Von Veo zu Veo 3.1

Veo wurde erstmals auf der Google I/O 2024 vorgestellt. Der große Sprung kam mit Veo 3 auf der I/O 2025: Als erstes Google-Videomodell erzeugte es nicht nur Bild, sondern auch passenden Ton, Stimmen, Geräusche und Musik, gleichzeitig zum Video. Seit 2026 ist Veo 3.1 die aktuelle Version, verfügbar in drei Stufen: Standard für die höchste Qualität, Fast für den produktiven Alltag und Lite für besonders günstige Massenerstellung.

Für Unternehmen: Veo lässt sich über die Gemini-App, das Videotool Flow und für Entwickler:innen über die Vertex-AI-API nutzen. Alle erzeugten Videos erhalten automatisch ein unsichtbares SynthID-Wasserzeichen und sind mit dem C2PA-Standard kompatibel. (Stand: September 2026, Quelle: veo3ai.io)

Preise und Zugang

Preise: Über die API kostet Veo 3.1 Fast rund 0,15 US-Dollar pro Sekunde, Standard rund 0,40 US-Dollar pro Sekunde, jeweils inklusive Ton. Für Endnutzer:innen ist Veo über die Google-Abos AI Pro und AI Ultra zugänglich, die Preise dafür beginnen deutlich niedriger als der reine API-Zugang.

🔗 Verwandte Begriffe:

Gemini, Kling, Deepfake, SynthID

Dieser Beitrag wurde mit Hilfe einer KI ausformuliert, von mir geprüft, verantwortet und veröffentlicht.

Änderungshistorie:

• Erstveröffentlichung September 2026.
  

Woran du Slop erkennst

Typisch sind generische KI-Bilder mit Detailfehlern, austauschbare SEO-Texte ohne Substanz, automatisch erzeugte Bücher und Produkte sowie Video-Kanäle am Fließband. Das Ziel ist fast immer dasselbe: Klicks und Werbeeinnahmen durch Masse statt Klasse. Populär wurde der Begriff 2024, inzwischen ist er fester Bestandteil der KI-Debatte.

Warum Slop ein echtes Problem ist

Für Unternehmen: Slop beschädigt das Vertrauen. Wenn alles künstlich sein könnte, zweifeln Menschen auch an echten Inhalten. Plattformen und Suchmaschinen werten massenhaft generierte Billiginhalte zunehmend ab. Und für die KI selbst droht Model Collapse, wenn neue Modelle auf immer mehr KI-Müll trainieren, ein Effekt, den Forscher:innen bereits 2024 im Fachjournal Nature beschrieben haben.

Eine im Mai 2026 im Fachjournal Physical Review Letters veröffentlichte Studie von King's College London zeigt allerdings auch einen möglichen Ausweg: Schon ein einziger echter, menschlicher Datenpunkt in den Trainingsdaten kann das Kollabieren des Modells verhindern, selbst wenn der Rest der Daten komplett KI-generiert ist. Das Gegenmittel im Alltag bleibt trotzdem unspektakulär: Qualität, menschliche Prüfung und ehrliche Kennzeichnung. (Stand: September 2026, Quelle: tomsguide.com)

🔗 Verwandte Begriffe:

Generative KI, Model Collapse, KI-Erkennung / AI Detection, Trainingsdaten

Dieser Beitrag wurde mit Hilfe einer KI ausformuliert, von mir geprüft, verantwortet und veröffentlicht.

Änderungshistorie:

• Erstveröffentlichung September 2026.
  

Wie SynthID funktioniert

Anders als reine Metadaten-Lösungen bettet SynthID das Signal direkt in den Inhalt selbst ein: in die Pixel eines Bildes, die Wellenform von Audio oder die Wortwahl eines Textes. Dadurch übersteht es Bearbeitungen oft, eine Garantie gibt es allerdings nicht.

