In dieser Woche kamen ein neues Spitzenmodell mit eingebautem Text-Wasserzeichen, ein Praxistest für ein offenes Modell und ein Bewertungsraster der Fraunhofer-Institute IAO und IAIS, das den Begriff „KI-Agent“ prüfbar macht; dazu die Zahlen zur Wirtschaftlichkeit, die McKinsey Ende August vorgelegt hat. Für KI in der Technischen Dokumentation werden die Werkzeuge damit potentiell günstiger und mit unserer Lösung „knowmind“ austauschbarer. Die Frage verschiebt sich dahin, was von den angepriesenen Preissenkungen in Ihrem Unternehmen messbar ankommt.
Anthropic bringt Fable 5.1 mit eingebautem Text-Wasserzeichen
Anthropic hat am 1. September Claude Fable 5.1 und Mythos 5.1 vorgestellt. Die Preise bleiben unverändert, Cache-Lesezugriffe kosten aber nur noch ein Viertel; Anthropic rechnet für typische Arbeitslasten mit rund 25 % geringeren Gesamtkosten, bei stark agentischen Läufen bis etwa 45 % (Anthropic). Die größten Sprünge liegen bei langen Agentenaufgaben; im Terminal-Bench-Science stieg der Wert von 24,7 auf 52,6 %. Auch hier setzt Anthropic zudem ein Text-Wasserzeichen ein, das KI-erzeugte Texte erkennbar machen soll (heise).
Das Wasserzeichen ist für die Dokumentation der interessanteste Teil der Ankündigung, und ich traue ihm wenig zu. Denken Sie an den Weg eines Bausteins durch Ihre Redaktion. Er wird übersetzt, gekürzt, in Varianten ausgespielt und von Menschen nachbearbeitet; was davon am Ende noch ein Wasserzeichen trägt, kann heute niemand sagen. Wer seine Kennzeichnungspflichten nach Artikel 50 erfüllen will, sollte sie weiter im Prozess verankern und sich nicht auf eine Eigenschaft des Modells verlassen, die beim ersten Redaktionsschritt verloren gehen kann. Der geviertelte Preis für Cache-Lesezugriffe dagegen kann für Sie bares Geld sein, denn agentische Läufe über große Bestände lesen denselben Kontext immer wieder.
Eine Zahl fehlt in dieser Rechnung, und sie stammt von Artificial Analysis. In deren Intelligence Index kostet eine Aufgabe mit Fable 5.1 in der Einstellung „max“ 3,76 statt 3,14 US-Dollar, also rund 20 % mehr als mit Fable 5. Der Grund steckt im Verbrauch: Das neue Modell schreibt für dieselbe Aufgabe etwa die 1,7-fache Menge an Ausgabe-Token. Die Senkung des Cache-Lesepreises wirkt, sie drückt die Rechnung um rund 1,40 Dollar je Aufgabe; ohne sie wären es rund 5,16 Dollar. Den Mehrverbrauch fängt sie trotzdem nicht auf.
Damit stehen zwei Zahlen nebeneinander, und beide sind richtig: Der Lesepreis ist um drei Viertel gefallen, die Kosten je erledigter Aufgabe sind gestiegen. Für Ihre Planung zählt die zweite Zahl. Rechnen Sie eine Preissenkung erst dann als Ersparnis, wenn Sie dieselbe Arbeit mit dem neuen Modell einmal durchgemessen haben. Bei großen Beständen kann die Ersparnis ankommen; Anthropic nennt für stark agentische Läufe bis etwa 45 %. Unabhängig nachgemessen ist das nicht.
Z.ai legt die Gewichte von GLM 5.3 offen
heise hat am 3. September einen Praxistest des Modells GLM 5.3 von Z.ai veröffentlicht. Das Modell mit offenen Gewichten soll bei Agentenfähigkeiten nahe an Fable 5.1 heranreichen, bei deutlich geringeren Kosten; der Test lief in einem Agenten-Framework, Details stehen hinter der Bezahlschranke (heise+).
Den Abstand kann ich von außen nicht nachprüfen. Die Richtung stimmt trotzdem. Offene Modelle rücken bei Agentenarbeit in die Spitzengruppe vor, und damit wird der Modellwechsel zur realen Option. Was mit Sicherheit auch ein Grund der jüngsten Widerstände in den USA bzgl. offener Modelle sein dürfte. Was braucht es dafür bei Ihnen? Unabhängige Agentenframeworks (sogenannte „Harnesses“) und das Gedächtnis der Agenten müssen unabhängig vom KI-Anbieter funktionieren. Wer diese Logiken im Werkzeug eines Anbieters eingeschlossen hat, kann mit der Weiterentwicklung offener Modelle nichts anfangen.
