KI Brief · Dienstag, 10. November 2026

Ausgabe 5 · Dienstag, 10. November 2026

Heute in Kürze

Österreich: Der Klagenfurter Patrick Prokesch startet mit Solid Labs einen KI-Agenten für Video-Ads, Peter Steinberger ist als Business Angel dabei
Modelle: Anthropic bringt Claude Fable 5.2 und Mythos 5.2, billiger als die Vorgänger und bei Artificial Analysis auf Platz 1
Modelle: Meta stellt mit Muse Ember ein kleines Agentenmodell um 0,10 USD pro Million Input-Token vor
Builder: OpenAI zeigt Control Room, einen zentralen Notschalter für Modell-Jobs in der eigenen Forschung
Builder: Dieselbe H100 kostet je nach Anbieter 2,69 oder 12,29 USD pro Stunde
Europa: Telekom verdoppelt die KI-Fabrik in München auf 20.000 Blackwell-GPUs
Markt: Google ergänzt die achte TPU-Generation um TPU 8tx und TPU 8i Max

Österreich / Förderungen

Solid Labs: KI-Agent für Video-Ads, mit Steinberger als Angel. Das Berliner Startup Solid Labs, mitgegründet vom Klagenfurter Patrick Prokesch (früher COO von Meister) und Christoph Schütte, hat letzte Woche gelauncht, wie brutkasten am Montag berichtet. Der „Solid Agent“ übernimmt die Werbeproduktion vom Briefing bis zur fertigen Anzeige und baut aus vorhandenem Videomaterial neue Ads für Meta, TikTok und YouTube, auch mit neuen Hooks, in anderen Formaten und Sprachen. Gedreht wird weiter mit Kamera und echten Leuten; Planung, Schnitt und Story macht die KI, und das Team kann jede Szene nachbearbeiten. Dahinter steht eine siebenstellige Pre-Seed-Runde aus 2025, unter den Business Angels sind Roman Kirsch (Yepoda), Epidemic-Sound-Mitgründer Tom Höglund und OpenClaw-Entwickler Peter Steinberger. Wie viel Steinberger investiert hat, ist offen, brutkasten wartet noch auf eine Antwort. Das Ziel ist die „Creative Fatigue“: Ads verlieren schnell an Wirkung, und Marken wie Agenturen brauchen laufend neue Varianten. Solid setzt dafür auf das eigene Rohmaterial der Marke und generiert Videos nur am Rand. brutkasten

Modelle & Papers

Claude Fable 5.2 und Mythos 5.2. Anthropic hat am Montag beide Modelle aktualisiert. Sie teilen dasselbe Grundmodell; Fable hat strenge Schutzfilter für Cyber- und Biothemen und steht allen offen, Mythos bekommen nur Organisationen über Anthropics Verifizierungsprogramme für Cybersicherheit und Life Sciences. Der Preis sinkt auf 8 USD pro Million Input- und 40 USD pro Million Output-Token, laut heise von zuvor 10 und 50. Ein optionaler Fast Mode erzeugt Token bis zu 2,5-mal schneller und kostet das Doppelte. Auf FrontierCode 2.0, das prüft, ob Maintainer einen Code-Patch mergen würden, kommt Fable 5.2 auf 49,1 %, Opus 5.5 auf 45,5 % und GPT-6 Astra auf 42,8 %. Schon bei High-Effort erreicht Fable laut Anthropic etwa Opus' Bestwert, zu rund der Hälfte der Kosten pro Aufgabe. Artificial Analysis führt Fable 5.2 im Intelligence Index mit 65 Punkten auf Platz 1, vor Gemini 4 Carbon (60) und Opus 5.5 (59), allerdings bei 26,54 USD und 46 Minuten pro Testaufgabe. Als Demo nennt Anthropic die vollständige Formalisierung von Fermats letztem Satz in Lean: rund 1.000 Fable-Agenten brauchten 30 Stunden. In Claude Code ist das Modell seit Version 2.1.321 das Standard-Fable. Anthropic selbst rät, im Alltag mit Opus 5.5 zu starten und nur für lange, offene Aufgaben auf Fable zu wechseln. Anthropic · Artificial Analysis · heise
Meta Muse Ember, ein kleines Modell für Subagenten. Meta Superintelligence Labs hat Muse Ember vorgestellt, gedacht für die vielen kleinen Schritte, die Agenten den ganzen Tag machen: Tool-Calls, Coding-Teilaufgaben, Routing, Extraktion und das Parsen langer Dokumente. Es kostet 0,10 USD pro Million Input- und 0,50 USD pro Million Output-Token, läuft über die Meta Model API und hat 1 Mio. Token Kontext bei bis zu 512.000 Token Output. Im Artificial-Analysis-Index kommt Ember auf 36 Punkte, gleich viel wie Claude Haiku 5.5 auf höchster Stufe, laut Meta zu etwa einem Drittel der Kosten pro Aufgabe; GPT-6 Luna liegt bei 28. Auf AutomationBench-AA, das Geschäftsabläufe von Anfang bis Ende testet, misst Meta 37,8 % gegenüber 13,9 % bei Haiku 5.5. Cline und Cloudflare berichten aus ihren Tests von schnellen Antworten bei Subagent-Arbeit. Die Zahlen stammen aus Metas eigener Auswertung, und Ember gibt es nur als API, ohne offene Gewichte. Wer in seinem Agenten ein großes Modell plant und viele Teilaufgaben verteilt, kann Ember als günstigen Arbeiter gegen Haiku testen. Meta