Google führte SynthID im August 2023 zunächst für Bilder ein, seit Mai 2024 auch für Text, Audio und Video, unter anderem in Gemini, Imagen, Veo und Lyria. Über 10 Milliarden Inhalte wurden inzwischen markiert. Mit dem SynthID Detector, vorgestellt im Mai 2025, lässt sich prüfen, ob ein Inhalt das Wasserzeichen trägt. Auch OpenAI, das südkoreanische Unternehmen Kakao und ElevenLabs setzen SynthID inzwischen ein. (Stand: September 2026, Quelle: blog.google)

Einordnung

Für Unternehmen: SynthID ist ein Baustein der maschinenlesbaren Kennzeichnung, die Artikel 50 Absatz 2 der EU-KI-Verordnung von den Anbietern verlangt. Google hat zusätzlich eine KI-Erkennungs-API angekündigt, die künftig auch Inhalte anderer Anbieter erkennen soll, erste Partner sind unter anderem Shutterstock, Snap und Canva. Ein sichtbares Label bei Deepfakes ersetzt SynthID trotzdem nicht. Zusammen mit dem offenen Standard C2PA bildet SynthID das technische Fundament der KI-Transparenz.

🔗 Verwandte Begriffe:

C2PA / Content Credentials, Deepfake, KI-Erkennung / AI Detection, Gemini

Dieser Beitrag wurde mit Hilfe einer KI ausformuliert, von mir geprüft, verantwortet und veröffentlicht.

Änderungshistorie:

• Erstveröffentlichung September 2026.
  

Wer dahintersteht und wie es funktioniert

Hinter dem Standard steht die Coalition for Content Provenance and Authenticity (C2PA), gegründet 2021 von Adobe, Arm, BBC, Intel, Microsoft und Truepic. Seither sind zahlreiche weitere Mitglieder dazugekommen, darunter Google, Sony und seit 2024 auch OpenAI im Steering Committee. Beim Erstellen oder Bearbeiten eines Inhalts wird eine kryptografisch signierte Herkunftsinformation angehängt: welches Werkzeug, wann, mit oder ohne KI.

In der Praxis begegnet dir das zum Beispiel auf LinkedIn: Die Plattform liest C2PA-Daten aus und zeigt an entsprechend markierten Inhalten automatisch ein Symbol an. (Stand: September 2026, Quelle: linkedin.com)

Warum das für die Kennzeichnungspflicht zählt

Für Unternehmen: Artikel 50 Absatz 2 der EU-KI-Verordnung verlangt, dass KI-Ausgaben maschinenlesbar markiert werden. C2PA ist einer der wichtigsten Wege, diese Pflicht technisch zu erfüllen. Die Grenze des Systems: Metadaten überleben Screenshots und manche Bearbeitungen nicht. Viele Plattformen entfernen sie beim Upload sogar aktiv. Deshalb ergänzen sichtbare Labels die technische Ebene, und deshalb solltest du Metadaten aus KI-Dateien niemals gezielt entfernen.

🔗 Verwandte Begriffe:

SynthID, Deepfake, EU AI Act, KI-Erkennung / AI Detection

Dieser Beitrag wurde mit Hilfe einer KI ausformuliert, von mir geprüft, verantwortet und veröffentlicht.

Änderungshistorie:

• Erstveröffentlichung September 2026.
  

Wie Reasoning-Modelle funktionieren

Reasoning-Modelle haben das schrittweise Denken fest eingebaut: Sie zerlegen die Aufgabe, prüfen Zwischenschritte und korrigieren sich selbst, bevor die Antwort erscheint. Das Prinzip dahinter heißt Test-Time Compute: Qualität entsteht nicht mehr nur im Training, sondern auch durch mehr Rechenzeit im Moment der Antwort.

Den Anfang machte OpenAIs o1 im September 2024. Im Januar 2025 veröffentlichte DeepSeek mit R1 die technischen Details eines eigenen Ansatzes und machte Reasoning erstmals als offenes Modell verfügbar, zu einem Bruchteil der Kosten von o1. Heute ist das Prinzip Standard: Die aktuellen GPT-5.x-Modelle haben eigene Reasoning-Modi, Claude bietet Extended Thinking, Gemini seine Thinking-Varianten. (Stand: September 2026, Quelle: aiweekly.co)

Der Preis des Denkens

Für Unternehmen: Reasoning kostet mehr Token, mehr Latenz, höhere Preise. Die Faustregel für den Alltag: Nimm ein Reasoning-Modell für komplexe Analysen, knifflige Mathematik, Architektur-Entscheidungen oder mehrstufige Planung. Für Standardtexte, Zusammenfassungen und schnelle Fragen reicht das normale Modell, und es ist dabei schneller und günstiger.

