden aus der Luft- und Raumfahrt, der Medizintechnik und der industriellen Fertigung können eine fehlerhafte Modellausgabe nicht als harmlose Halluzination betrachten.

Eine nützliche Möglichkeit, die Unterscheidung zu formulieren: Digitale KI produziert Inhalte; Prometheus will Entscheidungen herbeiführen. Inhalte können nachträglich korrigiert werden. Entscheidungen, die in ein Düsentriebwerk, ein medizinisches Gerät oder eine Arzneimittelverbindung eingebettet sind, haben nachgelagerte Konsequenzen, die durch keine Korrektur rückgängig gemacht werden können. Das Vertrauen der Kunden in sicherheitsrelevante Branchen erfordert dokumentierte Überprüfungsprozesse, reproduzierbare Ergebnisse und die Bereitschaft, unter der Aufsicht von Gremien wie der FAA und der FDA zu agieren. Bezos hat öffentlich erklärt, dass er eine Regulierung unterstützt, die sich auf schädliche Anwendungen konzentriert, und nicht pauschale Beschränkungen der KI-Infrastruktur. Die Place deckt sich damit, wohin Prometheus gehen muss: in Branchen, in denen das Vertrauen der Regulierungsbehörden eine Voraussetzung für die kommerzielle Einführung ist.

Prometheus betritt einen etablierten Engineering-Markt

Prometheus gelangt in einen Markt, in dem große, intestine ausgestattete Unternehmen bereits starke Positionen innehaben. NVIDIA bietet Omniverse für industrielle Simulationen und digitale Zwillinge, Cosmos-Modelle für physische KI und Isaac-Instruments für Robotik. Siemens hat Industrial Copilot-Produkte entwickelt, die mit seiner bestehenden Engineering- und Lebenszyklussoftware verbunden sind. Dassault Systèmes betreibt CATIA, SOLIDWORKS und SIMULIA, Plattformen, die seit Jahrzehnten Luft- und Raumfahrt- und Automobilingenieuren dienen. Autodesk bietet generative Design- und Fertigungstools. Synopsys schloss die Übernahme von Ansys im Jahr 2025 ab. Das kombinierte Unternehmen deckt elektronische Designautomatisierung und Multiphysik-Simulation ab. Google DeepMind wendet KI zur Vorhersage der Proteinstruktur, zur Materialentdeckung und zur Wettermodellierung an.

Keiner der etablierten Participant bietet genau das, was Prometheus beschrieben hat. Jeder steuert Teile des technischen und wissenschaftlichen KI-Workflows, die jeder Neueinsteiger erreichen, integrieren oder verdrängen muss. Prometheus muss möglicherweise innerhalb des bestehenden Engineering-Stacks arbeiten, bevor es Teile davon ersetzen kann.

Amazon und Blue Origin bleiben getrennt

Prometheus agiert als unabhängiges Unternehmen und nicht als Abteilung oder Tochtergesellschaft von Amazon oder Blue Origin. Bezos behält seine Rolle als Vorstandsvorsitzender von Amazon, während Andy Jassy das Unternehmen tagtäglich leitet. Keine öffentliche Ankündigung begründet eine Geschäftsbeziehung zwischen Prometheus und Blue Origin. Bezos sagte gegenüber der New York Instances, dass Blue Origin die Artwork von technikintensivem Unternehmen darstellt, das in der Lage ist, von den Werkzeugen zu profitieren, die Prometheus bauen will. Die Erklärung beschreibt eine potenzielle Anwendung, nicht ein bereitgestelltes Produkt oder einen unterzeichneten Vertrag.

Bezos über Arbeit: Produktivität schafft Arbeit

In seinem CNBC-Interview, das parallel zur Ankündigung der Serie B veröffentlicht wurde, wies Bezos das Argument zurück, dass KI zu dauerhafter Massenarbeitslosigkeit führen werde. Er argumentierte, dass eine höhere Produktivität neue Industrien schaffe und die Zahl der Projekte erhöhe, die die Gesellschaft verfolgen könne, und er prognostizierte, dass KI letztendlich eher zur Arbeitskräfteknappheit als zur dauerhaften Verdrängung von Arbeitsplätzen beitragen könnte.

Das kurzfristige Bild ist vielschichtiger. Die Instruments von Prometheus können die Zeit reduzieren, die Ingenieure mit der Generierung von Designvarianten, der Vorbereitung von Routineanalysen oder der Einrichtung sich wiederholender Simulationen verbringen. Gleichzeitig wird die industrielle KI wahrscheinlich die Nachfrage nach Arbeitskräften erhöhen, die Modellergebnisse validieren, KI in bestehende Engineering-Software program integrieren, industrielle Datenpipelines verwalten, physische Checks durchführen und die Einhaltung gesetzlicher Vorschriften überwachen. Bezos‘ langfristiger Optimismus und die kurzfristigen beruflichen Veränderungen heben sich nicht gegenseitig auf. Jedes wird funktionieren, und die realen Einsätze von Prometheus werden zu den ersten Orten gehören, an denen sich zeigen lässt, wie das geht.

Der Imbiss

Prometheus hat sich einen Vorsprung gesichert, den die meisten KI-Unternehmen nie erleben werden. Bezos hat Jahre damit verbracht, Amazon trotz anhaltender Verluste aufzubauen, bevor es zu einem der dominantesten Unternehmen der Welt wurde, und er hat seine Bereitschaft gezeigt, lange Zyklen zu finanzieren, bevor Renditen eintreten. Die 18,2 Milliarden US-Greenback geben Prometheus die Ressourcen, Dinge auszuprobieren, die sich kleinere Unternehmen nicht leisten können.

Was das Kapital nicht kauft, ist der Beweis. Prometheus muss zeigen, dass ein künstlicher Generalingenieur Ergebnisse liefern kann, die Ingenieure validieren, Hersteller nutzen und regulierten Industrien vertrauen können. Bis das Unternehmen messbare technische Verbesserungen in realen industriellen Umgebungen vorweisen kann, spiegelt die Bewertung von 41 Milliarden US-Greenback das Vertrauen in ein Workforce und eine These wider. Das Urteil über das Produkt muss noch erarbeitet werden.

Xbox wird am 22. Januar um 13:00 Uhr ET sein viertes Developer Direct-Occasion veranstalten, um eine Vorschau auf bevorstehende Veröffentlichungen zu geben, Neuigkeiten auszutauschen und neues Gameplay-Materials direkt von Entwicklerteams zu präsentieren.

Die Präsentation fällt mit dem 25-jährigen Jubiläum von Xbox zusammen. In einem Blogbeitrag Auf Xbox Wire erklärte Chefredakteur Jon Skrebels, dass der Meilenstein die Rückkehr beliebter Franchises beinhalten wird. Die Teilnehmer erhalten einen ersten ausführlichen Einblick in die Neuauflage von Fable, bei der die legendäre Serie mit neuen Inhalten wiederbelebt wird.

Es ist offiziell die Developer_Direct-Saison!

Besuchen Sie uns am 22. Januar um 10 Uhr PT für einen exklusiven Blick auf Fable, Forza Horizon 6 und Beast of Reincarnation: https://t.co/FvFUT7RzVZ | #DeveloperDirect pic.twitter.com/GMRpVDxucs

– Xbox (@Xbox) 8. Januar 2026

Gameplay-Materials für Forza Horizon 6 wird während des Occasions erstmals gezeigt. Dieses Open-World-Rennspiel findet in Japan statt und bietet umfangreiche Fahrerlebnisse in verschiedenen Landschaften. Das britische Studio Playground Video games entwickelt sowohl Fable als auch Forza Horizon 6 und bringt seine Experience in immersiven Welten in diese Projekte ein.

Es werden auch neue Particulars und Gameplay von Beast of Reincarnation erscheinen. Es wird als „Eine Individual, ein Hund“-Rollenspiel beschrieben und dreht sich um die Protagonistin Emma und ihren Hundegefährten, die Herausforderungen meistern. Recreation Freak, das für seine Pokémon-Serie bekannte Studio, ist für die Entwicklung verantwortlich. Die Erzählung spielt sich im postapokalyptischen Japan ab, wo das Duo in einer verwüsteten Umgebung mit Überlebenselementen konfrontiert wird.

