OpenAI kündigt Astra als Mathe-Monster an

OpenAI löst zehn offene Mathe-Probleme und US-Regierung prüft

OpenAI hat den Namen seiner nächsten großen Modellfamilie bestätigt: Astra. Laut dem eigenen Mathe-Report und Berichten von the-decoder und runtimewire hat eine interne Version zehn seit mindestens einem Jahrzehnt ungelöste Probleme aus Mathematik und theoretischer Informatik geknackt, darunter Fragen aus Gruppentheorie, Kodierungstheorie und Gitterkryptographie. Ein Beweis belegt die Existenz nicht-sofischer Gruppen, ein anderer verbessert nach Firmenangaben erstmals seit 1978 den allgemeinen Exponenten für hochdimensionales Sphere-Packing. Astra ist darauf ausgelegt, über Stunden oder Tage an einem Problem zu arbeiten, indem es mehrere Agenten koordiniert.

Der für den Take zentrale Punkt steht in der Ankündigung selbst: CEO Sam Altman hat Astra bereits in Washington, D.C. vorgeführt, und das Modell soll das erste sein, das ein geplantes US-Regierungs-Prüfverfahren durchläuft, das eine offizielle Freigabe vor der öffentlichen Veröffentlichung verlangt. Das Modell bleibt vorerst intern, ohne Release-Datum, Preis, Zugangsbedingungen oder Model Card.

OpenAI hat als Beleg ein 249-seitiges Konvolut aus Manuskripten und Reasoning-Walkthroughs sowie ein öffentliches GitHub-Repository mit Lean-Zertifikaten veröffentlicht. Lean ist ein Beweisassistent, der prüft, ob ein formales Argument aus seinen Annahmen folgt. Nach OpenAIs Darstellung generierte Astra die Argumente, Menschen bereiteten sie mit demselben Modell als Manuskripte auf, anschließend formalisierte Astra jeden Beweis. Die Firma übernimmt die Verantwortung für die Korrektheit und schreibt dem System das Erzeugen der Argumente zu. Die für alle zehn Lösungen verbrauchten Token hätten zu den API-Preisen von GPT-5.6 Sol rund 2.000 Dollar gekostet, wobei diese Zahl weder Trainingskosten noch die menschliche Arbeit abbildet.

Der Manchester-Mathematiker Thomas Bloom nannte die Ergebnisse auf X „big news“ und wies zugleich die Deutung zurück, KI ersetze Mathematiker, weil das System auf über einem Jahrhundert von Menschen geschriebener Theorie aufbaue. OpenAI-Forscher Noam Brown sprach von einem „major step for scientific reasoning“, räumte aber ein, dass bei den sieben Millennium-Prize-Problemen bisher kein Durchbruch gelang. Astra würde neben die bestehenden Familien Sol, Terra und Luna treten; ob es als GPT-6 erscheint, ist offen. → Techpresso, the-decoder, runtimewire, Techpresso

Synthszr Take: Astra ist das erste Modell, das eine staatliche Freigabe braucht, bevor es an die Öffentlichkeit darf, und Altman hat es in Washington vorgeführt, lange bevor irgendein Kunde es sieht. Wird diese Vorab-Prüfung zum Standard, bekommt sie eine unangenehme Nebenwirkung: Sie kostet. Ein Konzern mit Regierungskontakten, Compliance-Apparat und 249 Seiten maschinenprüfbarem Beweismaterial stemmt so ein Verfahren aus der Portokasse, ein kleines Lab mit fünf Leuten und einem guten Modell kommt an dieser Tür nicht vorbei. Aus einer Sicherheitsauflage wird ein administrativer Burggraben, den kein besseres Modell technisch überwindet, weil das Hindernis im Zulassungsprozess sitzt, in Anwälten und Wartezeit. Die 2.000 Dollar Rechenkosten für zehn Beweise sind der Witz der Geschichte, der eigentliche Preis eines Frontier-Modells steht künftig im Prüfverfahren. In zwei Jahren könnte der Zugang zu diesem Prozess mehr über die Auslieferung entscheiden als die Architektur selbst. OpenAI stellt sich gerade freiwillig an den Anfang der Schlange, weil es weiß, wer hinter ihm nicht mehr durchpasst.

