Zeitenwende: mehr AI-Bots im Web als Menschen

Mehr autonome Agenten als Menschen surfen erstmals im Web

Matthew Prince, CEO und Mitgründer von Cloudflare, hat verkündet, dass Bots erstmals in der Geschichte des Internets den menschlichen Traffic überholt haben. Das Verhältnis bei den HTTP-Requests liegt aktuell bei 57,5 Prozent für die Maschine und 42,5 Prozent für den Menschen. Wichtig ist die Abgrenzung gegenüber klassischen Bots wie Crawlern, Suchindexierern oder Betrugs-Bots: Cloudflare zählt hier zu den autonomen Agenten, die im Auftrag von Menschen durchs Web surfen. Diese Agenten lesen Produktseiten, vergleichen Preise, buchen Flüge, scrapen Inhalte für AI-Modelle statt für Suchmaschinen und erledigen als persönliche Assistenten Bestellungen oder Kundenservice. Cloudflare hatte erst im vergangenen Jahr begonnen, den Traffic nach signierten Agenten und verifizierten Bots zu klassifizieren, weshalb die Charts nicht weit zurückreichen. Beim reinen Zeitaufwand in Apps, Streaming und Endlos-Feeds bleiben Menschen weiterhin die Hauptnutzer, denn diese Formate erzeugen nicht die schnelle Abfolge von Seitenaufrufen wie automatisierte Agenten. → www.tomshardware.com

Synthszr Take: Im Mai 2024 habe ich geschrieben, dass ein harter Selektionsprozess kommt, sobald die AIs durchs Web surfen: Mittelmäßigkeit verschwindet, nur das Exzellente überlebt. Jetzt ist der Umschlagpunkt erreicht, zwei Jahre früher als Cloudflare-Chef Prince selbst dachte. Wenn 57,5 Prozent aller HTTP-Requests von Agenten kommen, dann liest ein Agent deine Produktseite, checkt den Preis und vergleicht für seinen Menschen den Flug. Dein hübsches Hero-Bild interessiert ihn null. Für jede Marke heißt das: Die Seite muss für Maschinen sauber lesbar sein, mit klaren Daten und Preisen, und das kann jeder morgen früh in den Backlog packen. Prince misst übrigens Requests; die Verweildauer steht auf einem anderen Blatt. Im Feed-Scrollen sind wir Menschen noch die Hauptkundschaft. Aber beim Vergleichen, Buchen und Bestellen sitzt die Maschine am Steuer. Nostalgie fürs alte Klick-Web bringt uns nicht weiter, also bauen wir Seiten, die ein Agent versteht und ein Mensch trotzdem liebt.

Sam Altman: „proactive AI“ ist das nächste große Ding

Bei einem Enterprise-Event von OpenAI hat Sam Altman eine Drei-Phasen-These zur AI-Produktentwicklung skizziert. Phase eins waren Chat-Modelle wie ChatGPT, Phase zwei agentenbasierte Systeme wie Codex, Phase drei nennt er „proactive AI“, also künstliche Intelligenz, die ständig im Hintergrund mitläuft. „Wenn ich mich im nächsten Jahr auf eine Sache vorbereiten würde, dann auf diese“, so Altman. Die Agenten-Phase sei bisher die größte Kategorie gewesen, getrieben von der Kundennachfrage, doch viele Nutzer seien überfordert, wenn sie den Chat, den Codex oder eine API einsetzen sollen. Parallel arbeitet OpenAI an einer Art Super-App, die die agentischen Funktionen von Codex und ChatGPT bündelt. Hinzu kommt ein Nutzungsproblem: „Die meisten Menschen“ wüssten schlicht nicht, wie man AI gut einsetzt, die „activation energy“ sei zu hoch. „Proactive AI“ ist OpenAIs Antwort auch darauf: Wer nicht lernt, mit AI zu arbeiten, um den herum wird automatisiert. → Techpresso

