Vier Videos vom 21. Juli 2026, ein gemeinsamer Nenner: KI verlässt das Chatfenster. ChatGPT wird zur Arbeitsumgebung, Kapital fliesst in physische Maschinen, und in der Biomedizin zeigt sich, warum die Datenbasis über Erfolg oder Scheitern entscheidet. Wir ordnen ein, was belegt ist und was Rhetorik.
Wird ChatGPT zur eigenständigen Arbeitsumgebung?
OpenAI erweitert ChatGPT laut dem Video um eine Desktop-App mit drei Bausteinen: dem klassischen Chat, Codex als Coding-Assistent und einem neuen Agenten namens «Work», der längere, verbundene Aufgaben eigenständig übernehmen soll. Dazu kommt ein Cloud-Browser mit Plugins für angeblich über 100 Apps, plus «Computer Use» als Fallback, wenn kein nativer Plugin existiert. Der Autor demonstriert einen Morgen-Workflow, der um 6 Uhr ClickUp, Projektideen, Team-Chats und Kalender zusammenfasst. Das ist ein Erfahrungsbericht eines einzelnen Creators, keine unabhängige Verifikation. Offen bleiben die entscheidenden Fragen: Welche Apps sind wirklich nativ angebunden, wie zuverlässig arbeitet «Computer Use» bei komplexen Abläufen, und zu welchem Preis und in welchem Tarif ist «Work» verfügbar. Quelle (YouTube)
Einordnung: Für DACH-IT-Profis ist der spannende Teil der Agent «Work», nicht der Chat. Solange aber die Nutzungslimiten pro Tarif und die reale Zuverlässigkeit von «Computer Use» unbelegt sind, gehört das ins Testfeld, nicht in den produktiven Betrieb. Prüft vor einem Pilot, welche eurer Tools nativ angebunden sind, denn ein Browser-Fallback ist bei sensiblen Daten ein Risiko, kein Feature. Ein Überblick über die im DACH-Raum verfügbaren Agenten-Werkzeuge steht in unserem Agenten-Guide. Beobachten, nicht ausrollen.
Warum wird Physical AI zur nächsten Wachstumswelle erklärt?
Im a16z-Gespräch beschreibt sich Applied Intuition als Physical-AI-Unternehmen mit über tausend Ingenieurinnen und Ingenieuren, 18 Büros und nach eigenen Angaben mehr als einer Milliarde Dollar eingesammeltem Kapital. Kunden kämen aus Automotive, Verteidigung, Bergbau, Landwirtschaft und Logistik, wobei Automotive nur noch rund 30 Prozent des Umsatzes ausmache. Belastbar sind die strukturellen Argumente: Das Durchschnittsalter amerikanischer Farmerinnen und Farmer liegt laut den Sprechern bei 58 Jahren, weniger als 10 Prozent sind unter 35. Der Arbeitskräftemangel in physischen Branchen ist dokumentiert und real. Weniger belegt sind die grossen Zahlenversprechen: «Eine Milliarde intelligente Maschinen» ist eine Vision, kein Marktforecast mit Quelle. Die Selbstauskünfte zu Kapital und Umsatzverteilung stammen vom Unternehmen selbst und sind hier nicht unabhängig geprüft. Quelle (a16z)
Einordnung: Für DACH-Unternehmen im Maschinenbau, in der Logistik und in der Landwirtschaft ist der Demografie-Druck der ehrlichste Teil der Story: Er trifft Europa genauso. Physical AI ist aber ein langfristiges Infrastruktur-Thema, kein Quartals-Case. Behandelt Anbieter-Zahlen als Marketing, bis sie unabhängig belegt sind, und beobachtet, welche konkreten Anwendungen euren Sektor tatsächlich erreichen.
Taugen die neuen ChatGPT-Plugins für den Büroalltag?
OpenAI hat ein Plugin-Verzeichnis eingeführt, das ChatGPT direkt an Gmail, Google Drive, Slack, Kalender und Dokumentenablagen anbindet. Das Video zeigt zwei Fälle: einen Veranstaltungsflyer über ein Canva-Plugin und eine Meeting-Vorbereitung, bei der ChatGPT parallel auf E-Mails, Drive-Dokumente und Slack-Nachrichten zugreift. Beide Demos laufen flüssig. Es fehlt aber jede kritische Auseinandersetzung mit den Kernfragen: Welche Daten verlassen welche Systeme, wie granular lassen sich Zugriffsrechte einschränken, und was passiert bei widersprüchlichen Informationen aus verschiedenen Quellen. Genau dieser Konfliktfall, etwa ein Drive-Dokument gegen eine abweichende Slack-Nachricht, bleibt unbeantwortet. Die Inszenierung setzt zudem Google Workspace und Slack voraus, also den US-typischen Stack. Quelle (YouTube)
Einordnung: Für DACH-Unternehmen mit Microsoft 365, SharePoint oder lokalen Ablagen ist die Übertragbarkeit unklar, denn diese Systeme tauchen in der Demo nicht auf. Der eigentliche Prüfstein ist die Datenkontrolle: revidiertes DSG (CH), DSGVO plus BDSG (DE) und DSG (AT) verlangen nachvollziehbare Zugriffsrechte und dokumentierte Datenflüsse. Klärt vor jeder Freigabe, welche Daten an OpenAI gehen. Die Grundlagen dazu haben wir in KI und Datenschutz zusammengestellt. Das ist keine Rechtsberatung, aber die erste Frage an eure Compliance.
Warum brauchen KI-Modelle für Biologie kausale Daten?
Xaira Therapeutics hat mit X-Cell ein Modell veröffentlicht, das vorhersagen soll, wie menschliche Zellen auf genetische Eingriffe reagieren. Der Kern des Gesprächs mit Bo Wang und Ci Chu: Das Modell wurde bewusst auf kausalen Daten trainiert, nicht auf beschreibenden Datensätzen. Bisherige Biologie-Foundation-Modelle, darunter das von Bo Wang mitentwickelte scGPT, nutzten überwiegend beschreibende Daten wie CellxGene mit ursprünglich über 33 Millionen Zellen gesunder Spender. Solche Daten zeigen Korrelationen, aber keine Kausalität: Sind Gene A, B und C gemeinsam hochreguliert, bleibt offen, welches Gen welches steuert. Belegt ist die ehrliche Selbstkritik, dass auf beschreibenden Daten trainierte Modelle bei Perturbationsaufgaben, also der Frage, was beim Abschalten eines Gens passiert, einfache lineare Basismodelle nicht schlagen. Quelle (YouTube)
Einordnung: Der Punkt ist über die Biologie hinaus relevant. Wer KI-Modelle für Prognosen oder Entscheidungen einsetzt, sollte wissen, ob die Trainingsdaten Korrelation oder Kausalität abbilden. Für DACH-Teams im Data-Science-Umfeld ist das die Mahnung: Mehr Daten ersetzen keine kausale Struktur. Wo ihr Wirkungsprognosen braucht, prüft die Datenherkunft, bevor ihr einem grossen Modell vertraut.
Roter Faden des Tages: Die interessanten Fortschritte liegen dort, wo KI an reale Systeme andockt, an Arbeitswerkzeuge, an Maschinen, an Zellbiologie. Die Demos beeindrucken, doch die harten Fragen nach Zuverlässigkeit, Datenkontrolle und Datenqualität bleiben meist offen. Für die Praxis heisst das: testen und beobachten, nicht auf Anbieter-Rhetorik ausrollen.