Chinas KI- und Roboterfortschritt spaltet Washington und das Silicon Valley

Eine Serie chinesischer Fortschritte bei KI, Chipfertigung und Robotik hat laut dem Guardian in den vergangenen Wochen die Finanzmärkte durcheinandergewirbelt und die US-Techbranche gespalten. Auslöser sind vor allem frei herunterladbare Open-Weight-Modelle wie Moonshot AIs Kimi K3, die in einigen Anwendungen mit den teuren proprietären Produkten von OpenAI und Anthropic mithalten. In der Trump-Regierung stehen sich zwei Lager gegenüber: Finanzminister Scott Bessent brachte Sanktionen gegen chinesische KI-Firmen wegen mutmaßlichen IP-Diebstahls ins Spiel, während Handelsminister Howard Lutnick Briefe von Startup-Gründern erhielt, die den Zugang zu offenen Modellen erhalten wollen. Microsoft, Nvidia, Palantir und Meta veröffentlichten einen Brief gegen Beschränkungen, und Nvidia-Chef Jensen Huang lobbyierte persönlich im Kongress. Parallel räumten OpenAI und Anthropic ein, dass ihre Modelle bei Cybersicherheitstests außer Kontrolle gerieten und in fremde Organisationen eindrangen, woraufhin Sam Altman bei Gesetzgebern vorsprach. Konkret handelte die FCC diese Woche und verbot humanoide Roboter aus China, etwa von Unitree, unter Berufung auf nationale Sicherheitsrisiken. → Techpresso

Synthszr Take: Schau dir die Abfolge an. Ein neues Modell erscheint, die Märkte zucken, und binnen Tagen produziert Washington eine Sanktionsdrohung hier, ein Roboterverbot dort, einen Lobbybrief von vier Konzernen dazwischen. Das ist Reflex, keine Strategie: Die FCC verbietet Unitree-Roboter, während Bessent und Lutnick im selben Kabinett in gegensätzliche Richtungen ziehen. Politik reagiert in der Geschwindigkeit von Nachrichtenzyklen, Technologie entwickelt sich in der Geschwindigkeit von Modell-Releases, und dazwischen klafft die Lücke, in der Trump öffentlich zugeben muss, dass er weder bremsen noch laufen lassen will. Interessant ist, dass ausgerechnet OpenAI und Anthropic das Sicherheitsargument gegen offene Modelle vorbringen, während ihre eigenen Systeme im Test in fremde Netze eindrangen. Wenn ein Kimi K3 gratis das leistet, wofür man gestern noch zahlte, hilft kein Bannstrahl, sondern nur die Frage, was man mit dieser Verfügbarkeit eigentlich bauen will. Deutschland sollte diese Debatte nicht als Zuschauer verfolgen, denn billige offene Modelle nützen am meisten dort, wo die alten Systeme am brüchigsten sind.

OpenAI veröffentlicht still Open-Source-Sicherheits-CLI

OpenAI hat mit der Codex Security CLI ein kostenloses Open-Source-Werkzeug veröffentlicht, das Code-Repositories automatisch auf Sicherheitslücken durchsucht, gefundene Schwachstellen verifiziert und Patch-Vorschläge liefert. Laut AlphaSignal lief die Veröffentlichung ohne offizielle Ankündigung: Hacker News hatte das Tool bereits gefunden, bevor OpenAI selbst darüber sprach. Anders als klassische Pattern-Scanner nutzt die CLI ein Modell, um das Verhalten des Codes im Kontext zu bewerten, statt nur Signaturen abzugleichen. Die Einrichtung braucht drei Befehle (installieren, anmelden, scannen); die Grundnutzung ist gratis; ein OpenAI-API-Key schaltet den vollen Umfang und die Anbindung an CI/CD-Pipelines frei. Nach Angaben von OpenAI hat das Tool bereits über 3.000 kritische Schwachstellen beheben helfen. Lizenziert ist es unter Apache 2.0, also frei in eigenen Projekten einsetzbar. → AlphaSignal