🔗 Verwandte Begriffe:

Chain-of-Thought (CoT), Inferenz, Latenz, DeepSeek, Large Language Model (LLM)

Dieser Beitrag wurde mit Hilfe einer KI ausformuliert, von mir geprüft, verantwortet und veröffentlicht.

Änderungshistorie:

• Erstveröffentlichung September 2026.
  

Warum Doubao wichtig ist

Doubao startete im August 2023 und profitiert vom riesigen ByteDance-Ökosystem, das ihm sofort ein Millionenpublikum verschafft. Mit aggressiv niedrigen Preisen hat ByteDance den Preiskampf im chinesischen KI-Markt mit angeheizt. Die Modelle der Seed-2.0-Familie sind rund 50-mal günstiger als GPT-4-Preise und die günstigsten Varianten starten bei etwa 0,10 US-Dollar pro Million Token.

Seit Mai 2026 testet ByteDance zusätzlich kostenpflichtige Abo-Stufen für Privatnutzer:innen (68, 200 und 500 Yuan pro Monat), die kostenlose Basisversion bleibt aber bestehen. Die zugrunde liegenden Modelle sind für Unternehmen über die Cloud-Plattform Volcano Engine als API verfügbar, dort dominiert Doubao den chinesischen Markt für KI-Cloud-Dienste. (Stand: September 2026, Quelle: convly.ai)

Für dich relevant?

Für Unternehmen: Im deutschsprachigen Alltag wirst du Doubao kaum direkt nutzen, der Fokus liegt klar auf China. Wichtig ist Doubao trotzdem: Wer über den globalen KI-Markt spricht und nur ChatGPT kennt, übersieht den größten Einzelmarkt der Welt und einen der reichweitenstärksten KI-Assistenten überhaupt. Anders als DeepSeek oder Qwen ist Doubao kein Open-Weight-Modell, sondern bleibt vollständig proprietär.

🔗 Verwandte Begriffe:

Chatbot, Large Language Model (LLM), DeepSeek, Qwen

Dieser Beitrag wurde mit Hilfe einer KI ausformuliert, von mir geprüft, verantwortet und veröffentlicht.

Änderungshistorie:

• Erstveröffentlichung September 2026.
  

Von Kimi zum Spitzenmodell

Moonshot AI wurde im März 2023 gegründet und startete mit dem Kimi-Chatbot, der schon 2023 durch ein für damalige Verhältnisse riesiges Kontextfenster von 128.000 Token auffiel. Mit der Kimi-K2-Reihe (2025/2026) stieg das Unternehmen in die Weltspitze auf, insbesondere bei Coding und agentischen Aufgaben.

Am 16. Juli 2026 erschien das aktuelle Flaggschiff Kimi K3: 2,8 Billionen Parameter als Mixture-of-Experts-Modell, davon rund 104 Milliarden aktiv, mit nativem Bild- und Videoverständnis und einem Kontextfenster von bis zu 1.048.576 Token. Die vollständige Open-Weight-Version folgte am 27. Juli 2026, erstmals unter einer eigenen „Kimi K3 License“ statt der bisherigen Modified-MIT-Lizenz der K2-Reihe. (Stand: September 2026, Quelle: huggingface.co)

Lizenz und für Unternehmen

Lizenz: Die Kimi K3 License unterscheidet sich von der bisherigen Modified-MIT-Lizenz: Ab 20 Millionen US-Dollar Konzernjahresumsatz ist eine separate Vereinbarung mit Moonshot nötig, wenn K3 Dritten als eigener Dienst angeboten wird. Für die meisten kleinen Unternehmen und Selbständige ändert sich dadurch praktisch nichts.