Synthszr Take: Altmans dritte Phase ist vor allem ein Eingeständnis. Die Leute benutzen das Zeug nicht, weil die „activation energy“ zu hoch ist, wie er selbst sagt. Statt den Leuten beizubringen, wie man fragt, soll die AI einfach dauerhaft im Hintergrund laufen und sich selbst nützlich machen. Klingt bequem. Allein: das treibt das zweite Problem genau dorthin, wo es weh tut. Eine AI, die rund um die Uhr am gesamten Company-Kontext hängt, verbrennt noch mehr Compute als jeder Chat, und Uber hat ja schon ohne Dauerbetrieb sein ganzes Jahresbudget in Q1 verheizt. Die Kosten-Beichte hatten wir im Februar im Claws Club: Leute, es wird teuer, sehr teuer. Mein Rat für jeden, die nicht ein Jahr auf „proactive AI“ warten will: senkt die activation energy selbst. Ein halber Tag echtes Onboarding pro Team bringt heute mehr Digitalisierungsrendite als jede Hintergrundautomatik, die OpenAI für nächstes Jahr verspricht.

Altman und Amodei wollen die DNA-Lieferkette regulieren

Am 3. Juni haben die Chefs der größten AI-Firmen einen offenen Brief unterzeichnet, der den US-Kongress zu mehr Regulierung auffordert. Die Forderung zielt auf die Lieferkette für synthetische DNA und RNA, also auf einen Bereich außerhalb ihrer eigenen Produkte, ab. Das Argument: AI-Systeme werden in der Biologie so gut, dass sie schlechten Akteuren das Design gefährlicher Pathogene erleichtern könnten. Konkret sollen Anbieter jede DNA- und RNA-Bestellung gegen Datenbanken bekannter Gefahrensequenzen prüfen, Kunden verpflichtend verifizieren und vor dem Versand eine Risikobewertung durchführen. OpenAI betreibt seit Anfang 2024 internes Red-Teaming, um zu testen, ob die eigenen großen Sprachmodelle bei der Bewertung biologischer Bedrohungen helfen könnten. Die Ergebnisse waren offenbar besorgniserregend genug, dass freiwillige Branchennormen als unzureichend gelten.. Profitieren würden Hersteller von Biosicherheits-Technologie sowie etablierte Player mit bestehender Compliance-Infrastruktur. → Techpresso

Synthszr Take: Sam Altman und Dario Amodei stimmen in fast nichts überein, ihre Firmen liefern sich ein existenzielles Wettrennen. Beim DNA-Brief unterschreiben sie trotzdem dieselbe Zeile: Jede Bestellung synthetischer DNA und RNA in den USA soll geprüft und nachverfolgt werden. Das ist ein ehrliches Signal, denn OpenAI testet seit Anfang 2024 intern, ob die eigenen Modelle jemandem beim Bewerten biologischer Bedrohungen helfen könnten. Die Ergebnisse waren offenbar so unangenehm, dass freiwillige Branchennormen nicht mehr ausreichen. Mir fällt nur auf, wo die Leitplanke landen soll: bei den DNA-Synthese-Anbietern, während die eigenen Sprachmodelle außen vor bleiben. Das ist bequem, weil Screening-Pflichten kleinere Vendor mit dünnen Margen aus dem Markt drängen und am Ende die Großen mit fertiger Compliance-Infrastruktur profitieren. Trotzdem ist der Vorstoß richtig: Die DNA-Lieferkette ist der eine physische Engpass, an dem sich ein digitales Risiko greifbar kontrollieren lässt.

DeepSeek landet auf der Rechnung amerikanischer Konzerne

DeepSeek steht im Ramp-Report für Juni 2026 ganz oben auf der Liste der „Trending“-Software-Anbieter, die das Wachstum relativ zur Größe messen. Entscheidend ist das Nutzungsmuster hinter der Platzierung: Hier zahlen Firmen direkt an DeepSeek und schicken ihre Daten direkt durch DeepSeeks Systeme. Das ist ein anderes Signal als die Adoption selbst gehosteter Open-Weight-Modelle. Schon im Januar erreichte DeepSeek kurzzeitig 0,3 Prozent Geschäftsadoption, fiel danach jedoch auf 0,1 Prozent zurück. Diesmal gibt es einen handfesten Treiber: Im Mai machte DeepSeek den 75-Prozent-Rabatt auf sein V4-Pro-Modell dauerhaft. Cached-Input kostet jetzt ab RMB 0,025, rund 0,0035 Dollar pro Million Token, also etwa ein Prozent der vergleichbaren Kosten bei Anthropic. Ramp selbst warnt davor, die Haltbarkeit des Trends zu überschätzen, was eine berechtigte Vorsicht ist. Neben DeepSeek tauchen auch Fireworks AI, fal AI, DeepInfra und der GPU-Anbieter Vast.ai in der Liste auf. Im Mai zeigte OpenRouter bereits, dass 7 der 10 meistgenutzten Modelle chinesisch hergestellt wurden, bei einem wöchentlichen Token-Volumen von 25 Billionen, das von 5 Billionen sechs Monate zuvor hochgefahren war. → Hello China Tech