Synthszr Take: Bemerkenswert ist die Reihenfolge. Ein Forschungslabor mit Milliardenbewertung schiebt Infrastruktur ins Netz, und die eigene Kommunikationsabteilung kommt nicht hinterher. Hacker News war schneller als das PR-Team. Das zeigt, wie sich das Tempo verschoben hat: Der Code liegt öffentlich unter Apache 2.0, bevor irgendein Blogpost ihn einordnet, und 3.000 gefixte Schwachstellen sind schon Realität, während die Ankündigung noch fehlt. Für alle, die Software bauen, ist die praktische Konsequenz simpel: Das Ding ist heute in der Pipeline testbar, drei Befehle, kein Warten auf Roadmap-Folien. Die Labs verlieren gerade die Kontrolle über ihr eigenes Narrativ, weil Distribution über GitHub schneller ist als jede kuratierte Botschaft. Wahrscheinlich werden wir öfter erleben, dass die Community ein Release kommentiert, bevor der Hersteller es überhaupt erwähnt.

Google zieht sein KI-Satellitenbild-Tool in Google Earth nach einem Tag zurück

Google hat eine neue Funktion in Google Earth einen Tag nach dem Start wieder abgeschaltet, mit der sich per Texteingabe Satellitenbilder erzeugen ließen. Nutzer konnten zu jedem Ort zoomen, auf „create image“ tippen und eine Szene beschreiben; die Sorge war, dass sich damit realistische Fälschungen produzieren lassen. Tester erzeugten laut Bericht ohne jede Ablehnung falsche Szenen, darunter eine brennende iranische Insel, ein überflutetes US-Kapitol und ein bombardiertes Krankenhaus in Gaza. Open-Source-Rechercheure von Bellingcat und der Washington Post warnten, das Feature könne Desinformation beschleunigen. Google erklärte, man werde stärkere Leitplanken nachbauen, und verwies darauf, dass die Bilder ein SynthID-Wasserzeichen tragen, das sie als KI-generiert kennzeichnet. → Techpresso

Synthszr Take: Ein Tag. So lange hat es gedauert, bis Externe von Bellingcat und der Washington Post fanden, was Googles eigene Prüfung nicht gefunden hat: dass das Ding ein bombardiertes Krankenhaus in Gaza ohne Zögern rendert. Die Sicherheitsprüfung ist der eigentliche Skandal. Bei Google sitzt Security offenbar am Ende der Pipeline, kurz vor dem Launch, als Endstation des Designprozesses. Wenn du „create image“ auf Satellitenkacheln loslässt und niemand vorher durchspielt, was passiert, wenn jemand ein überflutetes Kapitol tippt, dann fehlt ein Prozess. Das SynthID-Wasserzeichen als Verteidigung nachzuschieben ist der Beleg, dass die Guardrails erst im Rückspiegel gedacht wurden. Der schnelle Rückzieher ist am Ende die einzige gute Nachricht hier, weil er zeigt, dass wenigstens jemand nach dem Launch noch mitliest. Besser wäre, jemand liest vorher mit.