---

Hervorgehobener Bildnachweis

Wenn man sich nur automatisierte Partituren ansieht, scheinen die meisten LLMs großartig zu sein – bis sie etwas subtil Falsches, Riskantes oder Falsches schreiben. Das ist die Lücke zwischen dem, was statische Benchmarks messen, und dem, was Ihre Benutzer tatsächlich benötigen. In diesem Leitfaden zeigen wir, wie Sie menschliches Urteilsvermögen (HITL) mit Automatisierung kombinieren können LLM-Benchmarking spiegelt Wahrhaftigkeit, Sicherheit und Domänenanpassung wider – nicht nur die Genauigkeit auf Token-Ebene.

Was LLM-Benchmarking wirklich misst

Automatisierte Metriken und Bestenlisten sind schnell und wiederholbar. Genauigkeit bei A number of-Alternative-Aufgaben, BLEU/ROUGE für Textähnlichkeit und Ratlosigkeit bei der Sprachmodellierung geben Richtungssignale. Aber sie vermissen oft Argumentationsketten, sachliche Grundlage und die Einhaltung von Richtlinien – insbesondere in Kontexten, in denen viel auf dem Spiel steht. Deshalb legen moderne Programme Wert auf multimetrische, transparente Berichterstattung und Szenariorealismus.

Automatisierte Metriken und statische Testsätze

Stellen Sie sich klassische Kennzahlen als eine vor Tachometer– ultimate, um Ihnen zu sagen, wie schnell Sie auf einer glatten Autobahn fahren. Sie sagen Ihnen aber nicht, ob die Bremsen bei Regen funktionieren. BLEU/ROUGE/perplexity helfen bei der Vergleichbarkeit, können aber durch Auswendiglernen oder oberflächliche Zuordnung ausgetrickst werden.

Wo sie zu kurz kommen

Echte Benutzer bringen Unklarheiten, Fachjargon, widersprüchliche Ziele und sich ändernde Vorschriften mit sich. Statische Testsätze erfassen dies selten. Daher überschätzen rein automatisierte Benchmarks die Modellbereitschaft für komplexe Unternehmensaufgaben. Gemeinschaftsinitiativen wie HELM/AIR-Bench gehen dieses Downside an, indem sie weitere Dimensionen abdecken (Robustheit, Sicherheit, Offenlegung) und transparente, sich weiterentwickelnde Suiten veröffentlichen.

Das Argument für die menschliche Bewertung in LLM-Benchmarks

Einige Eigenschaften bleiben hartnäckig menschlich: Ton, Hilfsbereitschaft, subtile Korrektheit, kulturelle Angemessenheit und Risikobereitschaft. Menschliche Gutachter – entsprechend ausgebildet und kalibriert – sind hierfür die besten Instrumente, die uns zur Verfügung stehen. Der Trick besteht darin, sie zu nutzen gezielt und systematischSo bleiben die Kosten überschaubar und die Qualität hoch.

Wann man Menschen einbeziehen sollte

• Mehrdeutigkeit: Anweisungen lassen mehrere believable Antworten zu.
• Hohes Risiko: Gesundheitswesen, Finanzen, rechtliche, sicherheitskritische Unterstützung.
• Area-Nuance: Fachjargon, Fachargumentation.
• Uneinigkeitssignale: Automatische Bewertungen stehen im Konflikt oder variieren stark.

Entwerfen von Rubriken und Kalibrierung (einfaches Beispiel)

Beginnen Sie mit einer Skala von 1–5 für Richtigkeit, BodenständigkeitUnd politische Ausrichtung. Geben Sie professional Partitur zwei bis drei kommentierte Beispiele an. Kurz laufen Kalibrierungsrunden: Bewerter bewerten eine gemeinsame Cost und vergleichen dann die Begründungen, um die Konsistenz zu verbessern. Verfolgen Sie die Vereinbarung zwischen den Gutachtern und fordern Sie bei Grenzfällen eine gerichtliche Entscheidung ein.

Methoden: Vom LLM-als-Richter zum echten HITL

LLM-as-a-Decide (Verwendung eines Modells zur Bewertung eines anderen Modells) ist nützlich für Triage: Es ist schnell, günstig und eignet sich intestine für unkomplizierte Kontrollen. Aber es kann dieselben blinden Flecken aufweisen – Halluzinationen, falsche Korrelationen oder „Gradinflation“. Benutze es, um priorisieren Fälle zur menschlichen Überprüfung, nicht um sie zu ersetzen.

Eine praktische Hybridpipeline

1. Automatisierte Vorprüfung: Führen Sie Aufgabenmetriken, grundlegende Leitplanken und LLM als Richter aus, um offensichtliche bestandene/nicht bestandene Aufgaben herauszufiltern.
2. Aktive Auswahl: Wählen Sie Proben mit widersprüchlichen Signalen oder hoher Unsicherheit für die menschliche Überprüfung aus.
3. Expertenkommentare von Menschen: geschulte Bewerter (oder Fachexperten) bewerten anhand klarer Rubriken; bei Meinungsverschiedenheiten entscheiden.
4. Qualitätssicherung: Überwachung der Zuverlässigkeit zwischen Bewertern; Pflegen Sie Prüfprotokolle und Begründungen. Mit praktischen Notebooks (z. B. HITL-Workflows) können Sie ganz einfach Prototypen dieser Schleife erstellen, bevor Sie sie skalieren.

Vergleichstabelle: Automatisiert vs. LLM-as-Decide vs. HITL

Sicherheits- und Risiko-Benchmarks sind unterschiedlich

Regulierungsbehörden und Normungsgremien erwarten Bewertungen, die Risiken dokumentieren und prüfen realistisch Szenarien und demonstrieren die Übersicht. Der NIST AI RMF (GenAI-Profil 2024) stellt ein gemeinsames Vokabular und gemeinsame Praktiken bereit; Die NIST GenAI-Bewertung Das Programm führt domänenspezifische Exams durch. Und HELM/AIR-Financial institution hebt multimetrische, transparente Ergebnisse hervor. Nutzen Sie diese, um Ihr Governance-Narrativ zu verankern.

Was Sie für Sicherheitsaudits sammeln sollten

• Auswertung Protokolle, RubrikenUnd Schulung zum Kommentator Materialien
• Datenherkunft und Kontaminationskontrollen
• Inter-Bewerter Statistiken und Entscheidungsnotizen
• Versioniert Benchmark-Ergebnisse und Regressionsverlauf

Mini-Story: Falschmeldungen im KYC-Banking reduzieren

Das KYC-Analystenteam einer Financial institution testete zwei Modelle zur Zusammenfassung von Compliance-Warnungen. Automatisierte Ergebnisse waren identisch. Während eines HITL-Exams haben die Bewerter darauf hingewiesen Modell A häufig fallen gelassen Negativ Qualifikationsmerkmale („keine vorherigen Sanktionen“), Bedeutungen umkehren. Nach dem Urteil entschied sich die Financial institution Modell B und aktualisierte Eingabeaufforderungen. Die Falschmeldungen gingen innerhalb einer Woche um 18 % zurück, sodass die Analysten mehr Zeit für echte Untersuchungen haben. (Die Lektion: Automatisierte Bewertungen haben einen subtilen, schwerwiegenden Fehler übersehen; HITL hat ihn erkannt.)

Wo Shaip hilft

Agile hat in den letzten zwei Jahrzehnten das Software program-Engineering grundlegend verändert. Es reagierte auf das Scheitern groß angelegter Waterfall-Programme, die unter der Final langsamer Anforderungszyklen und umfangreicher Dokumentation zusammenbrachen. Iterative Sprints, teamübergreifende Zusammenarbeit und „Arbeitssoftware statt Dokumentation“ waren die drei großen Grundsätze der Softwarebranche. Die gleiche Beliebtheit, die Agile genießt, hat seine Ineffizienzen verschleiert, wie z. B. die Abschaffung von Zeremonien, ohne dass ein Ende in Sicht ist, die steigenden Gemeinkosten der Rollenspezialisierung und eine Unternehmenskultur, die zunehmend mit ständigen Kontextwechseln auf Kosten der Verantwortlichkeit lebt.