Synthszr Take: Bei einem Prozent der Anthropic-Kosten für Cached-Input wird DeepSeek zur Default-Wahl für jeden CFO, der auf die Inferenzrechnung schaut. Genau das zeigt der Ramp-Report: Firmen zahlen direkt und übermitteln ihre Daten über chinesische Systeme, statt nur in Entwickler-Foren über Preise zu reden. In unserem Vendor-Vergleich stand bei DeepSeek immer die Compliance-Frage im Fokus, und die lässt sich nicht durch einen Preis von 0,0035 Dollar pro Million Token in Luft auflösen. Billige Inferenz steigert den Verbrauch, das ist das Jevons-Paradoxon in Reinform: 25 Billionen Token pro Woche bei OpenRouter, in einem halben Jahr verfünffacht. Was sich hier formiert, ist eine komplette Kostenebene unter den Premium-Anbietern, mit Fireworks AI, fal AI und DeepInfra als Serving-Schicht. Anfang April schrieben wir, dass Tokens zum neuen BIP werden; die Rechnung dafür liegt jetzt auf amerikanischen Firmenkonten. Die Aufgabe für jeden ist konkret und morgen früh entscheidbar: erst klären, welche Daten überhaupt durch ein chinesisches Modell laufen dürfen, dann über die Preisersparnis reden.

Rekursive KI beschleunigt die Entwicklung dramatisch

Das Anthropic Institute hat Zahlen veröffentlicht, die zeigen, dass KI die Entwicklung von KI bereits beschleunigt; Ethan Mollick fasst sie in seinem Newsletter zusammen. Anthropic-Engineers liefern heute pro Quartal achtmal so viel Code aus wie noch zwischen 2021 und 2025. Der Begriff dafür lautet „recursive self-improvement“: ein System, das seinen eigenen Nachfolger entwirft und trainiert. So weit ist man noch nicht, aber die Kurve zeigt steil in diese Richtung. Die Aufgabenlänge, die Modelle zuverlässig allein bewältigen, verdoppelt sich inzwischen alle vier Monate statt wie früher alle sieben. Im März 2024 schaffte Claude Opus 3 Software-Aufgaben von vier Minuten, ein Jahr später erledigte Sonnet 3.7 Anderthalb-Stunden-Aufgaben, und Opus 4.6 managt heute Zwölf-Stunden-Aufgaben. Bei SWE-bench kletterten die Modelle in zwei Jahren von einstelligen Werten auf Sättigung, bei CORE-Bench von 20 Prozent auf vollständig gelöst in fünfzehn Monaten. Mollick unterscheidet zwei Arbeitsbereiche: Engineering, wo Claude eine unterspezifizierte Aufgabe selbst lösen kann, und Research, wo es bei klar definierten Experimenten erfahrene Menschen erreicht oder übertrifft. Für 2027 hält er KI-Systeme für Aufgaben für möglich, an denen ein Mensch sonst Wochen sitzt. → Ethan Mollick from One Useful Thing

Synthszr Take: Die 80 Prozent sind die Schlagzeile. Die eigentliche Lektion verbirgt sich in den 800 Einzelkorrekturen, die Claude im April autonom über die API vorgenommen und damit die Fehlerrate um den Faktor 1.000 senken konnte. Hier liegt der Hebel, den jeder morgen früh ansetzen kann: Agenten auf die jahrelang aufgeschobenen Altlasten loslassen, die kein Mensch mehr anfassen will, statt sie auf spekulative neue Features zu hetzen. Ehrlich ist, dass Anthropic den zweiten Effekt offen benennt: Wer das System mit synthetischem Code flutet, macht das menschliche Review zum Engpass, und Amdahls Gesetz schlägt da gnadenlos zu. Genau deshalb hängt jetzt ein automatisierter Claude-Reviewer in der Pipeline, der rückblickend ein Drittel der Bugs gefangen hätte, die claude.ai lahmgelegt haben. Wie ich in Code Crash beschrieben hab, verschiebt sich die Rolle des Engineers vom Tippen zum Dirigieren. Die 8-fache Code-Menge pro Engineer ist wertlos, solange die Qualitätssicherung am alten Tempo klebt. Wer keine automatisierte Review-Architektur hat, produziert ab jetzt nur schneller Müll.