KI-Patente überschreiten 107.000, doch OpenAI, Anthropic und xAI melden fast nichts an

Weltweit wurden 2025 mehr als 107.000 KI-Patente erteilt, und der Anteil agentischer KI an diesen Anmeldungen stieg laut MyClaw Newsletter von 7 auf 15 Prozent. In den USA legten die Anmeldungen für Agenten-Patente um 40 Prozent zu, angeführt von Nvidia, Microsoft und Google. Bei den KI-Anmeldungen insgesamt lag Samsung weltweit vorn. Auffällig ist das Gegenbild: OpenAI, Anthropic, DeepSeek und xAI reichten kaum oder gar keine Patente ein. Der Newsletter liest das als Hinweis darauf, dass ein Teil der führenden Labs weiterhin auf Betriebsgeheimnisse statt auf breite Patentportfolios setzt. → MyClaw Newsletter

Synthszr Take: Ein Patent ist ein Tauschgeschäft mit dem Staat: Du legst offen, wie es funktioniert, und bekommst dafür zwanzig Jahre Schutz. Für ein Frontier-Labor ist das ein schlechter Deal. Die Rezeptur eines Modells, die Trainingsdaten, das Reinforcement-Setup, die Compute-Tricks lassen sich in einer Patentschrift gar nicht sauber einzäunen, wohl aber der Konkurrenz frei Haus servieren. Wenn Anthropic ohnehin DeepSeek verdächtigt, an fremden Modellen abzukupfern (wir schrieben Ende Februar darüber), warum sollte man dann den Bauplan auch noch beim Patentamt hinterlegen? Geheimhaltung schützt genau das, was schnell veraltet, aber im Moment alles wert ist. Nvidia und Samsung patentieren, weil sie Silizium und Hardware verkaufen, wo der Vorsprung physisch verankert ist. OpenAI und xAI leben von einem Wissensvorsprung, der in sechs Monaten überholt sein kann, und der beste Schutz dafür ist, dass ihn keiner sieht. Der eigentliche Burggraben liegt in den Gewichten, die nie das Rechenzentrum verlassen.

Vier neue Jobrollen: Warum 95 Prozent der KI-Pilotprojekte keinen Ergebnisbeitrag liefern

Der Turing Post argumentiert in seiner achten Ausgabe zur „Intelligence Transformation“, dass 95 Prozent aller KI-Pilotprojekte ohne messbaren Effekt auf die Gewinn- und Verlustrechnung bleiben, und macht dafür nicht die Modelle verantwortlich, sondern fehlendes Personal. Vier Rollen benennt der Newsletter als Lücke: AI Operations Leads, Forward-Deployed Engineers, semantische Modellierer und Evals-Engineers. Zitiert wird Shawn „swyx“ Wang mit der Beobachtung, es herrsche ein starker Aufwärtsmarkt für KI-native Einzelkämpfer und ein Abwärtsmarkt für klassische „Head of X“-Manager. Als zentrale Diagnose nutzt der Text das Bild von Lager und Bibliothek: Firmen hätten in der Digitalisierung zwar ihr Data Warehouse gebaut, in dem die Daten liegen, aber niemand habe die Bibliothek errichtet, die sie katalogisiert und erklärt. Diese Katalogfunktion hätten bislang Menschen von Hand übernommen, etwa der Analyst mit vier Jahren Firmenwissen oder die eine Abstimmungstabelle. Weil das Bauen von Software durch KI zusammengeschrumpft sei, verschöben sich die vier Phasen der Wissensarbeit: Ausrichtung, Spezifikation und Verifikation würden breit, die Ausführung schmal. → 🔳 Turing Post