Die Einführung großer Sprachmodelle (LLMs) hat eine erneute Überprüfung ausgelöst. Da KI in der Lage ist, Backlog-Grooming, Aufgabenzerlegung, Testgenerierung, Dokumentation und sogar Architekturentwurf zu übernehmen, gelten die Annahmen, die Agile am Laufen hielten, nicht mehr. Die strukturierte Entwicklung ist wieder auf dem Tisch, nicht als starrer Wasserfall der Vergangenheit, sondern als neues, KI-gestütztes Modell, bei dem lineare Phasen wieder Sinn machen, weil die Übergaben, die früher zu Ausfällen führten, jetzt automatisiert sind. Das ist „Wasserfall 2.0“.

Ein Entwickler, viele Rollen

In der traditionellen Landschaft battle es für einen Entwickler nicht möglich, den gesamten Lebenszyklus im großen Maßstab abzudecken. Ein einzelner Ingenieur könnte Geschäftsanalysen, Architektur, Implementierung, Checks und Dokumentation nicht ohne Verzögerungen und Fehler durchführen. Diese Einschränkung ist nun weg.

Mit LLMs kann die Analyse beschleunigt werden, indem mehrdeutige Anforderungen in strukturierte Annahmen umgewandelt werden. Ein LLM kann eine Reihe von Benutzerinterviews oder Marktnotizen erstellen und Consumer Tales entwerfen, für die andernfalls ein Enterprise-Analyst erforderlich wäre. Während der Entwurfsphase kann das Modell dabei helfen, Architekturmuster vorzuschlagen, Kompromisse zu vergleichen und sogar UML-Diagramme zu erstellen. Während der Implementierung helfen KI-gestützte IDEs beim Code-Gerüst, der Durchsetzung von Styleguides und der Durchführung kontextbezogener Umgestaltungen über Dateien hinweg. Paradoxerweise kann das Testen das LLM sein, das die Logik selbst geschrieben hat und Einheiten-, Integrations- und eigenschaftsbasierte Checks ausgibt, die auf die dokumentierte Teststrategie abgestimmt sind. Während der Bereitstellung könnte man die KI nutzen, um CI/CD-Pipelines, IaC-Vorlagen und Observability-Dashboards zu generieren.

Dies würde einen Arbeitsablauf schaffen, in dem ein Einzelentwickler nicht zum Generalisten werden kann, der zwangsläufig auf der Strecke bleibt, weil er alles wissen muss. In Bezug auf die Produktivität ist der Unterschied nicht nur marginal – es geht darum, die Zeit von Monaten auf Wochen zu verkürzen. Ein Ingenieur könnte ein komplettes Microservices-, Dokumentations- und Überwachungssystem einrichten. Der Engpass liegt nicht mehr in der Ausführung, sondern in der Entscheidungsfindung: was gebaut werden soll und warum.

Beispiele aus der Praxis zeigen diesen Wandel bereits. Produkte, für die früher Groups erforderlich waren, werden jetzt von einzelnen Entwicklern mithilfe von KI auf den Markt gebracht. SiteGPT, ein KI-Chatbot-Builder, wurde an einem einzigen Wochenende programmiert und generierte anschließend erhebliche monatliche Einnahmen. Writesonic, das sich zu einer millionenschweren KI-Schreibplattform entwickelte, begann als Soloprojekt. In einem anderen Fall entwickelte ein Entwickler in nur 15 Tagen Reeli, einen KI-Sprachassistenten in persischer Sprache, indem er Instruments wie Cursor und Claude kombinierte. Dabei handelt es sich nicht um Einzelfälle, sondern um Beweise dafür, dass alleinige KI-gestützte Entwicklung zu Millionengeschäften führen kann.

Arbeitsabläufe neu gedacht

In Groups ist der Effekt noch stärker. Traditionelles Scrum verteilt die Verantwortung auf alle Rollen – Produktbesitzer verfeinern den Backlog, Scrum-Grasp koordinieren Zeremonien, Tester validieren Funktionen und Designer erstellen Modelle. In der Praxis verursacht diese Verteilung jedoch einen Mehraufwand. Agile versprach Geschwindigkeit, lieferte aber häufig Besprechungen ab.

KI komprimiert dies. Die Verfeinerung des Backlogs eines Produktbesitzers wird zu einer nahezu sofortigen Umwandlung roher Besprechungsnotizen in strukturierte Epen und Geschichten, sodass nur noch die Priorisierung der menschlichen Beurteilung überlassen bleibt. Die Funktion des Scrum Masters, Standups und Retrospektiven zu ermöglichen, wird durch KI automatisiert, die tägliche Updates konsolidiert und Blocker aus Commit-Mustern erkennt. Designer stellen fest, dass das Prototyping im Frühstadium von Instruments übernommen wird, die Texteingabeaufforderungen in Wireframes übersetzen, die Entwickler direkt iterieren können. Tester sehen, dass sich ihre Arbeit von der Erstellung von Testfällen hin zur Validierung von KI-generierten Fällen verlagert.

Zeremonien schrumpfen oder verschwinden. Standups werden zu asynchronen Berichten, die von der KI in einem teamweiten Dashboard verarbeitet werden. Die Sprintplanung reduziert sich auf die Genehmigung von KI-generierten Aufgabenaufteilungen. Retrospektiven sind datengesteuert, wobei die KI auf Hotspots in Commit-Protokollen, Code-Änderungen und Fehlerclustern hinweist. Der Nettoeffekt ist kein Chaos, sondern Klarheit. Groups arbeiten jetzt in strukturierten Abläufen, die wie lineare Anforderungen aussehen: Design, Construct, Take a look at und Launch, behalten aber die Agilität, jeden Schritt sofort zu überarbeiten, da die KI die Wiederholungen und Überarbeitungen übernimmt.

Artefakte im KI-Zeitalter

Artefakte, einst die Achillesferse des Wasserfalls, werden in diesem neuen Modell neu definiert. Das klassische Downside bestand darin, dass Dokumente schneller alterten, als sie aktualisiert werden konnten. Architekturentscheidungen, die einmal geschrieben wurden, spiegelten sechs Monate später nur selten die Realität wider. Onboarding-Handbücher waren am Tag ihrer Veröffentlichung veraltet. Die Teststrategien waren vage und CI/CD-Pipelines wurden zu brüchigen Skripten, die niemand pflegte.

Mit der KI im Kreislauf werden Artefakte zu lebendigen Eingaben. Ein Architekturentscheidungsdatensatz kann mit Alternativen, Konsequenzen und Empfehlungen generiert, vom Architekten verfeinert und in der Versionskontrolle gespeichert werden. Dieser Datensatz ist der von der KI selbst genutzte Kontext und steuert die konsistente Generierung später im Projekt. Als Klartext gespeicherte Styleguides werden nicht nur zu Referenzen, sondern zu durchsetzbaren Regeln, da LLM-basierte Linters sie automatisch anwenden.

Die Onboarding-Dokumentation wird kontinuierlich aktualisiert. Anstatt dass ein Mensch die FAQs verwaltet, durchsucht die KI Repositories, Subject-Tracker und Commit-Verläufe, um Leitfäden zu aktualisieren. Ein neuer Mitarbeiter liest kein statisches PDF, sondern befragt einen Onboarding-Assistenten, der die Antworten mit der neuesten Codebasis kontextualisiert. Teststrategien, die einst in der Verantwortung des Menschen lagen, entwickeln sich zu einer Reihe übergeordneter Abdeckungsziele, während die KI die konkreten Testsuiten generiert. Pipelines sind keine handcodierten YAML-Dateien mehr, sondern von der KI vorgeschlagene Konfigurationen, die sich mit dem Projekt weiterentwickeln. Sobald Sicherheitschecklisten in Compliance-Dokumenten vergraben sind, werden sie zu Dwell-Eingabeaufforderungen, anhand derer die KI den Code kontinuierlich prüft.

Das Ergebnis ist eine geschlossene Rückkopplungsschleife: Artefakte werden schneller erstellt, bleiben länger präzise und dienen als direkte Anweisungen sowohl für menschliche Entwickler als auch für KI-Systeme.

Geschwindigkeit mit Risiken in Einklang bringen

Die Effizienzgewinne sind unbestreitbar, aber die Risiken sind struktureller Natur und erfordern ein bewusstes Administration. KI-generierter Code ist zwar schnell, aber anfällig für subtile Fehler. Die Entwürfe weisen auf eine höhere Fehler- und Schwachstellenquote hin, wenn LLMs nicht überprüft werden. Hinzu kommen Ausführlichkeit und Doppelarbeit, die die technische Verschuldung erhöhen und die Wartung erschweren. LLMs leiden auch unter Einschränkungen des Kontextfensters, was bedeutet, dass sie nicht ein ganzes Großsystem in ihrem Umfang aufnehmen können. Dies führt zu Inkonsistenzen zwischen den Modulen und einer fragmentierten Architekturkohärenz.

Es besteht auch das kognitive Risiko: übermäßiges Vertrauen. Wenn Entwickler KI-generierte Artefakte ohne Prüfung akzeptieren, verlieren sie nach und nach das mentale Modell ihres eigenen Techniques. Das Verständnis verkümmert, und was bleibt, ist eher Orchestrierung als Technik. Der kurzfristige Geschwindigkeitsgewinn wird zu einer langfristigen Belastung für die Widerstandsfähigkeit.

Die richtige Reaktion besteht nicht darin, sich zurückzuziehen, sondern die technische Disziplin zu verstärken. Die Codeüberprüfung gewinnt wieder an Bedeutung, nicht als Ritual, sondern als Schutzmaßnahme gegen selbstbewusste Fehler der KI. Automatisierte Checks müssen über die Korrektheit hinaus auf die Sicherheits- und Leistungsvalidierung ausgeweitet werden. Die Überwachung der Architektur ist von entscheidender Bedeutung, um sicherzustellen, dass KI-generierte Mikroentscheidungen weiterhin dem größeren Systemdesign dienen. Tatsächlich muss KI wie ein Nachwuchsentwickler behandelt werden, der nie müde wird, aber immer einer Überprüfung bedarf. Die Rolle des leitenden Entwicklers verlagert sich von der Ausführung zur Leitung, Qualitätssicherung und zum strategischen Design.

Die Zukunft von Bildung und Kompetenzen

Die wechselnden Wellen dieser Veränderungen werden sich weiterhin auf die gesamte Bildung und die Vorbereitung der Arbeitskräfte auswirken. Universitäten, die weiterhin Programmieren lehren, als ob es keine KI gäbe, werden ihre Absolventen in Verzug bringen. Wenn man sich in Einführungskursen hingegen zu sehr auf KI verlässt, besteht möglicherweise die Gefahr, dass Ingenieure nicht in der Lage sind, ohne Krücke zu programmieren. Die Bilanz ist dünn.

Dies legt nahe, die KI-lastige Integration zu verzögern, bis die Studierenden die Grundlagen von Algorithmen, Debugging und Systemdesign beherrschen. Erst dann sollte KI als Kollaborateur eingeführt werden. Einige Programme experimentieren bereits mit Doppelaufgaben: Ein Satz wird ohne KI abgeschlossen, ein anderer mit KI, um sowohl Unabhängigkeit als auch Erweiterungsfähigkeiten zu vermitteln.

Die Fähigkeiten, die am wichtigsten sind, verändern sich. Eine zeitnahe Konstruktion ist nicht trivial; Zu wissen, wie Anforderungen präzise formuliert werden können, ist heute eine zentrale technische Aufgabe. Kritische Bewertung wird zu einer Überlebensfähigkeit, da Ingenieure der KI-Ergebnisse regelmäßig misstrauen und sie überprüfen müssen. DevOps erweitert sich zu KI-erweiterten Pipelines, in denen Ingenieure KI-Module integrieren, überwachen und neu trainieren müssen. Ethik und Compliance rücken in den Vordergrund, da KI-gesteuerte Systeme das Risiko von Voreingenommenheit und Datenschutzverletzungen verstärken.

Der Arbeitsmarkt verändert sich bereits. Neue Titel wie „LLM Engineer“ oder „AI-Augmented Developer“ signalisieren die Nachfrage nach Fachkräften, die technische Tiefe mit der Fähigkeit kombinieren, KI über den gesamten Lebenszyklus hinweg zu steuern. Wer sowohl die Grundlagen als auch die Zusammenarbeit mit KI fließend beherrscht, wird das nächste Jahrzehnt der Softwareentwicklung bestimmen.

Abschluss

Wasserfall 2.0 ist keine Nostalgie. Es ist das rationale Ergebnis eines neuen Gleichgewichts: Wenn KI die Engpässe bei Übergaben beseitigt, gewinnen strukturierte Phasen wieder an Wert. Solo-Entwickler erreichen nun das, was früher Groups erforderten. Groups fassen Rollen und Zeremonien in optimierten Abläufen zusammen. Artefakte entwickeln sich zu lebendigen Inputs, die sowohl die menschliche Zusammenarbeit als auch die KI-Generierung vorantreiben. Die Bildung rüstet sich für eine Zukunft um, in der die Beherrschung von KI ebenso wichtig ist wie die Beherrschung von Code.

Die Risiken, von technischer Verschuldung bis zum Verlust des Verständnisses, sind actual, aber sie sind kein Hingucker. Sie erfordern Disziplin, Kontrolle und ein klares Verständnis dafür, wo menschliches Urteilsvermögen unersetzlich bleibt.

Die Softwareindustrie tritt in eine Section ein, in der die entscheidende Fähigkeit nicht nur im Codieren oder Verwalten, sondern auch in der Orchestrierung von KI innerhalb strukturierter Systeme liegt. Wer dieses Gleichgewicht schafft, wird schnellere, konsistentere und belastbarere Software program entwickeln – nicht weil er die Lehren der Vergangenheit aufgegeben hat, sondern weil er verstanden hat, wie er sie in das Zeitalter der KI übertragen kann.

---

Hervorgehobener Bildnachweis

Marks & Spencer (M & S) hat den Abgang von Rachel Higham, seinem Chief Digital and Expertise Officer, etwas mehr als zwei Jahre nach ihrem Eintritt in das Unternehmen angekündigt. Berichten zufolge tritt Higham zurück, um eine Karrierepause einzulegen. Ihr Rücktritt folgt einem bedeutenden Cyberangriff, der M & S -Dienste und gefährdete Kundendaten Anfang dieses Jahres beeinträchtigte.

Higham übernahm ihre Rolle bei M & S im Juni 2023. Ein M & S -Sprecher erkannte ihre Beiträge an und erklärte: „Rachel hat beschlossen, eine Pause einzulegen, und tritt von ihrer Rolle zurück, nachdem sie ein geschätzter Teil des Führungsteams gewesen warfare. Die Erklärung des Unternehmens zeigt die Rolle von Higham in einer Zeit erheblicher Veränderung und Herausforderung.

Die Ankündigung von Highams Abgang erfolgt, nachdem M & S im Mai einen disruptiven Cyberangriff erlebt hat. Der Cyberangriff zwang den Einzelhändler, On-line-Bestellungen auszusetzen und die Funktionen zu klicken und zu sammeln. Der Angriff beschränkte auch die Verwendung kontaktloser Zahlungen in physischen Geschäften.

Die Störung wurde auf Produktverfügbarkeit ausgedehnt, da M & S Systeme offline machte, um den Verstoß einzudämmen. M & S bestätigte, dass während des Cyberangriffs persönlich identifizierbare Informationen gestohlen wurden. Das Unternehmen stellte klar, dass Zahlungskartendaten, Passwörter und einmalige Passcodes nicht beeinträchtigt wurden. Trotz der Datenverletzung riet M & S den Kunden, dass keine sofortige Maßnahmen erforderlich sei.

M & S hat jedoch bei ihrer Rückkehr zur M & S -Web site einen obligatorischen Kennwortreset für Kunden implementiert. Diese Maßnahme wurde implementiert, um die Kontosicherheit nach dem Cyberattack -Vorfall zu verbessern. Cybersecurity -Analysten, die den Angriff untersuchten, deuteten darauf hin, dass er Merkmale besaß, die für einen Ransomware -Angriff typisch waren. M & S lehnte es jedoch ab zu bestätigen, ob ein Lösegeld an die beteiligten Cyberkriminellen gezahlt wurde. Archie Norman, Vorsitzender von M & S, sprach das Drawback mit dem Gesetzgeber an und erklärte, dass die Erörterung solcher Angelegenheiten nicht im öffentlichen Interesse liegen würde.