Claude-Mem verpasst Coding-Agenten ein Gedächtnis: 80.000 GitHub-Stars für ein Plugin

Claude-Mem verwandelt Claude-Code-Sitzungen in ein durchsuchbares, datiertes Projektgedächtnis. Das Open-Source-Projekt von Alex Newman fängt Sitzungsereignisse über Hooks ab, komprimiert sie zu Beobachtungen und macht sie über einen MCP-Server abrufbar. Bis zum 2. Juni hatte das Repository 80.253 Stars und 6.910 Forks auf GitHub gesammelt, dazu 149 offene Issues und Pull Requests. Die Architektur kombiniert Claude-Code-Hooks, eine Bun-CLI-Schicht, einen Express-Worker sowie SQLite und Chroma. Newman betont, das Werkzeug erzeuge aus jeder Tool-Ausführung „neue Gedanken, neue Beobachtungen“, statt nur Transkripte zu speichern. Neben Claude Code werden auch Cursor, Gemini CLI, Windsurf, OpenCode und Codex CLI unterstützt. Mit Version 13.0.0 wechselte das Projekt von AGPL-3.0 auf Apache-2.0, damit, so Newman, „jeder die Primitive in seine Systeme einbauen kann“. Der Haken: Aus einem Plugin wird ein lokaler Dienst mit Worker-Logs, Provider-Calls und Rate-Limits, die man im Auge behalten muss (bei Gemini ohne Billing reden wir über 5 bis 10 Requests pro Minute). → Marcus Schuler

Synthszr Take: Gedächtnis ist die fehlende Schicht zwischen einem brauchbaren Coding-Agenten und einem, dem du morgens nicht nochmal die halbe Codebase erklären musst. 80.253 Stars in einer Zeit, in der andere Projekte um 200 beteln, sagen alles über den Schmerzpunkt. Im Januar haben wir geschrieben, dass LLMs ein Langzeitgedächtnis bekommen; hier liegt die handfeste Open-Source-Variante davon, gebaut aus SQLite, Chroma und ein paar Hooks. Der Wechsel auf Apache-2.0 ist die eigentliche Ansage: Newman verschenkt die Primitive, damit Anthropic, Cursor und der Rest sie direkt einbinden können. Damit wird die Memory-Schicht zum austauschbaren Produkt, bevor irgendwer sie ernsthaft monetarisieren konnte. Wer als Engineering-Lead jetzt darauf setzt, sollte die Betriebskosten nicht unterschätzen, denn der lokale Worker mit seinen Logs und Provider-Calls will gepflegt werden. Mein pragmatischer Rat: einmal sauber aufsetzen, Worker-Logs prüfen, neue Zeilen in der Datenbank verifizieren, und dann genießen, dass dein Agent endlich weiß, was er gestern kaputt repariert hat.

🦾 ChatGPT träumt jetzt und schreibt dabei deine Vergangenheit um

OpenAI gibt ChatGPT eine Funktion, die das Unternehmen mit dem Bild vom Drüberschlafen beschreibt: Das Modell überarbeitet im Hintergrund den kompletten Chatverlauf und schreibt alte Fakten fort, damit es weiß, dass deine Reise vorbei ist und du wieder zuhause bist. ElevenLabs geht mit dem Flows Agent einen Schritt weiter, aus einem einzigen Briefing entsteht eine fertige Werbung. Das System wählt die Modelle, verdrahtet die Pipeline und erzeugt Bilder, Video, Stimme und Musik selbst, bei einer Änderung mitten im Prozess dreht es nur das betroffene Teilstück neu. Meta stellt jedem Unternehmen einen KI-Vertreter zur Verfügung, der über WhatsApp, Messenger und Instagram Fragen beantwortet, Produkte empfiehlt, Termine bucht und Verkäufe abschließt. Das Wearable AWEAR sitzt hinter dem Ohr, liest die elektrischen Signale des Gehirns und übersetzt Stress, Fokus und mentale Last in Echtzeit in verständliche Hinweise. Daneben stehen zwei nachdenkliche Beiträge: Sechs Experimente zeigen, dass Fehler steigen und das kritische Denken schwindet, sobald Menschen der KI ohne Gegencheck vertrauen. Die Entwickler hinter Claude Code zerlegen in einem Playbook sechs Kernmuster, mit denen Claude seine eigenen Workflows baut. Dazu kommen kleinere Werkzeuge wie Comp AI für SOC-2-Audits oder Recoverit zur Datenrettung. → TAAFT - There's An AI For That