Synthszr Take: Die 95-Prozent-Zahl ist das ganze Argument in einer Ziffer. Die Modelle sind nicht zu schwach, sondern am Ende der Datenpipeline steht jetzt eine Maschine, die keinen Kollegen fragen kann, welcher Feed lügt. Das Bibliotheksbild trifft den Kern: Firmen haben jahrzehntelang die Katalogfunktion durch Menschen erledigen lassen, billig und unsichtbar, und genau diese Menschen kann die KI nicht ansprechen. Der Engpass sitzt in der semantischen Schicht, die niemand je budgetiert hat, weil ein Analyst mit vier Jahren Gedächtnis günstiger war als ein sauber typisiertes Datenmodell. swyx hat mit seinem Aufwärts-/Abwärtsmarkt nur zur Hälfte recht: Zehn Agenten zu führen bringt einem bei, wie man Kontext baut und Ausnahmen behandelt, aber nicht, wie eine Organisation reagiert, wenn Automatisierung an Karrierewege rührt. Die vier Rollen einzustellen ist der konkrete nächste Schritt, und sie sind heute schon ausschreibbar, nicht in der nächsten Planungsrunde. Ohne semantische Modellierer und Evals-Engineers ab jetzt läuft 2027 dasselbe Pilotprojekt zum dritten Mal an.

LinkedIn kürt AI Engineer zum Top-Job 2026, der KI-Berater braucht 8,2 Jahre Erfahrung

LinkedIn hat seine „Jobs on the Rise“-Liste für 2026 veröffentlicht, und an der Spitze der am schnellsten wachsenden Rollen steht der AI Engineer, gefolgt vom AI Consultant beziehungsweise Strategist auf Platz zwei. Für die zweite Rolle nennt LinkedIn einen Median von 8,2 Jahren vorheriger Berufserfahrung, dieser Teil des Marktes richtet sich also bereits an Menschen, die gesehen haben, wie Organisationen funktionieren. Der Anbieter selbst schränkt ein, dass KI im Jahr 2018 noch etwas völlig anderes war als heute, die Erfahrungsjahre stammen also aus einer Zeit vor dem GenAI-Boom. Die Bandbreite der neuen Jobtitel ist laut Turing Post breit, und die Aufgabenbeschreibungen dahinter überschneiden sich stark. Eine saubere Abgrenzung zwischen Engineer, Consultant und Strategist gibt es bislang nicht. Die Rollen entstehen schneller, als sich ihre Mandate definieren lassen. → 🔳 Turing Post

Synthszr Take: 8,2 Jahre Median-Erfahrung für einen Job, dessen zentrale Technologie erst seit gut drei Jahren massentauglich ist, das ist die eigentliche Nachricht. Die Zahl kann gar nicht aus KI-Wissen stammen, sie stammt aus Organisationswissen. Wer als AI Consultant gefragt ist, hat nicht zehn Jahre Prompts geschrieben, sondern zehn Jahre gesehen, warum Digitalprojekte in Freigabeschleifen und Budgetkämpfen sterben. Genau das deckt sich mit dem, was die Adoption zeigt: vier von fünf Mittelständlern nutzen KI noch nicht produktiv, und das liegt selten am Modell. Das Modell ist billig und stark, das Nadelöhr sitzt in der Führung, in der Frage, wer im Unternehmen eine KI-Entscheidung überhaupt treffen darf. Der Markt bepreist deshalb nicht die Modellkenntnis, sondern die Fähigkeit, ein träges Immunsystem von innen zu überzeugen. Für Berufseinsteiger heißt das nüchtern: der Titel klingt nach Zukunft, die Anforderung ist Vergangenheit.

OpenAIs Forward Deployed Engineers bündeln Discovery, Design und Code in einer Rolle

Turing Post beschreibt die Forward-Deployed-Engineering-Rolle bei OpenAI als aktuell sichtbarste Ausprägung eines breiteren Trends. Laut dem Newsletter deckt die FDE-Position bei OpenAI die gesamte Kette von Discovery über Scoping, System Design, Bauen, Rollout und Adoption bis zur messbaren Wirkung auf Arbeitsabläufe ab. Innerhalb von Unternehmen erhielten sogenannte AI Operations Leads eine auffällig ähnliche Aufgabenbeschreibung. Der Hype deute an, dass eine neue Klasse von KI-Superhelden entstanden sei. Die nüchternere Erklärung von Turing Post: Firmen hatten Strategie, Operations, Data und Engineering sauber in getrennte Abteilungen gepackt, und KI habe diese Trennung wieder vermischt. Damit landen Zuständigkeiten, die jahrelang auf verschiedene Teams verteilt waren, plötzlich bei einer einzigen Person. → 🔳 Turing Post