Builder / Tools

OpenAI Control Room: Notschalter für Forschungs-Jobs. OpenAI beschreibt ein System, das jede Inferenz in der eigenen Forschung zentral erfasst, vom RL-Training bis zur Evaluation, und einen Job auf Kommando stoppt. Jeder Job holt sich eine ID; bevor die Inferenz-Engine Token erzeugt, fragt sie bei Control Room nach, ob diese ID noch laufen darf. Meldet ein Monitor-Modell ein Problem, wird die ID gesperrt und die Engine verweigert weitere Ausgaben, spätestens nach 35 Sekunden (so lange hält ein Cache die Freigaben). Fällt Control Room selbst aus, lehnen die Engines jede Anfrage ab, bis der Dienst wieder läuft. Für alle Frontier-Forschungsjobs ist das schon aktiv, der Rest folgt in den nächsten Tagen. Wer eigene Agenten-Pipelines betreibt, kann das Prinzip übernehmen: Den Stopp ins Inferenz-Gateway legen, durch das alle Aufrufe laufen, weil sich Agenten-Code ständig ändert und ein Check dort leicht verloren geht. OpenAI
Was eine H100 wirklich kostet. Ein GitHub-Projekt (Hacker News, 168 Punkte) vergleicht On-Demand-Listenpreise pro GPU-Stunde für die H100 SXM 80 GB: RunPod Community 2,69 USD, RunPod Secure 3,99 USD, AWS p5.48xlarge 6,88 USD und Azure ND96isr_H100_v5 12,29 USD. Ein Monat Dauerbetrieb einer GPU kostet damit 1.964 oder 8.972 USD, der Faktor ist 4,57. Der Autor vergleicht bewusst nur identische Varianten, weil SXM, PCIe und NVL alle als „H100“ verkauft werden. Einen Teil des Aufpreises erklärt die Ausstattung: Azures ND-Serie hat 400 Gbit/s InfiniBand pro GPU, die man für Training über viele Knoten braucht, und ein Rechenzentrums-SLA, während bei RunPod Community Dritte ihre eigene Hardware vermieten. Reservierte und Spot-Preise fehlen, ebenso Lambda, dessen neue Preise erst ab 16. November gelten, und es ist je nur eine Region erfasst. Wer auf einem einzelnen Knoten feintunt, zahlt beim Hyperscaler für ein Netzwerk, das er nie nutzt. Die Skripte liegen im Repo und rechnen mit den öffentlichen Preis-APIs von AWS und Azure. GitHub

Europa / Recht

Telekom verdoppelt die KI-Fabrik in München. Die Deutsche Telekom baut das erst im Februar eröffnete Rechenzentrum im Münchner Tucherpark von 10.000 auf 20.000 Nvidia-Blackwell-GPUs aus, zu den B200 kommen jetzt B300. Laut heise war die installierte Leistung nach sieben Monaten komplett belegt, die Telekom investiert knapp eine weitere Viertelmilliarde Euro, und mit 20 MW ist der Standort dann voll. Nvidias Vera-Rubin-Racks passen dort übrigens nicht hinein, sie sind zu groß für den Aufzug der unterirdischen Anlage. Gekühlt wird mit Wasser aus dem Eisbach. Genutzt wird die Anlage als Industrial AI Cloud, unter anderem von Siemens und Daimler Trucks, für Training, Robotik und Simulation. Digitalminister Karsten Wildberger kündigte an, dass dort auch Chips des Dresdner Start-ups Sparxity laufen sollen. Ob die Telekom zusätzlich eine EU-Gigafactory baut, ließ CEO Tim Höttges offen. Für Firmen im DACH-Raum, die GPU-Kapazität mit Standort in der EU suchen, ist das eine Adresse mehr, der Andrang zeigt aber, dass man früh reservieren sollte. heise

Markt

Google bringt TPU 8tx und TPU 8i Max. Google erweitert die achte TPU-Generation um zwei Systeme und kommt damit auf vier in einem Jahr. TPU 8tx nutzt dasselbe Silizium wie die Trainings-TPU 8t, läuft mit AMD-EPYC-Hosts der fünften Generation und hält Daten und Modellgewichte auch während der Verarbeitung verschlüsselt; gedacht ist sie für Behörden und regulierte Firmen, die vertraulich inferieren oder mit privaten Daten feintunen wollen. Die Latenz soll bis zu halb so hoch sein wie bei der 8t. TPU 8i Max packt zwei 8i-Chips auf ein Package und verdoppelt Rechenleistung, SRAM und HBM-Bandbreite, für sehr lange Kontexte und mehr Leistung pro Rack. Laut Google hat das TPU-Geschäft inzwischen fast 100 Kunden. Für Entwickler zählt eher die Software: PyTorch-Code und Hugging-Face-Modelle laufen über das im Oktober offengelegte TorchTPU direkt, vLLM und SGLang haben TPU-Backends, und eine TPU-Agent-Suite (Preview) hängt sich in Claude Code, Cursor und Antigravity. Einen Termin für die Verfügbarkeit der neuen Systeme nennt der Beitrag nicht. Google

Tipp des Tages

Bevor du für einen langen Agenten-Job das teuerste Modell nimmst, probier die Aufteilung, die Anthropic und Meta gerade beide beschreiben: ein kleines Modell erledigt die vielen Einzelschritte, das große wird nur gefragt, wenn es hakt. Miss Kosten und Erfolgsquote an fünf echten Aufgaben, dann weißt du, ob sich der Aufpreis lohnt.

Begriff des Tages

Begriff des Tages: Dokument-Parsing

Dokument-Parsing heißt, aus PDFs, Scans, Word- oder PowerPoint-Dateien Text samt Struktur herauszuholen: Überschriften, Absätze, Tabellen, Lesereihenfolge, Bilder mit Bildunterschrift. Für RAG und Agenten ist das der erste Schritt, denn das Modell sieht nur, was der Parser liefert. Ein einfacher PDF-Textexport reiht zweispaltige Seiten wild aneinander und macht aus Tabellen Zahlensalat; ein Layout-Modell erkennt Spalten, Zellen und Überschriften und gibt Markdown oder JSON aus.

Gebraucht wird das, sobald Verträge, Rechnungen, Handbücher oder Berichte in eine Suche oder einen Agenten sollen. Ein guter Test: zehn eigene Problemdokumente (Scans, Tabellen über mehrere Seiten, zweispaltig) durch den Parser schicken und das Ergebnis mit dem Original vergleichen.

Der Haken: Parse-Fehler fallen nicht auf. Eine verrutschte Tabellenzeile landet still im Index, und das Modell antwortet später überzeugt mit der falschen Zahl. Handschrift, schlechte Scans und verschachtelte Tabellen bleiben schwierig, egal mit welchem Werkzeug.

Europa + offen: Docling (entstanden bei IBM Research in Zürich; MIT-Lizenz; selbst hostbar: ja; liest PDF, DOCX, PPTX, XLSX, HTML und Bilder, gibt Markdown oder JSON aus, läuft lokal auch ohne GPU)

Proprietär: Azure Document Intelligence (Microsoft-Clouddienst, Abrechnung pro Seite, 500 Seiten pro Monat gratis; fertige Modelle für Rechnungen, Belege und Ausweise, eigene Extraktionsmodelle trainierbar, auch als Container)

Wann was: Docling, wenn die Dokumente das Haus nicht verlassen sollen und du Layout und Tabellen für RAG brauchst. Azure Document Intelligence, wenn du feste Felder aus Standardbelegen wie Rechnungen ziehen willst und die Daten ohnehin in Azure liegen.

Merksatz: Ein RAG-System kann nur so gut antworten, wie der Parser die Dokumente gelesen hat. Schau dir die Markdown-Ausgabe an, bevor du an Prompts drehst.

AI Stocks

1M- und 12M-Sparklines · Schlusskurse bis 9. Nov. 2026 · Quelle Yahoo Finance · Keine Anlageberatung

Ticker	1 Monat	12 Monate
NVDA	−22%	−10%
AMD	−16%	+108%
MSFT	+2%	+8%
GOOGL	−18%	−1%
META	−11%	+2%
AVGO	−12%	−11%

NVDA schloss am Montag 4,3 % tiefer, am ersten Handelstag nach der Mitteilung des Verwaltungsrats; über einen Monat steht die Aktie bei −22 %. Die anderen fünf legten am Montag zu, AMD um 13,3 % und AVGO um 8,8 %. Über zwölf Monate liegt AMD mit +109 % klar vorn, NVDA und AVGO stehen im Minus.

← Vortag Archiv nächste →

Markdown