Knapp ein Drittel hat einen Softwarekauf durch eigene KI-Entwicklung ersetzt
McKinsey hat Ende August den neuen „State of AI“ vorgelegt, befragt wurden 1.719 Personen aus 97 Ländern. Fast 9 von 10 nutzen KI regelmäßig in mindestens einem Geschäftsbereich, aber nur 6 % führen mindestens 5 % ihres Betriebsergebnisses auf KI zurück. 80 % berichten von höherer persönlicher Produktivität, und 32 % haben Softwarekäufe vermieden, weil sie die Funktion intern mit KI gebaut haben (heise).
Die Zahl der Woche sind für mich die 32 %.
Vermiedene Lizenzkosten tauchen in keiner EBIT-Rechnung als KI-Erfolg auf. Sie sind aber genau der Effekt, den ich in kleinen Unternehmen zuerst sehe, wenn ein Skript das Zusatzmodul ersetzt und eine Prüfstrecke das QM-Werkzeug. Dass es nur 6 % sind, liegt nach meiner Erfahrung selten am fehlenden Nutzen und meist an einer fehlenden Metrik, um vermiedene Kosten systematisch zu erfassen. In allen Gesprächen mache ich immer wieder darauf aufmerksam, dass sie die bekannte „make or buy“ Entscheidung um diese Dimension erweitert. SaaS wird es weiter geben, aber unter anderen Rahmenbedingungen. Nicht jedes Unternehmen wird den Weg des Eigenbaus gehen wollen. Denn ein Tool mag schnell gebaut sein, um es auf ein Enterprise-Niveau zu heben und so die Regularien in der EU zu erfüllen, ist es ein weiter Weg. Von Pflege, Bugfixing, Staging und Updates mal ganz zu schweigen. Was macht ihr? Kaufen oder selbst entwickeln – und warum?
Fraunhofer legt ein Bewertungsraster für KI-Agenten vor
Das Fraunhofer IAO und das Fraunhofer IAIS haben die Studie „KI-Agenten verstehen und anwenden“ veröffentlicht (36 Seiten, datiert Februar 2026). Kern ist das „Agentic Level“: ein Bewertungsraster mit acht Merkmalen, von der Wahrnehmung der Umwelt über Autonomie und Lernfähigkeit bis zur Aufgabenkomplexität. Ihre Ausprägungen gehen gewichtet in einen Wert zwischen 0 und 100 % ein. Jede Lösung liegt damit irgendwo auf dieser Skala und ist mehr oder weniger agentisch. Ein höherer Wert bedeutet mächtigere Lösungen, aber auch höhere Sicherheitsanforderungen und Risiken; die Fälle reichen vom Kundendienst bis zur Robotersteuerung (Fraunhofer IAO/IAIS).
So ein Raster fehlte bislang. „Agent“ ist durch das Marketing der Hersteller inzwischen jedes Werkzeug, das (überspitzt) zwei Schritte hintereinander ausführt. Mit dem Raster kann man schon im Erstgespräch mit solchen Anbietern präzise Fragen stellen: Wie agentisch ist dieses Werkzeug, in welchen Merkmalen zeigt sich das, und welche Kontrollen gehören dazu?
Ich würde das Raster auch rückwärts anwenden, auf die Werkzeuge, die schon im Haus sind.
Die tekom-Regionalgruppe München nimmt Docs as Code ins Programm
Am 16. September eröffnet die tekom-Regionalgruppe München eine neue Online-Reihe; die erste Ausgabe heißt „Docs as Code verständlich erklärt: Grundlagen & Live-Demo“ und richtet sich an Einsteiger (tekom).
Der Termin passt zur Lage. Versionierung, Prüfschritte und nachvollziehbare Änderungen sind genau die Eigenschaften, die ein Bestand braucht, bevor Agenten darauf arbeiten sollten. Docs as Code liefert sie, ohne dass Sie auf ein großes Redaktionssystem umsteigen müssen. Für Redaktionen ohne Entwicklerhintergrund ist die Grundlagen-Ausgabe der richtige Einstieg.
Tipp:
Wer Multiagentensysteme nutzen möchte, und dennoch die Wahl haben will, welchen Anbieter er morgen nutzt, dem empfehle ich unser Tool knowmind. Es handelt sich um ein so genanntes „second brain“ also ein persistenter memory layer. Funktioniert mit jeder KI und wird per mcp angebunden. Sie können also jederzeit den Anbieter wechseln und die neue KI kennt trotzdem die wichtigsten Entscheidungen. Für private Personen ist das Tool dauerhaft kostenlos. In Deutschland entwickelt, unabhängig und Ihre Daten bleiben in Nürnberg.