Der Cyberangriff von M & S löste im Einzelhandel eine breitere Diskussion über die eskalierende Bedrohung durch Cyberkriminalität aus. Camellia Chan, Geschäftsführerin des AI-Sicherheitsunternehmens X-Phy, kommentierte die Notwendigkeit robuster Cybersicherheitsmaßnahmen und erklärte: „Die Prävention muss von Grund auf eingebaut werden. Unternehmen benötigen einen mehrschichtigen Ansatz, der die Sicherheit auf {Hardware}-Ebene kombiniert, um die {Hardware}-Ebene zu erfassen, um die Sicherheit zu erkennen und zu blockieren. 95% der Datenverletzungen, wodurch die Belastung der ständigen Wachsamkeit von Mitarbeitern und ständigen Belastbarkeitstests beseitigt wird. “

Nach der Abreise von Higham hat M & S eine Führungsumbildung initiiert. Sacha Berendji, eine erfahrene Führungskraft bei M & S, wird erweiterte Verantwortlichkeiten übernehmen und neben seinen vorhandenen Rollen in der Immobilien- und Geschäftsentwicklung die Digital und Technologie überwachen. Der Einzelhandelsdirektor Thinus Keeve wird nun direkt an den Geschäftsführer Stuart Machin berichten. Seit Beginn des Jahres sind die Aktien von M & S um mehr als 8% zurückgegangen, da das Unternehmen weiterhin die Auswirkungen des Cyberangriffs angeht.

---

Ausgewähltes Bildnachweis

Ein grundlegendes Konzept in Pc Imaginative and prescient Ist das Verständnis, wie Bilder gespeichert und dargestellt werden. Auf der Festplatte werden Bilddateien auf verschiedene Arten codiert, von verlustvoll, komprimiert JPEG Dateien zu verlustfrei Png Dateien. Sobald Sie ein Bild in ein Programm geladen und aus dem jeweiligen Dateiformat dekodieren, hat es höchstwahrscheinlich eine Array-ähnliche Struktur, die die Pixel im Bild darstellt.

RGB

Jedes Pixel enthält einige Farbinformationen über diesen spezifischen Punkt im Bild. Jetzt ist die häufigste Artwork, diese Farbe darzustellen RGB Raum, wo jedes Pixel drei Werte hat: Rot, Grün und Blau. Diese Werte beschreiben, wie viel von jeder Farbe vorhanden ist und sie werden additiv gemischt. So ist beispielsweise ein Bild mit allen auf Null gesetzten Werten schwarz. Wenn alle drei Werte auf 100percenteingestellt sind, ist das resultierende Bild weiß.

Manchmal kann die Reihenfolge dieser Farbkanäle ausgetauscht werden. Eine weitere gemeinsame Reihenfolge ist BGRso ist die Reihenfolge umgekehrt. Dies wird üblicherweise in verwendet Opencv und die Standardeinstellung beim Lesen oder Anzeigen von Bildern.

Alpha -Kanal

Bilder können auch Informationen über Transparenz enthalten. In diesem Fall ist ein zusätzlicher Alpha -Kanal vorhanden (RGBA). Der Alpha -Wert gibt die Opazität jedes Pixels an: Ein Alpha von Null bedeutet, dass das Pixel vollständig clear ist und ein Wert von 100% ein vollständig undurchsichtiges Pixel darstellt.

HSV

Jetzt RGB (a) ist nicht der einzige Weg, um Farben darzustellen. Tatsächlich gibt es viele verschiedene Farbmodelle, die Farbe darstellen. Eines der nützlichsten Modelle ist die HSV Modell. In diesem Modell wird jede Farbe durch a dargestellt FarbtonAnwesend Sättigung Und Wert Eigentum. Der Farbton beschreibt den Farbton, unabhängig von Helligkeit und Sättigung. Manchmal wird dies auf einem Kreis mit Werten zwischen 0 und 360 oder 0 bis 180 oder einfach zwischen 0 und 100percentdargestellt. Wichtig ist, dass es zyklisch ist, was bedeutet, dass sich die Werte umwickeln. Die zweite Eigenschaft beschreibt die Sättigung wie intensiv Ein Farbton ist, daher führt eine Sättigung von 0 zu grauen Farben. Schließlich beschreibt die Werteigenschaft die Helligkeit der Farbe, sodass eine Helligkeit von 0% immer schwarz ist.

Jetzt ist dieses Farbmodell bei der Bildverarbeitung äußerst hilfreich, da wir den Farbton von der Sättigung und Helligkeit entkoppeln können RGB. Wenn Sie beispielsweise einen Übergang zwischen zwei Farben wünschen und während des vollständigen Übergangs die gleiche Helligkeit behalten, ist dies sehr komplex, um die Verwendung der mit dem zu erreichen RGB Farbmodell, während in der HSV Modell Dies ist unkompliziert, indem Sie nur den Farbton interpolieren.

Praktische Beispiele

Wir werden drei Beispiele für die Arbeit mit diesen Farbräumen in Python mit OpenCV betrachten. Im ersten Beispiel extrahieren wir Teile eines Bildes, die eine bestimmte Farbe haben. Im zweiten Teil erstellen wir eine Dienstprogrammfunktion, um Farben zwischen den Farbräumen zu konvertieren. Schließlich erstellen wir in der dritten Anwendung eine kontinuierliche Animation zwischen zwei Farben mit konstanter Helligkeit und Sättigung.

1 – Farbmaske

Das Ziel dieses Teils ist es, eine Maske zu finden, die Farben basierend auf ihrem Farbton in einem Bild isoliert. Im folgenden Bild gibt es verschiedene farbige Papierstücke, die wir trennen möchten.

Mit OpenCV können wir das Bild laden und in den HSV -Farbton konvertieren. Standardmäßig werden Bilder in gelesen BGR Format, daher brauchen wir die Flagge cv2.COLOR_BGR2HSV in der Umstellung:

Python">import cv2

img_bgr = cv2.imread("photos/notes.png")
img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)

Jetzt auf der HSV Bild können einen Farbfilter mit dem anwenden cv2.inRange Funktion zur Angabe einer unteren und Obergrenze für jede Eigenschaft (Farbton, Sättigung, Wert). Mit einigen Experimenten kam ich zu den folgenden Werten für den Filter:

Eigentum	Untergrenze	Obergrenze
Farbton	90	110
Sättigung	60	100
Wert	150	200

masks = cv2.inRange(
    src=img_hsv,
    lowerb=np.array((90, 60, 150)),
    upperb=np.array((110, 100, 200)),
)

Der Farbtonfilter ist hier zwischen 90 und 110 beschränkt, was dem hellblauen Papier am Boden des Bildes entspricht. Wir setzen auch einen Bereich der Sättigung und den Helligkeitswert, um eine einigermaßen genaue Maske zu erhalten.

Um die Ergebnisse anzuzeigen, müssen wir zunächst die Einzelkanalmaske in a umwandeln BGR Bildform mit 3 Kanälen. Darüber hinaus können wir die Maske auch auf das Originalbild anwenden und das Ergebnis visualisieren.

mask_bgr = cv2.cvtColor(masks, cv2.COLOR_GRAY2BGR)
img_bgr_masked = cv2.bitwise_and(img_bgr, img_bgr, masks=masks)

composite = cv2.hconcat((img_bgr, mask_bgr, img_bgr_masked))
cv2.imshow("Composite", composite)

Durch das Ändern des Farbtonbereichs können wir auch andere Teile isolieren. Zum Beispiel für das lila Papier können wir den folgenden Bereich angeben:

Eigentum	Untergrenze	Obergrenze
Farbton	160	175
Sättigung	80	110
Wert	170	210

2 – Farbkonvertierung

Während OpenCV eine praktische Funktion zum Umwandeln vollständiger Bilder zwischen Farbräumen bietet, bietet sie keine außergewöhnliche Lösung, um einzelne Farben zwischen Farbräumen zu konvertieren. Wir können einen einfachen Wrapper schreiben, der ein kleines 1 × 1 -Pixel -Bild mit einer Eingangsfarbe erstellt, die integrierte OpenCV -Funktion verwendet, um in einen anderen Farbton zu konvertieren und die Farbe dieses einzelnen Pixels erneut zu extrahieren.

def convert_color_space(enter: tuple(int, int, int), mode: int) -> tuple(int, int, int):
    """
    Converts between coloration areas

    Args:
        enter: A tuple representing the colour in any coloration house (e.g., RGB or HSV).
        mode: The conversion mode (e.g., cv2.COLOR_RGB2HSV or cv2.COLOR_HSV2RGB).

