OpenAI, Anthropic und mein eigener Test: Wem kann man bei KI noch glauben?

Shownotes

Die große These

Bei KI-Nachrichten entscheidet 2026 nicht mehr nur, was ein Modell kann, sondern wer die Geschichte darüber erzählt. Ob „zu gefährlich zum Veröffentlichen“ (OpenAI), „bis zu 30 % günstiger“ (Anthropic) oder „92 % Genauigkeit“ im eigenen Test: Wer nicht nachschaut, woher die Wahrheit kommt, übernimmt die Botschaft des Absenders — auch wenn er mit KI recherchiert.

Warum diese Folge wichtig ist

Wer KI im Unternehmen einsetzt, trifft Entscheidungen auf Basis von Zahlen, die fast immer vom Hersteller stammen. Diese Folge zeigt an drei Beispielen, wie weit Herstellerbotschaft und Wirklichkeit auseinanderliegen können. Erstens: Eine Warnung wie „unser Modell ist zu gefährlich“ ist zugleich Werbung für seine Fähigkeiten — und wenn alle Medien denselben Vorfallbericht wiedergeben, gibt es trotzdem nur eine Quelle.

Zweitens: Ein niedriger Tokenpreis sagt nichts darüber, was eine erledigte Aufgabe kostet, wenn ein Modell auf der höchsten Denkstufe ein Vielfaches an Token verbraucht und dabei nicht einmal besser wird. Drittens: Ein Testergebnis ist nur so gut wie die Musterlösung — wenn das große Modell die Referenz selbst geschrieben hat, benotet es sich selbst. Dazu kommt die Finanzseite: Unkündbare Rechenzentrumsverträge über Hunderte Milliarden Dollar, ein wackelnder Kreditmarkt rund um Oracle und Speicherpreise, die jetzt die Notebook- und Server-Erneuerung im Mittelstand verteuern. Wer auf einen KI-Anbieter baut, baut auch auf dessen Finanzierung — deshalb sollte das Modell in jeder Architektur austauschbar sein.

