MIND.ai Update #38: Dauerläufer, Büro-Duell und das Comeback des Magnetbands
Fünf Agenten arbeiten in der Cloud weiter, wenn Sie den Rechner längst ausgeschaltet haben. Gemini 4 Argon und GPT-6.1 Terra treten im Büroalltag gegeneinander an: schnell und günstig gegen gründlich und teuer. Und das Magnetband, eine Technik aus dem letzten Jahrhundert, schützt die wertvollsten KI-Modelle vor Hackern. Die KI wird selbstständiger, die Messlatte praxisnäher, die Sicherheit analoger. Wer jetzt Aufgaben abgibt, sollte wissen, an wen.
Der Krieg der fünf proaktiven Agenten: KI verlässt den Chat und arbeitet in der Cloud
Die Konkurrenz an der Spitze der künstlichen Intelligenz hat sich zwischen Spätsommer und Herbstbeginn grundlegend verschoben. Fast vier Jahre lang dominierte der reaktive Chatbot: Der Nutzer stellt eine Frage, das System wartet ab und liefert genau eine Antwort. Dieses Rundenmodell ist überholt. Binnen weniger Wochen kamen fünf Plattformen auf den Markt, die auf Proaktivität setzen: Grok Bot von xAI im August, Muse von Meta Anfang September, Dots von OpenAI Ende September, die erweiterten Funktionen von Gemini und im Oktober schließlich Claude Duet von Anthropic.
Trotz unterschiedlicher Zielgruppen und Basismodelle folgen alle fünf derselben Architektur. Erstens läuft der Agent dauerhaft (always-on): Er endet nicht mit der Sitzung, sondern arbeitet in der Cloud weiter, auch wenn der Nutzer die App schließt oder den Rechner ausschaltet.
Zweitens steht ihm eine virtuelle Maschine mit Browser, Befehlsterminal, lokalen Ordnern und Software-Anbindungen zur Verfügung, mit der er sich im digitalen Umfeld bewegt. Drittens ergreift er selbst die Initiative: Er wartet nicht auf Aufträge, sondern beobachtet Arbeitsabläufe, bereitet morgendliche Zusammenfassungen vor und meldet sich direkt, wenn Auffälligkeiten oder Fristen anstehen. Viertens gilt ein Sicherheitsfilter: Vor unumkehrbaren Handlungen wie dem Versand einer offiziellen Mitteilung, der Freigabe einer Zahlung oder dem Löschen von Dateien muss das System anhalten und eine ausdrückliche Genehmigung einholen.
Die fünf Angebote richten sich an klar getrennte Zielgruppen. Muse von Meta und junge Anbieter wie Instinct, die nur auf Einladung zugänglich sind, zielen auf den Alltag von Privatpersonen: Reisen planen, online einkaufen, Abos kündigen, Nachrichten verwalten. Sie binden Kanäle wie WhatsApp ein und lassen Ausgaben über Prüfebenen außerhalb des Modells freigeben.
Im Berufs- und Unternehmensumfeld konkurrieren Dots, Claude Duet, Grok Bot und Gemini Tasks. Dots arbeitet in Umgebungen wie Slack und Teams und greift auf über 4.000 Unternehmensanwendungen zu. Duet setzt auf ein dauerhaftes Gedächtnis und die Denkleistung von Claude Opus, um Arbeitsbriefings zu erstellen und technische Projekte über lange Zeit zu begleiten. Grok Bot koordiniert mehrere spezialisierte Bots parallel, die Routinen lernen, indem sie dem Nutzer im Browser über die Schulter schauen. Gemini nutzt das Google-Ökosystem, um komplexe Schritte zwischen Mail, Dokumenten und Drittanwendungen zu automatisieren.
Die rasche Zersplitterung hat allerdings eine Schattenseite, die sogenannte „Reset Tax“ (im Italienischen „tassa di ripristino“). Jeder Agent arbeitet in seinem eigenen, geschlossenen Silo. Nutzer und Unternehmen müssen Einstellungen, Berechtigungen und Anweisungen immer wieder neu eingeben, weil die Systeme das Gelernte nicht untereinander austauschen.
Hinzu kommt: Wer Zugangsdaten und Leserechte an Maschinen übergibt, die rund um die Uhr laufen, vergrößert die Angriffsfläche. Das Risiko reicht vom Token-Diebstahl bis zur Prompt Injection.
Gemini 4 Argon gegen GPT-6.1 Terra: Das Duell um die echte Büroarbeit
Im Herbst endet die Phase, in der Sprachmodelle allein nach akademischen Benchmark-Werten oder der formalen Länge ihres Kontexts ausgewählt wurden. Sobald künstliche Intelligenz in Unternehmensprozesse einzieht, in Buchhaltung, Rechnungsstellung, Auftragsverwaltung, Dokumentenklassifizierung und die Datenextraktion aus komplexen Verträgen, gelten andere Maßstäbe. Das direkte Duell zwischen Gemini 4 Argon von Google und GPT-6.1 Terra von OpenAI steht beispielhaft für den industriellen Schlagabtausch zweier Philosophien in der Büroarbeit.
