Hallo zusammen, hier ist Markus. Ich habe in den vergangenen Wochen nicht nur ein Spiel gebaut. Es wurden acht. Darunter ein Tower-Defense-Spiel zum Tiroler Aufstand mit mehr als zwanzig Leveln, eigener Musik und einer vollständigen 3D-Version. Ich bin weder Spieleentwickler noch 3D-Artist noch Komponist.

Genau deshalb ist die eigentliche Nachricht nicht, wie gut diese Spiele sind. Die Nachricht ist, dass eine interdisziplinäre Produktion, für die früher ein Team und Monate nötig gewesen wären, für einen Einzelnen zu einer Folge aus Auftrag, Prüfung und Verbesserung geworden ist.

Das gleiche Muster taucht diese Woche an zwei anderen Stellen auf. OpenAIs neues Astra-System legt zehn formal geprüfte Lösungen für offene Mathematikprobleme vor. Chinesische Open-Weight-Modelle machen zugleich Fähigkeiten, die vor wenigen Monaten nur über teure US-Schnittstellen erreichbar waren, lokal verfügbar.

Der gemeinsame Nenner ist Deflation. Nicht nur Bilder, Texte oder Code werden billiger. Auch komplexe Produktion, Forschung und Modellintelligenz verlieren ihren bisherigen Knappheitspreis. Das eröffnet enorm viel. Es zerstört aber ebenso zuverlässig Geschäftsmodelle, die genau auf dieser Knappheit beruhten.

Gaming ist durchgespielt: Wenn jeder bauen kann, können immer weniger davon leben

Spiele galten lange als Königsdisziplin der digitalen Wissensarbeit. Sie verbinden Konzept, Grafik, dreidimensionale Modelle, Animation, Musik, Spielmechanik, Programmierung, Tests und Vermarktung. Fällt nur ein Gewerk aus, fällt oft das ganze Produkt aus.

Genau diese Vielschichtigkeit war der Schutzwall der Branche. In meinen eigenen Versuchen ist er gefallen. Aus der ersten flachen 2D-Version von Tyrolean Defense 1809 wurde innerhalb weniger Tage eine vollständige 3D-Welt. Parallel entstanden weitere Spielideen. Die Arbeit bestand nicht darin, jedes Gewerk selbst zu beherrschen. Ich führte die Schleife: beschreiben, bauen lassen, prüfen, kritisieren, neu bauen.

Aus einem Jahr interdisziplinärer Entwicklungsarbeit kann ein Tag Loop Engineering werden. Der Begriff beschreibt die Fähigkeit, KI-Systeme durch wiederholte Arbeits- und Prüfschleifen zu einem belastbaren Ergebnis zu führen.

Das ist zunächst eine gewaltige Demokratisierung. Millionen Menschen können Dinge herstellen, für die ihnen Ausbildung, Kapital oder ein Team fehlten. Wirtschaftlich folgt daraus jedoch ein härterer Satz: Wenn die Herstellung eines digitalen Gutes fast nichts mehr kostet, vervielfacht sich das Angebot. Die verfügbare Aufmerksamkeit wächst aber nicht mit.

Alle werden bauen können. Immer weniger werden davon leben können.

Wertvoll bleibt deshalb, was sich nicht beliebig neu erzeugen lässt: eine Marke, eine Gemeinschaft, persönliche Beziehung, Live-Erlebnisse, Haftung und glaubwürdige Auswahl. Die ausführliche Analyse steht im Beitrag Die Schattenseite der KI-Deflation.

Ist nun auch Mathematik durchgespielt?

OpenAI hat zehn Lösungen für bislang offene Probleme in Mathematik und theoretischer Informatik vorgelegt. Die Beweise stammen laut Unternehmen von Astra, einer neuen internen Modellfamilie für langfristige Multi-Agenten-Aufgaben.

Alle Beweise wurden in Lean 4 formalisiert. Diese Programmiersprache prüft jeden Ableitungsschritt maschinell und macht logische Fehler sichtbar. OpenAI-Mitgründer Greg Brockman bezifferte die Inferenzkosten der Berechnungen auf rund 2.000 US-Dollar. Die Trainingskosten des Systems sind darin nicht enthalten.

Die zugespitzte Schlagzeile braucht eine nüchterne Einschränkung. Die Lean-Prüfung bestätigt die logische Korrektheit einer Beweiskette. Sie entscheidet nicht, ob die Aussagen tatsächlich jene mathematische Tragweite besitzen, die ihnen zugeschrieben wird. Auch der genaue Anteil menschlicher Unterstützung ist bisher nicht vollständig transparent. Die unabhängige fachliche Begutachtung steht aus.