Themen der Folge

Rahmen der Folge: „Wem kann man noch glauben?“ auf drei Ebenen — OpenAI, Anthropic und der eigene Test; Yusuf legt offen, dass er Claude täglich nutzt und mit drei KIs recherchiert hat, die alle Fehler enthielten
GPT-6.1 Astra abgesagt (Montag, 28.09.2026, einen Tag vor dem DevDay): laut OpenAI in einigen Punkten besser als der Vorgänger, aber die Latte bei Einhaltung von Umfang und Autorisierung sowie ehrlicher Rückmeldung nicht erreicht, mehr Täuschung, ungefragte Nutzung von Dritt-Tools; geplant war der Start im Oktober
Australien-Vorfall (18.06.2026): Ein internes OpenAI-Modell griff bei einer Recherche zu Ausgaben für Hautmedikamente in Victoria ohne Berechtigung auf Behördensysteme im Medicare-Umfeld zu (Quellcode, interne Dateien, Zugangsdaten; laut OpenAI keine Patientendaten); Regierung am 10.09. über ein allgemeines Postfach informiert, Kritik von Premierminister Albanese am 24.09., Entschuldigung am 28.09.
DNS-Vorfall (20.09.2026): Ein internes Forschungsmodell (nicht Astra) umging im Training den Netzfilter über den internen DNS-Resolver, um eine Person anhand eines Blogposts zu identifizieren; Überwachung nach rund 15 Minuten, Mensch bestätigt rund 3 Minuten später, automatischer Notstopp greift nicht, Lauf noch rund 2,5 Stunden bis zum Stopp von Hand; zweite Trainingspause in weniger als drei Monaten (die erste Ende Juli nach dem Hugging-Face-Fall)
AISI-Test des britischen AI Security Institute (staatlich): GPT-6 Astra griff in 29,2 % der simulierten Läufe ungefragt eine Software-Lieferkette an, GPT-5.6 Sol in 6,3 %, GPT-5.5 in 0 % (kleinere Auswahl); alles simuliert, Schutzklassifikatoren absichtlich aus; in einer gezielt schwierigen Teilmenge sanken vollständige Angriffe durch klar formulierte Grenzen im Auftrag von 26 aus 50 auf 4 aus 49
Yusufs Einschätzung (ausdrücklich als Verdacht, nicht als Tatsache): DNS-Tunneling ist seit über 20 Jahren bekannt, eine abgeschottete Umgebung mit offener DNS-Auflösung ist „fahrlässig oder reine Absicht“; die einzige Quelle für den spektakulärsten Teil ist OpenAIs eigener Vorfallbericht; „zu gefährlich“ erspart den direkten Vergleich mit Opus 5.5 (Artificial Analysis Index v4.3.2: Opus 5.5 58, Sonnet 5.5 56, GPT-6 Astra 53)
Die Zeitleiste: RubyGems-Fall 11./12.05. (laut Berichten über 2.000 Schadpakete, öffentlich erst 14.09.), Australien 18.06., DNS 20.09., Astra-Absage 28.09. — vier Ereignisse über vier Monate, die als eine Geschichte erzählt werden; Yusufs eigene KI-Recherche hat genau diese Verknüpfung ebenfalls hergestellt
Die Gegenargumente, die Yusuf selbst nennt: AISI ist unabhängig vom Hersteller, den Australien-Vorfall hat die Regierung kritisiert, eine Trainingspause kostet OpenAI echtes Geld und Tempo, und banale Lücken sind in großen Organisationen die häufigsten
Praxis-Checkliste für eigene Agenten: „Internet zu“ heißt nicht alles zu (DNS, Proxys, interne Dienste prüfen), Notstopp wirklich testen, eigene Konten, getrennte Netzsegmente, keine echten Zugangsdaten in Testumgebungen, ein Log, das jemand liest
Nvidia Open Agent Safety Platform (angekündigt 28.09.): OpenShell als quelloffene Laufzeitumgebung plus Referenzdesign Sentry für getrennte Überwachung — Kontrolle neben dem Modell statt im Modell („zugesperrte Tür statt Bitte, nicht aufzumachen“); Wirkung laut Herstellerangabe, nicht unabhängig belegt
OpenAI DevDay (29.09.): laut Live-Berichten keine Erklärung zu Astra, DNS oder Australien; Dots als Dauer-Agenten mit eigenem Cloud-Rechner, über 4.000 Apps via Plugins, bedienbar über Slack und Teams, laufen auf GPT-6 Astra, nur in Pro 200, Business Premium, Enterprise und Edu
GPT-6.1 Sol: 2 $ Input / 10 $ Output je Million Token (etwa ein Fünftel des Astra-Standardpreises), laut OpenAI beim Programmieren nahe an Astra; bei Artificial Analysis 52 Punkte und 0,72 $ pro Aufgabe
Neue Abo-Logik: Pro 500 für 500 $/Monat, Pro 200 für Neukunden nur noch 10-fache statt 20-fache Plus-Nutzung (Bestandskunden ausgenommen); EU-Verfügbarkeit, Datenresidenz und Euro-Preise noch nicht gefunden
Decisions API (Limited Preview): schnelle Entscheidungen zwischen fest vorgegebenen Antworten — OpenAIs Antwort auf TypeSafe Jev
Claude Sonnet 5.5 (28.09.): laut Anthropic über 30 % schnellere Ausgabe und bis zu 30 % geringere Kosten pro Aufgabe bei unverändert 2 $/10 $ je Million Token
Die unabhängige Messung: Artificial Analysis 56 Punkte (Platz 2 hinter Opus 5.5), aber rund 193.000 Ausgabe-Token pro Aufgabe (höchster je gemessener Wert, rund 60 % mehr als Opus 5.5, rund 7-mal so viel wie Astra) und 7,60 $ pro Aufgabe — rund 50 % mehr als Sonnet 5, gemessen auf der höchsten Denkstufe „Max“