    Returns:
        A tuple representing the colour within the goal coloration house.
    """
    px_img_hsv = np.array(((enter)), dtype=np.uint8)
    px_img_bgr = cv2.cvtColor(px_img_hsv, mode)
    b, g, r = px_img_bgr(0)(0)
    return int(b), int(g), int(r)

Jetzt können wir die Funktion mit jeder Farbe testen. Wir können überprüfen, dass wir die gleichen Werte erhalten, wenn wir von RGB -> HSV -> RGB zurück zum ursprünglichen Format konvertieren.

red_rgb = (200, 120, 0)

red_hsv = convert_color_space(red_rgb, cv2.COLOR_RGB2HSV)
red_bgr = convert_color_space(red_rgb, cv2.COLOR_RGB2BGR)
red_rgb_back = convert_color_space(red_hsv, cv2.COLOR_HSV2RGB)

print(f"{red_rgb=}") # (200, 120, 0)
print(f"{red_hsv=}") # (18, 255, 200)
print(f"{red_bgr=}") # (0, 120, 200)
print(f"{red_rgb_back=}") # (200, 120, 0)

3 – kontinuierlicher Farbübergang

In diesem dritten Beispiel werden wir einen Übergang zwischen zwei Farben mit einer konstanten Helligkeit und Sättigungsinterpolation erstellen. Dies wird mit einer direkten Interpolation zwischen den anfänglichen und endgültigen RGB -Werten verglichen.

def interpolate_color_rgb(
    start_rgb: tuple(int, int, int), end_rgb: tuple(int, int, int), t: float
) -> tuple(int, int, int):
    """
    Interpolates between two colours in RGB coloration house.
    Args:
        start_rgb: The beginning coloration in RGB format.
        end_rgb: The ending coloration in RGB format.
        t: A float between 0 and 1 representing the interpolation issue.
    Returns:
        The interpolated coloration in RGB format.
    """
    return (
        int(start_rgb(0) + (end_rgb(0) - start_rgb(0)) * t),
        int(start_rgb(1) + (end_rgb(1) - start_rgb(1)) * t),
        int(start_rgb(2) + (end_rgb(2) - start_rgb(2)) * t),
    )


def interpolate_color_hsv(
    start_rgb: tuple(int, int, int), end_rgb: tuple(int, int, int), t: float
) -> tuple(int, int, int):
    """
    Interpolates between two colours in HSV coloration house.
    Args:
        start_rgb: The beginning coloration in RGB format.
        end_rgb: The ending coloration in RGB format.
        t: A float between 0 and 1 representing the interpolation issue.
    Returns:
        The interpolated coloration in RGB format.
    """
    start_hsv = convert_color_space(start_rgb, cv2.COLOR_RGB2HSV)
    end_hsv = convert_color_space(end_rgb, cv2.COLOR_RGB2HSV)

    hue = int(start_hsv(0) + (end_hsv(0) - start_hsv(0)) * t)
    saturation = int(start_hsv(1) + (end_hsv(1) - start_hsv(1)) * t)
    worth = int(start_hsv(2) + (end_hsv(2) - start_hsv(2)) * t)

    return convert_color_space((hue, saturation, worth), cv2.COLOR_HSV2RGB)

Jetzt können wir eine Schleife schreiben, um diese beiden Interpolationsmethoden zu vergleichen. Um das Bild zu erstellen, verwenden wir das np.full Methode zum Füllen aller Pixel des Bildarrays mit einer angegebenen Farbe. Verwendung cv2.hconcat Wir können die beiden Bilder horizontal in einem Bild kombinieren. Bevor wir sie anzeigen, müssen wir in das OpenCV -Format BGR konvertieren.

def run_transition_loop(
    color_start_rgb: tuple(int, int, int),
    color_end_rgb: tuple(int, int, int),
    fps: int,
    time_duration_secs: float,
    image_size: tuple(int, int),
) -> None:
    """
    Runs the colour transition loop.

    Args:
        color_start_rgb: The beginning coloration in RGB format.
        color_end_rgb: The ending coloration in RGB format.
        time_steps: The variety of time steps for the transition.
        time_duration_secs: The period of the transition in seconds.
        image_size: The scale of the photographs to be generated.
    """

    img_shape = (image_size(1), image_size(0), 3)
    num_steps = int(fps * time_duration_secs)

    for t in np.linspace(0, 1, num_steps):
        color_rgb_trans = interpolate_color_rgb(color_start_rgb, color_end_rgb, t)
        color_hue_trans = interpolate_color_hsv(color_start_rgb, color_end_rgb, t)

        img_rgb = np.full(form=img_shape, fill_value=color_rgb_trans, dtype=np.uint8)
        img_hsv = np.full(form=img_shape, fill_value=color_hue_trans, dtype=np.uint8)

        composite = cv2.hconcat((img_rgb, img_hsv))
        composite_bgr = cv2.cvtColor(composite, cv2.COLOR_RGB2BGR)

        cv2.imshow("Coloration Transition", composite_bgr)

        key = cv2.waitKey(1000 // fps) & 0xFF
        if key == ord("q"):
            break

    cv2.destroyAllWindows()

Jetzt können wir diese Funktion einfach mit zwei Farben aufrufen, für die wir den Übergang visualisieren möchten. Unten visualisiere ich den Übergang von Blau Zu Gelb.

run_transition_loop(
    color_start_rgb=(0, 0, 255),  # Blue
    color_end_rgb=(255, 255, 0),  # Yellow
    fps=25,
    time_duration_secs=5,
    image_size=(512, 256),
)

Der Unterschied ist ziemlich drastisch. Während die Sättigung und Helligkeit in der richtigen Animation konstant bleiben, ändern sie sich erheblich für den Übergang, der direkt in die interpoliert RGB Raum.

---

Weitere Informationen zur Implementierung finden Sie im vollständigen Quellcode im GitHub -Repository:

https://github.com/trflorian/auto-color-filter

---

Alle Visualisierungen in diesem Beitrag wurden vom Autor erstellt.

Die Europäische Union hat bestritten, dass die jüngsten Reduzierungen der Tech -Regulierung, insbesondere der Rückzug der KI -Haftungsrichtlinie, ein Ergebnis des Drucks der Trump -Regierung sind. Die KI-Haftungsrichtlinie zielte darauf ab, Verbraucherklagen für Schäden zu erleichtern, die durch KI-fähige Produkte und Dienstleistungen verursacht werden.

Die EU bestreitet den Druck von Trump auf die KI -Haftungsrichtlinie

In einem Interview mit dem FinanzzeitenHenna Virkkunen, der Digitalchef der EU, erklärte, dass die Entscheidung, den Vorschlag für KI -Haftung zu verschrotten, aus dem Ziel des Blocks zur Verbesserung der Wettbewerbsfähigkeit durch Reduzierung der Bürokratie und Bürokratie zurückzuführen ist. Sie erklärte, dass die EU Unternehmen bei der Anwendung von KI -Vorschriften „helfen und unterstützen“ und gleichzeitig sicherstellte, dass zusätzliche Berichtsverpflichtungen nicht erhoben werden.

Der US -Vizepräsident JD Vance forderte kürzlich den europäischen Gesetzgebern an der Paris AI Motion Summit Um ihren Ansatz zur technologischen Regulierung zu überdenken und die „KI -Gelegenheit“ zu nutzen. Nach seiner Rede veröffentlichte die Europäische Kommission ihr Arbeitsprogramm 2025, das den Rückzug des KI -Haftungsvorschlags bestätigte und Pläne zur Förderung der KI -Entwicklung und -annahme in der Area skizzierte.

Die jüngsten Anpassungen für die technische Politik der EU zielen darauf ab, Investitionen in künstliche Intelligenz voranzutreiben, ohne dem externen Druck zu erliegen. Virkkunen betonte, dass der Deregulationsschub durch das EU -Ambition, wettbewerbsfähig zu bleiben, und nicht von den Vereinigten Staaten beeinflusst wird. Sie stellte fest, wie wichtig es ist, die Durchsetzung bestehender On-line -Plattformregeln aufrechtzuerhalten, um ein faires Wettbewerbsumfeld zu gewährleisten.

Der EU’s AI ACT Kategorisiert KI-Technologien basierend auf ihrem Risiko, wobei festgestellt wird, dass Kategorien mit höherem Risiko strengere Berichtsanforderungen beinhalten. Leistungsstarke KI-Modelle wie GPT-4 von OpenAI und Google Gemini werden ebenfalls verbesserten Transparenzverpflichtungen hinsichtlich ihrer Schulungsmethoden unterzogen.

Trotz Kritik von Unternehmen wie Google und Meta über den bevorstehenden KI -Praxiskodex bekräftigte Virkkunen das Engagement der EU, die Bürokratie zu kürzen und gleichzeitig seine Werte und rechtlichen Rahmenbedingungen zu schützen. Sie erklärte: „Unsere digitale Welt kann kein wilder Westen sein, in dem es keine Regeln gibt.“ Die EU behauptet weiterhin, dass sie für US -Technologiefirmen einer der größten Märkte bleibt, die ihren regulatorischen Anforderungen größtenteils erfüllt haben.

Einen Tag nach der Rede von Vance stellte die Kommission ihr Arbeitsprogramm 2025 vor. fördern Eine „mutige, einfachere, schnellere“ Vereinigung. Das Dokument verschrottete den Vorschlag für KI -Haftung und skizzierte und skizzierte Initiativen zur Steigerung des regionalen KI -Wachstums und der Annahme.

Wichtige Leistungen des Arbeitsprogramms 2025 Provision:

• Nachhaltiger Wohlstand und Wettbewerbsfähigkeit: Der Wettbewerbsfähigkeit wird das Wachstum vorantreiben, während die EU-Begin- und Scale-up-Strategie Verbessert den Zugang zu Kapital. Der Sauberes Industriegeschäft zielt auf eine Reduktion von 90% um 2040 ab.
• Verteidigung & Sicherheit: Stärkung Europäische Verteidigung durch kollektive Investitionen mit der NATO, gestärkt durch die Gewerkschaftsstrategie für die BereitschaftAnwesend EU -LagerstrategieUnd Kritische Medikamente Gesetz wesentliche Ressourcen sichern.
• Sozialpolitik und Belegschaft: Der Neue Aktionsplan für die europäische Säule der sozialen Rechte Und Vereinigung der Fähigkeiten modernisiert Richtlinien, um Arbeitnehmer für technologische und demografische Veränderungen auszustatten.
• Lebensqualität und Nachhaltigkeit: A Imaginative and prescient für Landwirtschaft und Nahrung sorgt für die Stabilität für Landwirte. Der Ozeanpakt Und Europäische Strategie für Wasserresilienz wird den Klimawandel ansprechen, während a Gemeinsame Landwirtschaftspolitik Das Vereinfachungspaket reduziert die Bürokratie.
• Demokratie & Werte: Der Demokratieschild bekämpft Extremismus und Desinformation. Erneuert LGBTIQ -Gleichheit Und Antirassismus Strategien zielen darauf ab, die Antidiskriminierungspolitik zu stärken.
• Globale Strategie: Priorisierung Die Freiheit der Ukraine und a Zwei-Staaten-Lösung im Nahen OstenDie EU wird voranschreiten Partnerschaften des Mittelmeer-, Schwarzen Meeres und Indiens Für die regionale Zusammenarbeit.
• Zukunftsfest der Gewerkschaft: Eine überarbeitete Multiangual Monetary Rahmen wird die Finanzierung rationalisieren und die Auswirkungen der EU -Erweiterung bewerten, um die Wirksamkeit der Politik in einer größeren Gewerkschaft zu gewährleisten.

---

Ausgewähltes Bildnachweis: Carl Gruner/Unsplash

Dow Jones Industrial Common (DJIA)-Futures sind heute Morgen dreistellig gesunken, nachdem ein Weihnachtsmann-Rallye das geschah vor Heiligabend. Die Futures auf den S&P 500 Index (SPX) und den Nasdaq-100 Index (NDX) tendieren ebenfalls nach unten, da die Rendite 10-jähriger Staatsanleihen stieg und den höchsten Stand seit Mai erreichte. Die Zahl der Arbeitslosenanträge sank letzte Woche auf weniger als erwartete 219.000 und lieferte den Händlern wichtige Wirtschaftsdaten.

Marktbewegungen und Aktien-Highlights

Die Cboe Choices Alternate (CBOE) meldete am Dienstag den Austausch von mehr als 1,2 Millionen Name-Kontrakten und 614.931 Put-Kontrakten. Das Aktien-Put/Name-Verhältnis einer einzelnen Sitzung stieg auf 0,51, während der gleitende 21-Tage-Durchschnitt bei 0,61 blieb.

Die Aktien von Toyota Motor Corp (NYSE:TM) stiegen im vorbörslichen Handel um 9,1 %, nachdem berichtet wurde, dass der Autohersteller plant, sein Eigenkapitalrenditeziel zu verdoppeln. Dies geschah nach einem Rückgang der Aktie um 28,5 % in den letzten neun Monaten.

Die Aktien von Piedmont Lithium Inc (NASDAQ:PLL) stiegen vor der Handelseröffnung um 2,2 % und versuchten, ihre Gewinne auszubauen, obwohl der genaue Grund für diese constructive Preisentwicklung unklar bleibt. PLL weist seit Jahresbeginn ein Defizit von 68,8 % auf.

Die Aktien von RCI Hospitality Holdings Inc (NASDAQ:RICK) stiegen vor Handelsbeginn um 1,1 % und markierten damit trotz eines Jahresdefizits von 13,4 % ihren dritten Zuwachs in Folge.

---

Dow-Jones-Futures fallen um 0,2 %: Wie geht es mit der Weihnachtsmann-Rallye weiter?

---

Reaktionen des asiatischen Marktes

Der japanische Nikkei-Index stieg um 1,1 %, während der chinesische Shanghai Composite einen leichten Anstieg von 0,1 % verzeichnete. Der südkoreanische Kospi fiel um 0,4 %, und die Märkte in Hongkong blieben geschlossen. Japan rechnet für das Haushaltsjahr mit einem Price range von 735 Milliarden US-Greenback, was zu einem Anstieg der Rendite 10-jähriger Anleihen auf 1,07 % beigetragen hat. In Südkorea wird am Freitag auf Initiative der Demokratischen Partei über ein Amtsenthebungsverfahren abgestimmt.

US-Marktaktivität

Am Donnerstag fiel der Dow Jones Industrial Common um 0,2 %, der S&P 500 um 0,3 % und der Nasdaq Composite um 0,5 %. Früher am Tag stieg die Rendite 10-jähriger Staatsanleihen auf 4,64 %, während die Ölpreise stiegen und West Texas Intermediate-Futures bei etwa 70,60 $ professional Barrel gehandelt wurden.

Unter den börsengehandelten Fonds verlor der Invesco QQQ Belief (QQQ) 0,5 % und der SPDR S&P 500 ETF (SPY) verlor nach Marktöffnung 0,3 %.

Nvidia und andere Aktien, die man im Auge behalten sollte

Die Nvidia-Aktie (NVDA) stieg am Dienstag um 0,4 %, erreichte einen neuen Kaufpunkt und verlängerte eine viertägige Siegesserie. Die Aktie bildet eine Doppelbodenbasis, die bis zum Ende der Woche einen Einstiegspunkt von 146,54 bietet. Die Aktien fielen am Donnerstagmorgen um 0,9 %, da sie nach den jüngsten Zuwächsen Stabilität suchten.

Disney nähert sich einem Kaufpunkt von 118,63 in einem Becher mit Henkelmuster, wobei die Aktien am Donnerstagmorgen um 0,2 % zulegten. BlackRock (BLK) liegt knapp unter einem Kaufpunkt von 1.068,34 und fand Unterstützung bei seinem gleitenden 50-Tage-Durchschnitt, obwohl die Aktien im frühen Handel um 0,4 % fielen. Burlington Shops liegt in einer Kaufspanne über einem Kaufpunkt von 279,51, rutschte aber am Donnerstagmorgen um 0,3 % ab.

---

Warum die Nvidia-Aktie nach der Keynote zur CES 2025 steigen könnte

---

Interactive Brokers legte am Dienstag um 1 % zu und bietet einen frühen Einstieg bei rund 172,50 an, obwohl der Kurs am Donnerstag um 0,1 % gefallen ist. Taiwan Semiconductor Manufacturing (TSMC) brach am Montag aus und überschritt einen Kaufpunkt von 205,63, doch die Aktien fielen am Donnerstag um 0,6 %.