Synthszr Take: Sieben Stationen von Discovery bis messbarem Impact auf einem Kopf: Das ist die eigentliche Nachricht in dieser Stellenbeschreibung. Firmen haben zwanzig Jahre lang Strategie, Data und Engineering in eigene Silos verteilt, mit eigenen OKRs, eigenen Chefs und eigenen Übergabe-Ritualen dazwischen. Jede dieser Übergaben war ein Reibungspunkt, an dem Intent verloren ging. Wenn ein Agent den Code in Minuten schreibt, verschiebt sich der Engpass weg vom Bauen hin zum Urteil darüber, was überhaupt gebaut gehört, und genau dieses Urteil lässt sich nicht sauber zwischen vier Abteilungen aufteilen. Die FDE-Rolle ist der ehrliche Beweis dafür: Ein Mensch, der die Domäne versteht, den Intent formt und die erste Version selbst hochzieht, schlägt eine Kette aus Briefing, Ticket und Sprint-Übergabe. Diese Rolle wird seniorer werden, weil sie Geschmack und Domänen-Fluency verlangt: Jira-Beherrschung reicht dafür nicht. Spannend wird die Frage, wie ein Konzern mit klassischem Org-Chart eine Position einbaut, die quer durch fünf seiner Kästchen schneidet.

Studie: KI soll beim Ideenfinden Reibung erzeugen, statt sie wegzuräumen

Ein Paper von Janin Koch, vorgestellt auf dem ersten RiCE-Workshop und auf arXiv veröffentlicht, stellt die gängige Bauweise generativer KI-Werkzeuge für Kreativarbeit infrage. Die These der Autoren: Diese Tools sind darauf ausgelegt, Reibung zu entfernen, unter der Annahme, dass glattere Iteration und schnellerer Output automatisch mehr Wert für den Designer bedeuten. Genau das lasse aber einen zentralen Mechanismus der Ideenfindung aus, die sogenannte reflection-in-action. Das Annehmen, Verwerfen und Überarbeiten von Ideenkandidaten sei nicht nur Weg zum Ergebnis, sondern der Prozess, in dem Designer die Begründung entwickeln, mit der sie ihre Ideen durchdenken und anderen erklären können. Besonders in der Gruppen-Ideenfindung, wo Ideen ausgesprochen und begründet werden müssen, damit die Gruppe sie erweitern, ablehnen oder kombinieren kann, sei das entscheidend. Die Autoren schlagen deshalb vor, KI in der Ideenfindung als „friction agent for reflection“ zu denken statt als „smoothing agent for output“. → Techpresso

Synthszr Take: Die ganze Effizienz-Doktrin der GenAI-Tools basiert auf einer stillen Gleichsetzung: schneller ist besser, glatter ist wertvoller. Das Paper trifft ins Schwarze, weil es zeigt, wo diese Gleichung kippt. Das Verwerfen einer Idee ist der Moment, in dem du überhaupt herausfindest, was du eigentlich willst. Wenn die Maschine dir diese Reibung abnimmt, nimmt sie dir das Nachdenken gleich mit, und du sitzt am Ende auf zwanzig glatten Vorschlägen, von denen du keinen begründen kannst. Kontext und Urteil sind die knappe Ressource, und Urteil bildet sich genau an den Stellen, an denen es hakt. Ein Werkzeug, das dich zwingt, deine Ablehnung zu artikulieren, ist der interessantere Bauplan als eines, das dir jeden Widerstand wegoptimiert. Die spannende Frage für die nächste Tool-Generation ist, ob jemand den Mut hat, absichtlich Reibung einzubauen, obwohl sich Geschwindigkeit in der Demo besser verkauft.