Fast zeitgleich berichtete Reuters von weiteren Fällen, in denen OpenAI-Agenten bei früheren Tests ihre vorgesehene Umgebung verlassen hätten. Langfristige Autonomie ist genau jene Fähigkeit, die Astra für schwierige Forschung stark macht und die Sicherheit solcher Systeme anspruchsvoll werden lässt.

Die Forschungsleistung und das Sicherheitsproblem kommen aus derselben Quelle: Ein System verfolgt Ziele über lange Zeit und sucht selbstständig neue Wege.

Mehr dazu: Astra, zehn Mathematikbeweise und die neuen Agenten-Ausbrüche.

DeepSeek macht Modellintelligenz zur Handelsware

Das Geschäftsmodell der führenden US-Labs beruht auf einer einfachen Rechnung: Milliarden fließen in Training und Rechenzentren, zurückkommen sollen sie über monatliche Abos und Gebühren für jeden verarbeiteten Textbaustein.

DeepSeek, Alibaba mit Qwen, Moonshot mit Kimi und Zhipu greifen diese Rechnung an. Sie veröffentlichen ihre Modelle als Open Weights. Unternehmen können die fertig trainierten Modelldateien herunterladen und auf eigener oder gemieteter Hardware betreiben, ohne jede Anfrage an eine amerikanische Cloud zu schicken.

Was vor acht Monaten noch exklusiver Spitzenwert war, läuft heute auf deutlich kleinerer Infrastruktur. Besonders hochfrequente Routineaufgaben wie Zusammenfassungen, Dokumentenauswertung und wiederkehrende Agenten-Schleifen lassen sich dadurch von teuren Schnittstellen wegverlagern.

Der Wert verschwindet nicht. Er wandert. Wenn das Modell austauschbarer wird, zahlen Unternehmen für Betrieb, Integration, Sicherheit und ihre eigenen, schwer kopierbaren Arbeitsabläufe. Lokal ist dabei nicht automatisch billiger, sobald Hardware, Strom, Wartung und Sicherheit eingerechnet werden.

Für Entscheider folgt daraus keine Alles-oder-nichts-Entscheidung, sondern eine Architekturfrage: Routine auf günstige offene Modelle, Spitzenaufgaben auf die besten geschlossenen Systeme und dazwischen eine eigene Schicht, die den Anbieterwechsel ermöglicht. Die vollständige Einordnung: Chinesische Open-Weight-Modelle greifen das Geschäftsmodell der US-Labs an.

Podcast: Maray Paul über KI-Filme, Midjourney und Seedance

Wie entsteht aus einzelnen KI-Werkzeugen ein wirklicher Film? In Folge 9 spreche ich mit Maray Paul über Midjourney 8.2, GPT Image 2, Seedance, FLUX 3 und die Frage, ob ein einzelner Kreativer künftig ein ganzes Filmstudio ersetzen kann.

Maray zeigt, warum die neueste Modellversion nicht automatisch die beste Wahl ist. Für fantastische Bildwelten bevorzugt sie weiterhin Midjourney 8.1, weil die Bildsprache für ihren Stil organischer wirkt. GPT Image 2 sorgt anschließend für konsistente Figuren und Schauplätze, Seedance bringt die Bilder in Bewegung.

Wir sprechen auch über die Grenzen: teure Fehlversuche, schwierige Kameraschwenks und Räume, die auf keinem Referenzbild existieren. Die Folge gibt es im Beitrag Maray Paul über KI-Filme und meine neuen KI-Spiele.

Was diese Woche sonst wichtig war

Seedance 2.5 ist jetzt verfügbar

ByteDance hat Seedance 2.5 und Seedream 5.0 Pro weltweit ausgerollt. Das Videomodell ist über Dreamina verfügbar, Unternehmen können über BytePlus darauf zugreifen. Leistungsangaben wie native 4K-Ausgabe, 60 Bilder pro Sekunde oder sehr viele Referenzdateien stammen vom Anbieter und müssen für den konkreten Tarif und die Region im eigenen Zugang geprüft werden.

Alle Details zum Start stehen in ByteDance veröffentlicht Seedance 2.5.

🎯 Was das für die Praxis bedeutet

1. Knappheit neu bestimmen: Wenn Produktion billiger wird, steigen Marke, Beziehung, Haftung und glaubwürdige Auswahl im Wert.

2. Formal geprüft ist nicht fachlich abgeschlossen: Maschinenprüfbare Beweise brauchen weiterhin unabhängige Einordnung und transparente Dokumentation.

3. Modelle austauschbar halten: Routine, Spitzenaufgaben und sensible Daten sollten nach Kosten, Qualität und Risiko auf unterschiedliche Systeme verteilt werden können.

📰 Quellen
LinkedIn Newsletter ↗
Teilen: