Heute im Briefing: Nutzungsdaten lesen ohne Datenmassen, warum KI-Benchmarks oft wenig sagen, der Hype um «Vibe Coding», ChatGPT als Unternehmensassistent sowie ein direkter Modellvergleich zwischen GPT-5.6 Sol und Claude Fable 5.
Dot Plots: Nutzungsverhalten auf einen Blick statt in Aggregatmetriken
Dot Plots sind eine zweidimensionale Visualisierung, bei der jeder Nutzer eine Zeile belegt und jeder Tag eine Spalte: Ein Punkt erscheint, wenn der Nutzer eine bedeutungsvolle Aktion ausgeführt hat, kein Punkt wenn nicht. Das Konzept ist methodisch solide, verwandt mit dem GitHub-Contribution-Graph und funktioniert ohne spezielle Infrastruktur, wie der Sprecher anhand von Beispielen aus seinem Startup und aus Google Photos (über eine Milliarde Nutzer) zeigt. Der Startup-Fokus ist aber sichtbar: Für grosse, regulierte DACH-Produktlandschaften fehlen Hinweise auf Datenschutz-Anforderungen oder Skalierungsgrenzen. Zum Video
Einordnung: Wer in einem DACH-Team schnell sehen will, welche Nutzer churnen oder welche Features wirklich genutzt werden, kann Dot Plots mit einem einfachen Log-Export aus dem eigenen Datawarehouse nachbauen. Vor dem Einsatz aber sicherstellen, dass die Datenbasis DSGVO- oder revDSG-konform ist: Individuelle Nutzungszeilen erfordern je nach Kontext eine Rechtsgrundlage und ein Löschkonzept.
KI-Benchmarks: Was Alex Smola wirklich kritisiert
Alex Smola, Mitgründer von Boson AI und einer der meistzitierten ML-Forscher weltweit, legt im Interview dar, dass die meisten gängigen KI-Benchmarks stark miteinander korrelieren: Wer bei einem Coding-Benchmark gut abschneidet, tut es in der Regel bei allen anderen auch. Sein Team hat mathematisch gezeigt, dass rund ein halbes Dutzend unabhängiger Benchmarks ausreicht, um die Modellqualität zu erfassen. Ebenfalls durch menschliche Evaluation belegt: Modelle, die proaktiv antworten, also über die explizite Frage hinausgehen und den eigentlichen Kontext mitdenken, werden von Menschen deutlich bevorzugt. Der Interessenkonflikt ist aber offensichtlich, da Boson AI selbst Modelle entwickelt und vermarktet. Zum Video
Einordnung: Für DACH-IT-Profis, die Modelle evaluieren, ist die Kernbotschaft praktisch: Statt zehn Benchmarks zu vergleichen, lieber drei bis fünf unabhängige Dimensionen definieren, die zum eigenen Use-Case passen, und diese selbst mit echten Aufgaben testen. Benchmark-Tabellen der Anbieter sind ein Startpunkt, kein Entscheidungsgrund.
«Vibe Coding»: Ganze Apps per KI bauen, aber zu welchem Preis?
Ein kursierendes Video behauptet, ein KI-Tool erzeuge vollständige, produktionsreife Anwendungen inklusive Frontend, Backend, Datenbank und KI-Workflows in einer einzigen Konversation, nennt dabei aber weder den Tool-Namen noch zeigt es eine verifizierbare Demo. Plattformen wie Replit, Bolt.new, Lovable oder Cursor kommen dem beschriebenen Szenario tatsächlich nahe und haben in den letzten zwölf Monaten echte Fortschritte gemacht. Was das Video unterschlägt: Generierter Code muss gewartet, getestet und auf Sicherheitslücken geprüft werden, «One-Click-Deploy» ist kein Synonym für produktionsreife Software. Zum Video
Einordnung: «Vibe Coding» beschleunigt Prototyping erheblich und ist für interne Tools oder MVPs in DACH-Teams sinnvoll einsetzbar. Wer aber generierte Apps produktiv betreiben will, braucht weiterhin Code-Review, Sicherheitsscans und eine Dokumentation der Abhängigkeiten, sonst entstehen technische Schulden, die später teurer werden als die eingesparte Entwicklungszeit.
ChatGPT Work: Was die neuen Unternehmens-Features wirklich leisten
OpenAI hat unter dem Label «ChatGPT Work» eine Reihe neuer Funktionen vorgestellt: App-Integrationen mit Kalender, Slack und Google Drive, tägliche automatisierte Routinen, eingebetteten Codex für Code-Diffs und Pull-Request-Vorbereitung sowie Computer Use für Desktop- und Browser-Steuerung, wenn kein spezialisiertes Plugin vorhanden ist. Das Demo ist hochpoliert; offen bleiben Fragen zu Zuverlässigkeit im Alltag, zu den tatsächlich übertragenen Daten und zur Stabilität der Automatisierungen jenseits der gezeigten Szenarien. Zum Video
Einordnung: Vor dem Rollout in DACH-Unternehmen müssen Datenweitergabe an OpenAI und mögliche US-Drittlandtransfers geklärt werden, insbesondere wenn Kalender- oder Drive-Inhalte mit Personenbezug synchronisiert werden. DSGVO (EU/DE/AT) und revDSG (CH) verlangen hier eine Rechtsgrundlage und oft einen Auftragsverarbeitungsvertrag. Die Computer-Use-Funktion ist zusätzlich aus Audit- und Compliance-Sicht zu bewerten, bevor sie produktiv genutzt wird.