Die drei großen US-Indizes verzeichneten in dieser Feiertagswoche starke Zuwächse. An den Dow gebundene Futures fielen um 120 Punkte, während S&P 500-Futures und Nasdaq 100-Futures jeweils um 0,3 % nachgaben. Der S&P 500 ist diese Woche um 1,8 % gestiegen und markiert damit die beste Heiligabendperformance seit 1974.

Die Zahl der Erstanträge auf Arbeitslosenunterstützung sank unerwartet auf 219.000 im Vergleich zu 220.000 in der Vorwoche, während die Daueranträge um 46.000 auf 1,91 Millionen stiegen, was den höchsten Stand seit November 2021 darstellt. Capital Economics prognostiziert, dass der S&P 500 nächstes Jahr bei etwa 7000 enden könnte, was einem Anstieg von quick 16 % entspricht seit seinem letzten Abschluss.

Der Rückgang der Dow Jones-, S&P 500- und Nasdaq-Futures sowie die steigenden Renditen 10-jähriger Staatsanleihen spiegeln die vorsichtige Stimmung wider, da höhere Renditen Aktien unter Druck setzen, insbesondere in Wachstumssektoren. Der Anstieg von Toyota um 9,1 %, der auf Pläne zur Verdoppelung der Eigenkapitalrenditeziele zurückzuführen ist, deutet auf betriebliche Verbesserungen und aktionärsorientierte Strategien hin, während der Rückgang von Nvidia trotz seiner optimistischen Double-Backside-Foundation und KI-Führung auf eine Konsolidierung hindeuten könnte.

Die gemischte globale Marktstimmung mit Japans fiskalischem Optimismus und Südkoreas politischer Unsicherheit macht den Ausblick noch komplexer. Starke Zuwächse in der Weihnachtswoche stehen im Gegensatz zu Rückgängen bei den Futures, was auf Gewinnmitnahmen oder eine Neuausrichtung zum Jahresende hindeutet. Niedrigere Arbeitslosenanträge unterstreichen die wirtschaftliche Widerstandsfähigkeit, schüren jedoch Bedenken hinsichtlich einer anhaltenden restriktiven Haltung der Fed, die möglicherweise zu anhaltender Marktvolatilität führen könnte. Anleger könnten sich auf hochwertige Aktien wie Toyota konzentrieren und makroökonomische Developments, geopolitische Ereignisse und die von Nvidia beobachten CES 2025 Keynote für langfristige Katalysatoren in einem unsicheren Umfeld.

---

Haftungsausschluss: Der Inhalt dieses Artikels dient ausschließlich Informationszwecken und sollte nicht als Anlageberatung ausgelegt werden. Wir befürworten keine spezifischen Anlagestrategien und geben keine Empfehlungen zum Kauf oder Verkauf von Wertpapieren ab.

Hervorgehobener Bildnachweis: Kerem Gülen/Ideogramm

Sie vermissen additionally auch die alte Charakter-KI … Nun, wir haben gute Neuigkeiten!

Die Plattform, die für ihre KI-gesteuerten Charaktere und Konversationen bekannt ist, führte eine neue Benutzeroberfläche ein, die eine gewisse Sehnsucht nach dem vertrauten Erscheinungsbild des Originals weckte. Diese Änderung löste Diskussionen und den Wunsch aus, zu dem zurückzukehren, was manche als benutzerfreundlicheres Structure betrachten.

Wir zeigen Ihnen die Methode, mit der Benutzer auf die alte Character AI-Schnittstelle zugreifen können.

Wie verwende ich die alte Charakter-KI?

Der Übergang zu einer neuen Schnittstelle ist im Web keine Seltenheit. Web sites und Plattformen entwickeln sich häufig weiter, um das Benutzererlebnis, die Ästhetik oder die Funktionalität zu verbessern. Allerdings finden diese Veränderungen nicht immer bei jedem Anklang. Im Fall von Character AI führte die aktualisierte Benutzeroberfläche zwar möglicherweise zu neuen Funktionen, führte jedoch dazu, dass einige Benutzer nach Möglichkeiten suchten, zum ursprünglichen Design zurückzukehren.

Glücklicherweise ist die Rückkehr zur alten Charakter-KI kein komplexer Prozess. Durch eine kleine Anpassung der URL der Web site können Benutzer auf die vorherige Oberfläche zugreifen und das vertraute Structure genießen, das sie bevorzugen. Diese Methode wurde innerhalb der Charakter-KI-Neighborhoodbietet eine einfache Möglichkeit, das Erlebnis an individuelle Vorlieben anzupassen.

So erhalten Sie die alte Charakter-KI zurück:

1. Öffnen Sie Ihren Webbrowser und gehen Sie zu Character AI-Web site.
2. Sehen Sie sich die URL in der Adressleiste an. Sie werden einen Abschnitt mit der Aufschrift „/chat2?“ bemerken.
3. Ändern Sie die URL, indem Sie die „2“ aus diesem Abschnitt entfernen. Die URL sollte jetzt „/chat?“ lauten.
4. Drücken Sie die Eingabetaste, um die Seite neu zu laden.

Nach der Aktualisierung sollte die Character AI-Web site die alte Benutzeroberfläche mit ihrem vertrauten Design und ihren vertrauten Funktionen anzeigen. Dadurch können Benutzer mit den KI-Charakteren der Plattform in der Umgebung interagieren, in der sie sich am wohlsten fühlen.

Ob aus Nostalgie, Vorliebe oder dem Wunsch nach bestimmten Funktionen – die Möglichkeit, zur alten Charakter-KI zurückzukehren, ermöglicht es Benutzern, ihre Interaktionen nach ihren Wünschen anzupassen.

Können Sie ohne NSFW-Filter weiterhin auf die Charakter-KI zugreifen?

Die Entstehung alternativer Plattformen, wo Autoren von NSFW Character AI zeigen, wozu KI fähig ist wenn es nicht durch Filter eingeschränkt wird, zeigt es die wachsende Nachfrage nach uneingeschränkter KI-Interaktion.

Wenn Sie sich additionally fragen Kann die Charakter-KI ohne Filter verwendet werden? Nachdem die alte Character AI-Oberfläche wiederhergestellt wurde, hat die Plattform einen robusten NSFW-Filter (Not Protected For Work) implementiert, der explizite Inhalte einschränken soll. Während einige Benutzer in der Vergangenheit vorübergehende Workarounds gefunden haben, wird die Plattform ständig weiterentwickelt. Diese Workarounds sind möglicherweise nicht zuverlässig, da Entwickler sie in Updates patchen könnten.

Für diejenigen, die nach KI-Charakterinteraktionen ohne Inhaltsbeschränkungen suchen, gibt es einige different Plattformen:

• Crushon.AI: Diese Plattform ermöglicht ungefilterte Gespräche und ermöglicht die Erstellung eigener Charaktere.
• Hausmeister-KI: Ähnlich wie Character AI, aber mit der Choice, den NSFW-Filter zu deaktivieren.
• Tavernen-KI: Konzentriert sich hauptsächlich auf textbasierte KI-Bots, wobei der Schwerpunkt weniger auf der Filterung liegt.

Character AI verändert sich wie viele andere Web sites ständig. Wir können in Zukunft neue Instruments, ein frisches Aussehen und noch mehr Dinge auf der Web site erwarten. Aber die Leute möchten immer noch, dass sich alles vertraut anfühlt und möchten selbst entscheiden, wie sie die Web site nutzen. Wie dem auch sei, schauen Sie sich gerne um 15 Charakter-KI-Ideen für Rollenspiel-Abenteuer Dadurch erhalten Sie eine bessere Vorstellung davon, was zu tun ist, nachdem Sie Zugriff auf die alte Benutzeroberfläche von Character AI erhalten haben!

Für Leute, denen die alte Charakter-KI besser gefiel, ist das Ändern der Web site-Adresse wie eine Zeitreise in die Vergangenheit. Sie können die Seite so nutzen, wie sie ihnen zuvor gefallen hat. Das zeigt, dass wir trotz all der neuen Sachen immer noch einige der alten Dinge wollen, die uns gefallen haben.

Haftungsausschluss:

• Die in diesem Beitrag bereitgestellten Informationen entsprechen unserem besten Wissen zum Zeitpunkt der Erstellung.
• Die beschriebene Methode stellt möglicherweise keine dauerhafte Lösung dar, da Plattformaktualisierungen die Verfügbarkeit der alten Schnittstelle ändern könnten.

---

Hervorgehobener Bildnachweis: Charakter-KI