Google hat Gemini 4 Argon als breit aufgestellte Arbeitsinfrastruktur angelegt. Das Modell hält über Stunden den roten Faden, verbindet Programmierung, Dokumentenzusammenfassung und Anbindungen an mehr als 40 externe Softwareplattformen. Dank der engen Integration in Produktivitätswerkzeuge eignet sich Argon für Nutzer, die mehrstufige Abläufe koordinieren müssen, ohne jeden Schritt von Hand neu zu konfigurieren.
OpenAI geht den entgegengesetzten Weg und hat GPT-6.1 Terra gezielt für operative Arbeit mit hohem Volumen abgestimmt. Mit einer halbierten API-Preisstruktur gegenüber den größeren Schwestermodellen Sol und Astra setzt Terra voll auf Antwortgeschwindigkeit, das Verständnis komplexer Bildschirmansichten und die präzise Bedienung grafischer Oberflächen (Computer Use). Das Modell bewegt sich zügig zwischen Tabellen, Webportalen und Verwaltungssoftware, füllt Felder aus und verarbeitet repetitive Dokumente in Sekundenbruchteilen.
In den Praxistests treten die Unterschiede klar hervor. Bei standardisierten Abläufen wie dem Lesen von Kassenbons, dem Kategorisieren gewöhnlicher Rechnungen oder dem Auslesen von Zahlungsterminen überzeugt Terra mit Tempo und niedrigen Kosten. Sobald aber rechtliche Argumentation oder grenzüberschreitende Steuerberechnungen gefragt sind, etwa bei der Umsatzsteuer für ausländische Lieferanten oder bei untypischen Buchhaltungslayouts, gerät das leichtere Modell ins Straucheln. Es liefert dann Formatierungsfehler oder verlangt manuelle Korrekturen.
Gemini 4 Argon zeigt dagegen mehr logische Stabilität an kritischen Stellen und bei der Gegenprüfung von Daten. Fehler entstehen seltener, dafür steigen Rechenaufwand und Zeitbedarf. Die Praxis bestätigt: Ein Modell, das auf dem Papier günstig ist, wird teuer, wenn Abläufe ständig neu gestartet oder Zeile für Zeile von Menschen geprüft werden müssen. Ein teureres System kann sich dagegen lohnen, wenn es gleich beim ersten Anlauf sauber ins Ziel kommt.
Die analoge Barriere: Warum Magnetband die Spitzenmodelle schützt
Die rasante Entwicklung der KI-Infrastruktur hat zu einer paradoxen Wiederentdeckung geführt. Während die Investitionen in modernste GPU-Cluster und ultraschnelle optische Verbindungen fließen, vertraut man die letzte Sicherheit der wertvollsten Daten der Welt wieder dem Magnetband an. Es stammt aus der Mitte des 20. Jahrhunderts und wurde im Konsumentenmarkt von SSDs und mechanischen Festplatten verdrängt. Moderne Bandmedien, vor allem die hochdichten LTO-Standards (Linear Tape-Open), sind heute die letzte Verteidigungslinie der Cloud-Giganten und der Labore an der Spitze der KI-Forschung.
Der Hauptgrund für die Rückkehr liegt in der Verwundbarkeit ständig vernetzter Systeme. Heutige Cyberangriffe wollen nicht mehr nur vertrauliche Daten abgreifen. Sie setzen Ransomware ein, die sich seitlich im Netz rasend schnell ausbreitet und primäre Sicherungskopien und Cloud-Replikate (Hot Backups) gleichzeitig verschlüsseln oder beschädigen kann. Das Training eines Spitzenmodells verlangt Monate ununterbrochener Rechenzeit und Hunderte Millionen Dollar an Energie- und Infrastrukturkosten. Würden Checkpoints oder neuronale Gewichte unbemerkt verändert, wäre der wirtschaftliche und industrielle Schaden nicht wiedergutzumachen.
Das Magnetband löst dieses Problem an der Wurzel, durch den physischen Air Gap. Sobald die Daten geschrieben sind, wird die Kassette aus dem Laufwerk genommen, von Hand oder durch Roboterarme in automatisierten Bandbibliotheken, und in ein Fach ohne jede Strom- oder Netzverbindung gelegt. Solange das Band im Regal ruht, kann kein Angreifer aus der Ferne, keine polymorphe Schadsoftware und kein außer Kontrolle geratener Software-Agent es erreichen, lesen oder verändern.
Zur Sicherheit kommen handfeste wirtschaftliche und ökologische Gründe. Riesige digitale Archive, etwa Vortrainingsdatensätze mit Dutzenden Billionen Token, Videodateien und Telemetriedaten, verursachen untragbare Stromkosten, wenn sie auf ständig versorgten und gekühlten Festplattenbatterien liegen.
Ein Magnetband braucht nur beim Lesen und Schreiben Energie. Im Archiv liegt der Verbrauch bei null, was den Wärmefußabdruck der Rechenzentren drastisch senkt. Während SSDs und Festplatten schon nach drei bis fünf Jahren spürbare Ausfallraten zeigen, halten moderne Bänder auf Basis magnetischer Nanopartikel ihre Daten stabil und überprüfbar über 30 Jahre, bei deutlich geringeren Kosten pro Terabyte als jede Alternative mit Flash-Speicher.
Die moderne Speicherarchitektur im KI-Zeitalter teilt sich deshalb streng in Schichten: ultraschneller Speicher für aktive Berechnungen, Festplatten für verteiltes Rechnen und Bandkassetten für das sogenannte Cold Storage und die Wiederherstellung nach Katastrophen.