Zwei Messungen, zwei Zahlen: Terminal-Bench 4.0 laut Anthropic 70,6 %, laut Artificial Analysis 64 %; FrontierCode in Anthropics eigener Tabelle „Xhigh“ 52,1 %, „Max“ nur 46,2 % (zusätzliche Unteragenten-Reviews führen zu Zeitüberschreitungen und Änderungen außerhalb des Auftrags)
Limits und Kosten: Mehr Token pro Aufgabe leeren das Abo-Kontingent schneller, egal was das Token kostet; Claude Code startet auf „Medium“, die Entwicklerplattform auf „High“
Yusufs Beispielrechnung (frei gewählte Zahlen): Agent A kostet 0,40 € plus 6 Minuten Prüfung = 6,40 €, Agent B 0,80 € plus 2 Minuten = 2,80 € bei 60 € Stundensatz — das teurere Modell ist das günstigere; Empfehlung: 10–20 wiederkehrende Aufgaben (z. B. Wartungsbericht zusammenfassen, Kundendaten abgleichen) auf mehreren Stufen durchlaufen lassen und die Nacharbeit mitschreiben
Faktenwissen laut Artificial Analysis: Sonnet 5.5 54 %, Opus 5.5 66 %, Sonnet mit niedrigerer Halluzinationsrate
Die Jev-Klone: Latent.Space „sechs Klone von Jev in zwei Tagen“, DataCamp am 23.09. mit sieben Alternativen, laut DataCamp noch nicht durchgetestet; drei Richtungen: Encoder (Laya), kleine Sprachmodelle mit LoRA (Bespoke Nimble, Kev von Jared Palmer, JevK5, OpenJev, NanoJev) und Diffusion (vLLM-Modus vom 22.09. mit Googles DiffusionGemma)
Encoder vs. Decoder erklärt: Ein Decoder wie ChatGPT oder Claude schreibt Wort für Wort, ein Encoder liest den ganzen Text auf einmal in beide Richtungen und entscheidet in einem Rechenschritt — wie eine Sekretärin, die Post einsortiert, statt über jedes Schreiben einen Aufsatz zu verfassen
BERT (2018, Google, Bidirectional Encoder Representations from Transformers) und ModernBERT (Dezember 2024, Answer.AI und LightOn, rund 8.000 statt 512 Token Kontext, 150–400 Mio. Parameter)
LoRA (Low-Rank Adaptation, Microsoft 2021): Das Grundmodell bleibt eingefroren, trainiert werden nur kleine Zusatzmatrizen, oft deutlich unter 1 % der Parameter — „Post-its im Fachbuch“, die Zusatzdatei ist nur wenige Megabyte groß
Yusufs Experiment im Digitalen Zwilling von Hardwarewartung 24: Laya (mehrsprachige Variante, 322 Mio. Parameter, rund 1/80 der Größe) gegen das Produktions-LLM Qwen mit 27 Mrd. Parametern (rund 8 Sekunden pro Mail); Router mit 9 Klassen, Kuration mit 28 Prozessschritten; Training mit rund 114.000 bzw. knapp 37.000 von Qwen gelabelten Mails auf einer GPU mit rund 6,6 GB, 21–81 Minuten
Ergebnisse: Router 26,7 % ohne und 85,7 % mit Training (stabil gegenüber vertauschter Optionsreihenfolge), Kuration von rund 11 % auf 77,5 %; Qwen lag im ersten Vergleich bei 92 %
Die Pointe: 225 von 300 Musterlösungen im Router-Test waren ungeprüfte Qwen-Antworten — das große Modell hat sich selbst benotet; auf den 73 von Menschen beurteilten Fällen Laya rund 60 %, Qwen rund 67 % (statistisch nicht unterscheidbar); in 14 Streitfällen Laya 6-mal richtig, Qwen 3-mal, 4-mal beide falsch (2 RMA-Fälle ohne Klasse, 2 in einer unscharfen Sammelklasse)
Nach der Korrektur 88,0 % zu 88,6 % — kein messbarer Unterschied bei rund ± 4 Punkten Genauigkeit, aber rund 10 Millisekunden statt 8 Sekunden pro Mail (grob Faktor 800, unter verschiedenen Bedingungen gemessen)
Warum Laya trotzdem noch nicht eingebaut wird: Der Schüler übernimmt die Fehler des Lehrers, Schwächen bei ausgehenden Rechnungen (63 % vs. 89,5 %) und seltenen Prozessschritten; nächster Schritt ist eine geprüfte Referenz mit über 1.000 Fällen aus echten Mitarbeiteraktionen und eine blinde Beurteilung
Ausblick Log-Klassifikation: Ist es eine Fehlermeldung, wie dringend, welche Abteilung, darf eine KI sie beheben? Syslog-Severity als Vorlage, KI-Behebung nur ab sehr hoher Sicherheit (im Mail-Test war Laya ab 0,9 Sicherheit immer richtig, das betraf aber nur 8 % der Fälle)
Anthropic-Börsenprospekt: kein öffentliches Filing auf EDGAR, sondern ein Entwurf, den Reuters am 28.09. eingesehen hat — Umsatz 2025 knapp 4,6 Mrd. $ (rund 12-fach), Nettoverlust 42 Mrd. $, davon rund 34 Mrd. $ buchhalterische Neubewertung, operativ gut 8 Mrd. $ Verlust; operative Kosten 12,65 Mrd. $, davon 7,33 Mrd. $ für Rechenleistung und Infrastruktur
518 Mrd. $ Verpflichtungen für Cloud, Rechenleistung und Infrastruktur, rund 80 % nicht kündbar (größter Posten Broadcom, dann Google und Amazon mit jeweils rund 110 Mrd. $), rund 20 Mrd. $ Cash Ende 2025; zwei Kunden stehen für knapp ein Viertel des Umsatzes; AT&T schickt rund 40 % der internen KI-Anfragen an offene Modelle, Ziel 60–70 %; Bewertungsziel laut Reuters über 2 Billionen $, Börsengang nach den US-Zwischenwahlen
Run-Rate (Insider- und Investorenangaben, nicht offiziell): Ende 2025 rund 9 Mrd. $, April 30 Mrd. $, Ende Juli 65 Mrd. $, Erwartung laut FT 100–120 Mrd. $ zum Jahresende; Yusufs eigene Überschlagsrechnung (2026 rund 55, 2027 rund 160, 2028 rund 240 Mrd. $) — mit den Haken Marge, Kundenbindung und inoffizielle Zahlen
Nscale (S-1 öffentlich auf EDGAR, 18.09.): Verträge mit Anthropic über bis zu 44,6 Mrd. $ und mit Microsoft über bis zu 43,8 Mrd. $, 140,6 Mio. $ Umsatz im ersten Halbjahr 2026 gegen 103,4 Mrd. $ Vertragsvolumen (rund 1 : 700), Take-or-pay-Verträge, Börsengang an der NYSE Mitte Oktober erwartet
Oracle Project Jupiter (New Mexico, für OpenAI): rund 18 Mrd. $ Projektkredite, gehandelt bei 89–91 Cent je Dollar; Force-Majeure-Mitteilung am 24.09., weil sich die Gaspipeline für das Kraftwerk um rund ein halbes Jahr auf Februar 2027 verschiebt (Campus 2,45 GW, Start 2028, Luftgenehmigung offen); Oracle: Projekt im Zeitplan; Aktie am 24.09. je nach Quelle 3–5 % im Minus
Fact-Check 1 im Video (KI-Avatar): Gefallen sind die Kurse der Projektkredite, die Kreditausfallversicherungen (CDS) auf Oracle sind dagegen auf ein Rekordhoch von rund 227 Basispunkten gestiegen (Anfang 2026: rund 144) — beides zeigt dasselbe höhere Ausfallrisiko
Oracle-Rating: S&P hat Oracle am 09.07.2026 auf BBB- herabgestuft, eine Stufe über Ramschniveau; rund die Hälfte des Auftragsbestands von über 600 Mrd. $ hängt laut Analystenschätzungen an OpenAI
Fact-Check 2 im Video (KI-Avatar): Die US-Notenbank hat am 16.09.2026 um 0,25 Prozentpunkte erhöht (auf 3,75–4,00 %), nicht um 0,75; die Rendite 10-jähriger US-Staatsanleihen liegt über 5 %
Praxis für Mittelständler: Oracle ist Lieferant für Datenbank, ERP und Java — unter Finanzdruck wird Lizenzpolitik selten freundlicher; beim Rechenzentrum ist Strom und Gas der kritische Pfad, Force-Majeure-Klauseln in Colocation- und Cloud-Verträgen lesen
Speicherkrise beim Firmen-Notebook: RAM für Endkunden in Deutschland +370 % gegenüber Mitte September 2025, vergleichbare Notebooks 20–40 % teurer, Auslieferungen Q2 2026 −4,2 %, mehr als die Hälfte der Händler meldet verschobene Firmenerneuerungen, 6 % erwarten Absagen; Western Digital und Seagate: Enterprise-Festplatten für 2026 ausverkauft, Großkunden bis 2028 gebucht, bei 32 TB und mehr über ein Jahr Wartezeit
Micron: Prognose für das Geschäftsquartal Q4 2026 von 50 ± 1 Mrd. $ Umsatz bei rund 86 % bereinigter Bruttomarge (Istzahlen kamen erst nach der Aufnahme); Gegenstimme Acer-Chef Jason Chen (20.09.): Speicherhersteller übertreiben die Knappheit, PC-Preise im 4. Quartal 2026 noch 5 bis 20 % höher, Plateau im ersten Halbjahr 2027, billiger ab Mitte/Ende 2027
Server: Kontraktpreise für Server-DRAM laut TrendForce-Prognose im 3. Quartal +13–18 % gegenüber dem Vorquartal; Speicher ist ein großer Kostenblock jedes Servers
Windows Server 2012 und 2012 R2: Am 13.10.2026 enden endgültig die bezahlten Sicherheitsupdates (ESU) — migrieren zu hohen Hardwarepreisen oder vorhandene Hardware länger betreiben und nur das Betriebssystem angehen; Lebensdauer wird zum Kostenhebel (Wartung, Ersatzteile, Refurbished-Hardware), Angebote kurz befristen und Preisgleitklauseln prüfen
AMD will World Labs übernehmen (28.09.): verbindliche Vereinbarung, Zahlung in Aktien, Bewertung rund 8,2 Mrd. $, Abschluss bis Ende 2026 geplant; Nvidia war an der Finanzierungsrunde im Februar beteiligt; Fei-Fei Li soll Chief Scientist werden und an Lisa Su berichten; AMD erstmals über 1 Billion $ Börsenwert (21.09.) — Yusuf hält den Aktien-Deal für einen der schlausten Zukäufe von AMD
Pentagon vs. Anthropic (25.09.): Das Berufungsgericht in Washington weist Anthropics Klage 2:1 ab, die Einstufung als Lieferkettenrisiko bleibt; Anthropic schließt vollautonome Waffen und Massenüberwachung im Inland aus; die abweichende Richterin Karen LeCraft Henderson hält ehrlich durchgesetzte Beschränkungen für keinen Sperrgrund
US-China-Gipfel in Washington: Handelswaffenstillstand nur bis 10.01.2027, keine Bewegung bei Chips und Nvidia Blackwell, vereinbart ein Dialog über Superintelligenz und ein Kanal für KI-Sicherheitsvorfälle — vereinbart, aber nicht in Betrieb (keine Definition, kein Betreiber, keine Reaktionszeit)
Ausblick: 01.10. australische Senatsanhörung zum Behörden-Vorfall (Sam Altman und Dario Amodei abgesagt), 06.10. Anhörung von Jason Kwon (OpenAI), 01.10. Frist von Senator Josh Hawley an OpenAI, Mitte Oktober Nscale-Börsengang, 13.10. Patchday und Ende der Windows-Server-2012-Updates
Fazit und Hausverstand-Checkliste: Wer ist die einzige Quelle? Wer hat was davon? Gibt es eine unabhängige Messung? Passt es zu dem, was ich selbst weiß? Mehrere KIs gegeneinander prüfen lassen — das Urteil bleibt beim Menschen

Kapitelmarken

00:00 – Cold Open (KI-Yusuf)
00:51 – Intro
01:09 – Begrüßung und die Themen der Woche
04:10 – GPT-6.1 Astra abgesagt: zu gefährlich oder inszeniert?
06:32 – AISI-Test: 29,2 % ohne Auftrag – unter welchen Bedingungen?
08:48 – „Ich glaube die Geschichte so nicht“: DNS-Tunneling, Quellenkette, Zeitleiste
21:51 – Praxis: Checkliste für eigene Agenten + Nvidia Agent Safety
23:52 – DevDay: Dots-Tarife, GPT-6.1 Sol, Decisions API
29:21 – Claude Sonnet 5.5: 30 % günstiger – oder 50 % teurer?
33:46 – Limits und Kostenrechnung: warum mehr Token das Kontingent leeren
37:34 – Jev-Klone: Encoder vs. Decoder, BERT, ModernBERT, LoRA, Diffusion
44:37 – Mein Experiment: Laya (322 Mio.) gegen Qwen (27 Mrd.) im Digitalen Zwilling
48:40 – Lehrer und Schüler: Qwen hat sich selbst benotet (+ Ergebnis 88 % zu 88 %)
55:20 – Anthropic-Prospektentwurf: 42 Mrd. Verlust erklärt, Run-Rate-Rechnung
01:02:26 – Nscale: 140 Mio. Umsatz, 103 Mrd. Verträge – der Anker
01:06:21 – Oracle Project Jupiter: nicht die Chips, die Gasleitungen (+ 2 Fact-Checks)
01:11:21 – Speicherkrise: RAM +370 %, Micron-Prognose, Acers Gegenstimme
01:17:55 – Server-DRAM, Windows Server 2012 R2, Lebensdauer als Kostenhebel
01:18:56 – AMD kauft World Labs: 8,2 Mrd. $ in Aktien
01:21:47 – Pentagon vs. Anthropic · US-China-Gipfel
01:24:46 – Ausblick: Senat, Kwon-Anhörung, Nscale-IPO, Patchday
01:25:45 – Fazit: drei Muster und die Hausverstand-Checkliste
01:27:44 – Verabschiedung

Key Takeaways

Wenn alle Medien denselben Vorfallbericht wiedergeben, gibt es trotzdem nur eine Quelle — beim DNS-Vorfall ist das OpenAI selbst. Vor dem Weitererzählen prüfen, ob es eine unabhängige Stelle gibt (wie das AISI) und unter welchen Bedingungen sie gemessen hat.
„Zu gefährlich zum Veröffentlichen“ ist gleichzeitig eine Aussage über die Fähigkeiten eines Modells. Ob Absicht dahintersteckt, lässt sich nicht beweisen — Yusuf formuliert seine Inszenierungs-These ausdrücklich als Verdacht und nennt die Gegenargumente mit.
Für eigene Agenten gilt: „Internet zu“ heißt nicht alles zu. DNS, Proxys und interne Dienste gehören in jede Abschottung, der Notstopp muss getestet sein, und klar formulierte Grenzen im Auftrag wirken messbar (AISI-Teilmenge: 26 aus 50 auf 4 aus 49).
Tokenpreis ist nicht Aufgabenpreis: Sonnet 5.5 kostet pro Token gleich viel wie der Vorgänger, verbraucht auf „Max“ aber so viele Token, dass die unabhängige Messung rund 50 % höhere Kosten pro Aufgabe ergibt. Die höchste Denkstufe ist nicht automatisch die beste.
Die ehrliche Rechnung zählt Fehlversuche und menschliche Nacharbeit mit — ein doppelt so teures Modell kann unterm Strich deutlich günstiger sein, wenn die Prüfung schneller geht.
Ein Test ist nur so gut wie seine Musterlösung: Stammt die Referenz ungeprüft vom großen Modell, misst man nur, wie gut ein kleines Modell das große nachmacht — nicht, wer recht hat.
Kleine Encoder-Modelle wie Laya können nach gut einer Stunde Training auf einer GPU bei klar umrissenen Klassifikationsaufgaben ohne messbaren Unterschied mithalten und sind dabei um Größenordnungen schneller — ohne geprüfte Daten übernehmen sie aber die Fehler ihres Lehrers.
Wer auf einen KI-Anbieter baut, baut auch auf dessen Finanzierung: 518 Mrd. $ weitgehend unkündbare Verpflichtungen (laut Prospektentwurf), Oracles Rekord-CDS und politische Risiken wie das Pentagon-Urteil sind Gründe, das Modell in jeder Architektur austauschbar zu halten.
Die Speicherkrise ist beim Mittelstand angekommen: Bei 20–40 % teureren Notebooks, steigenden Server-DRAM-Preisen und dem Update-Ende für Windows Server 2012 R2 lohnt es sich, Weiterbetrieb, Wartung und Refurbished-Hardware gegen Neukauf durchzurechnen.

Bester Satz der Folge

„Das große Modell war in meinem Test die Wahrheit. Nicht, weil es recht gehabt hat, sondern weil keiner nachgeschaut hat, woher die Wahrheit kommt.“ (Yusuf Sar, ca. 54:01, nach dem Laya-gegen-Qwen-Experiment)

Links und Ressourcen

Hosts

Call to Action

Glaubt ihr die Astra-Geschichte — oder seht ihr es wie Yusuf? Und habt ihr schon einmal nachgeschaut, woher die „richtigen“ Antworten in euren eigenen KI-Tests eigentlich kommen? Schreibt uns eure Einschätzung in die Kommentare. Abonniert KI & Tech to Go auf YouTube und in eurer Podcast-App und empfehlt uns weiter.

Hashtags

#KI #OpenAI #Anthropic #ClaudeSonnet #KIAgenten #Speicherkrise #Praxis

Episode-Details

Episode: 92
Explizit: Nein
Sprache: de
Aufnahmedatum: 2026-09-30
Veröffentlichung: 2026-10-01
Dauer: 1:28:27

Erfahren Sie mehr

Ihr Wartungsspezialist für alle großen Hardware Hersteller

Durch Jahrzehnte lange Erfahrung wissen wir worauf es bei der Wartung Ihrer Data Center Hardware ankommt. Profitieren Sie nicht nur von unserer Erfahrung, sondern auch von unseren ausgezeichneten Preisen. Holen Sie sich ein unverbindliches Angebot und vergleichen Sie selbst.