Zapier und ChatGPT: «Seven Figures in Pipeline» unter der Lupe
Zwei kurze Marketing-Testimonials von OpenAI beschreiben, wie ein Zapier-Mitarbeiter an einem Wochenende mit ChatGPT und Codex ein internes QA-System für Inbound-Leads gebaut hat. Der konkrete Wert ist plausibel: Der manuelle Prozess dauerte 35 bis 45 Minuten pro Lead, bei tausenden Leads ist der Automatisierungshebel rechnerisch erheblich. Die behaupteten «sieben Figures in monatlicher Pipeline» sind hingegen nicht unabhängig verifiziert, enthalten keine Methodik, keinen Zeitraum und keine Angaben dazu, ob abgeschlossene Deals oder bloss Opportunitätswert gemeint sind. Video 1 · Video 2
Einordnung: Das Grundmuster ist für DACH-Vertriebsteams relevant: Manuelle Lead-Qualifizierung lässt sich mit einem LLM-basierten Tool stark beschleunigen. Wer das nachbauen will, sollte aber die API-Kosten, die Fehlerquote des automatisierten Systems und die Datenschutzanforderungen an Lead-Daten von Anfang an einkalkulieren, bevor Pipeline-Zahlen als Erfolgsbeweis zählen.
GPT-5.6 Sol produziert ein ganzes Video: beeindruckend und teuer
OpenAI hat GPT-5.6 Sol am 9. Juli veröffentlicht und bezeichnet es als bisher stärkstes Coding-Modell. Auf dem Terminal Bench 2.1 erreicht der Ultra-Modus laut OpenAI-Angaben 91,9 Prozent, auf dem BrowseComp-Benchmark für agentisches Browsen 92,2 Prozent. Ein Creator hat den Ultra-Modus genutzt, um einen mehrstufigen Video-Produktions-Workflow zu koordinieren: Skript, ElevenLabs-Stimme, Heygen-Avatar, Schnitt und Qualitätsprüfung durch separate Sub-Agenten. Laut seinen Angaben im Video verbrauchte der Lauf 450 Millionen Token über Haupt- und neun Sub-Agenten, was zu API-Preisen rund 300 US-Dollar für ein einziges Video entspricht. Zum Video
Einordnung: Multi-Agenten-Workflows mit Sol sind technisch beeindruckend, aber der Token-Verbrauch im Ultra-Modus macht sie für Routineaufgaben wirtschaftlich unattraktiv. Für DACH-Teams lohnt sich der Einsatz nur dort, wo der manuelle Aufwand den Preis rechtfertigt, also bei hochmargigen, selten laufenden Prozessen, nicht im täglichen Betrieb.
GPT-5.6 Sol vs. Claude Fable 5: Kosten schlagen Qualität
Ein direkter Vergleich über einen ganzen Arbeitstag zeigt: Bei drei agentenbasierten Coding-Aufgaben kostete Claude Fable 5 zwischen 14 und 19 US-Dollar pro Lauf, GPT-5.6 Sol lag jeweils bei 1 bis 4,50 US-Dollar, also 4 bis 20 Mal günstiger. Fable generierte 65’000 bis 90’000 Output-Tokens pro Lauf, Sol nur 20’000 bis 31’000; die Laufzeiten waren mit 7 bis 23 Minuten pro Aufgabe nahezu identisch. Bei 27 stateless API-Abfragen gewann Sol 24 Mal, hauptsächlich weil Fable bei mehreren Anfragen schlicht keine Antwort lieferte (Guardrails). Wenn Fable antwortete, lagen die Qualitätspunkte fast gleichauf: Sol 0,98, Fable 0,966. Es handelt sich um einen einzelnen Tester ohne unabhängige Replikation, und die Qualitätsmetriken basieren auf einem nicht offengelegten Punktesystem. Zum Video
Einordnung: Für DACH-Teams, die agentisches Coding produktiv einsetzen, ist der Kostenvorteil von Sol gegenüber Fable 5 beim aktuellen Stand erheblich und rechtfertigt einen eigenen Test mit den internen Aufgaben. Die Guardrail-Ausfälle von Fable sind ein separates Thema: Wer in regulierten Umgebungen arbeitet, muss prüfen, ob die höhere Treffsicherheit bei sensiblen Anfragen ein Feature ist oder ein Hindernis.