Synthszr Take: Im Januar war das Langzeitgedächtnis der Modelle noch die Schlagzeile. Jetzt lässt OpenAI ChatGPT im Hintergrund die eigene Erinnerung überarbeiten: Die Reise ist vorbei, du bist zuhause, der alte Stand wird stillschweigend ersetzt. Bequem, keine Frage. Spannender finde ich die Meldung drei Absätze tiefer, die sechs Experimente zu Menschen, die aufhören zu denken. Sobald wir der KI ohne Gegencheck vertrauen, klettern die Fehler und das kritische Denken verschwindet leise. Genau hier kreuzen sich die beiden News: Ein System, das seine eigenen Fakten kuratiert, trifft auf Nutzer, die nicht mehr nachprüfen. Wer sein Gedächtnis komplett auslagert, verliert die Hoheit über die eigene Versionsgeschichte.

78 Jahre Computer-Geschichte, lauffähig auf einem Laptop

Es gibt jetzt ein virtuelles Museum für Betriebssysteme, das die komplette Geschichte des Computers von 1948 bis heute auf einem normalen Laptop lauffähig macht. Der Virtual OS Museum bündelt über 570 verschiedene Betriebssysteme, mehr als 250 Plattformen und insgesamt über 1700 vorinstallierte Installationen, alle als emulierte Maschinen für QEMU, VirtualBox oder UTM. Ein eigener Launcher startet die Systeme unabhängig vom jeweiligen Emulator, alles ist vorkonfiguriert, und eine Snapshot-Funktion setzt eine kaputte Installation per Klick zurück. Die Sammlung beginnt beim Manchester Baby von 1948, dem ersten Computer mit gespeichertem Programm, und reicht über CTSS, den Urahn aller modernen Betriebssysteme, bis zu frühen Android- und iOS-Versionen. Mit dabei ist der Xerox Star, das erste System mit grafischer Desktop-Oberfläche. Der Katalog deckt Großrechner, Workstations mit ihren Unix-Varianten, Heimcomputer wie den Commodore und den ZX Spectrum sowie PC-Systeme von DOS über OS/2 und BeOS bis zu Windows ab Version 1.0 ab. Auch klassisches Mac OS bis Mac OS X 10.5 und Forschungssysteme wie Smalltalk und Oberon sind enthalten. Es gibt eine Vollversion, die komplett offline läuft, und eine Lite-Variante, die die Images beim ersten Start nachlädt. → The Download from MIT Technology Review

Synthszr Take: Wer heute Interfaces baut, sollte hier mal eine Stunde lang durchklicken. Der Xerox Star hatte die Desktop-Metapher schon 1981 fertig, lange bevor Apple und Microsoft sie zum Standard erhoben. 570 Betriebssysteme aus 78 Jahren, einsatzbereit auf einem Laptop: das ist die ehrlichste Geschichtsstunde für jeden, der glaubt, gerade etwas Neues zu erfinden. Vieles, was wir als frischen Use Case feiern, stand schon in den Achtzigern auf einem Bildschirm in Palo Alto. Der praktische Wert liegt darin, dass du siehst, welche Ideen sich bewährt haben und welche zu Recht verschwunden sind. Emulation macht Software-Geschichte zu laufendem Code statt zum Screenshot im Lehrbuch, und das fehlt den meisten Produktentwicklungsteams. Ich würd's jedem Junior in die Einführung packen. Wer die Geschichte kennt, baut die Zukunft mit mehr Demut.