Für Unternehmen: Kimi-Modelle sind besonders stark bei langen, agentischen Arbeitsabläufen, etwa Coding-Agents und mehrstufiger Recherche. Wegen der schieren Modellgröße, die vollständige Open-Weight-Version von K3 belegt rund 1,56 Terabyte, ist Self-Hosting nur mit passender Cluster-Infrastruktur realistisch. Für die meisten reicht der API-Zugang über die offizielle Plattform oder europäische Anbieter.

🔗 Verwandte Begriffe:

KIMI, Multimodalität, Kontextfenster, DeepSeek, Qwen

Dieser Beitrag wurde mit Hilfe einer KI ausformuliert, von mir geprüft, verantwortet und veröffentlicht.

Änderungshistorie:

• Erstveröffentlichung September 2026.
  

Modelle und Stärken

Sprachmodell: MiniMax M3, veröffentlicht am 1. Juni 2026, ist ein Open-Weight-Modell mit rund 428 Milliarden Parametern (davon etwa 23 Milliarden aktiv, Mixture-of-Experts) und nativer Multimodalität: Es verarbeitet Text, Bild und Video als Eingabe bei einem Kontextfenster von bis zu 1 Million Token. Bei Coding-Benchmarks wie SWE-Bench Pro liegt es vor GPT-5.5. Die Preise starten bei 0,30 US-Dollar Eingabe und 1,20 US-Dollar Ausgabe pro Million Token bis 512.000 Token Kontext, danach 0,60/2,40 US-Dollar. (Stand: September 2026, Quelle: minimax.io)

Audio und Video: Die Sprachsynthese von MiniMax zählt zu den besten aus China, mit Voice Cloning bereits nach wenigen Sekunden Audiomaterial. Das Videomodell Hailuo, aktuell in Version 2.3, konkurriert mit westlichen Anbietern wie Google Veo.

Für Unternehmen

Für Unternehmen: MiniMax lohnt den Blick, wenn Multimodalität und Preis gleichzeitig zählen, etwa für Voice-Anwendungen oder automatisierte Content-Produktion. M3 ist Open Weight, du kannst also entweder die offizielle API nutzen oder das Modell auf eigener oder europäischer Infrastruktur betreiben. Wie bei allen chinesischen Anbietern lohnt vorher ein Blick auf die Datenflüsse der offiziellen API.

🔗 Verwandte Begriffe:

Multimodalität, Sprachsynthese, Voice Cloning, DeepSeek, Kling

Dieser Beitrag wurde mit Hilfe einer KI ausformuliert, von mir geprüft, verantwortet und veröffentlicht.

Änderungshistorie:

• Erstveröffentlichung September 2026.
  

Warum Qwen so weit verbreitet ist

Laut einem Hugging-Face-Bericht vom August 2026 kamen Qwen-Modelle allein auf der Plattform Hugging Face auf rund 2,05 Milliarden Downloads innerhalb von sechs Monaten, mehr als Googles und Metas Modelle zusammen. Alibaba selbst beziffert die Downloads über alle Plattformen hinweg auf über 3 Milliarden. (Quelle: chinadaily.com.cn)

Von den über 460 veröffentlichten Qwen-Modellen erscheint ein großer Teil unter der Open-Source-nahen Apache-2.0-Lizenz, die freie kommerzielle Nutzung und Anpassung per Fine-Tuning erlaubt. Das macht Qwen zur häufigsten Grundlage für eigene, angepasste Modelle weltweit.

Wichtig für die Einordnung im September 2026: Seit Mai 2026 bietet Alibaba seine stärksten neuen Flaggschiff-Modelle nur noch als gehostete API an, ohne Open Weight. (Quelle: mysummit.school) Offen bleiben weiterhin kleinere und mittlere Modelle sowie spezialisierte Versionen wie Qwen 4 Coder, viele davon mit einem Kontextfenster von bis zu 1 Million Token.

Für Unternehmen: Interessant ist Qwen vor allem, wenn du ein offenes Modell per Fine-Tuning auf eigene Daten anpassen willst, ohne Lizenzrisiko, betrieben auf eigener oder europäischer Infrastruktur. Für die aktuell stärksten Qwen-Modelle brauchst du inzwischen wie bei den US-Anbietern einen API-Zugang; nur die weiterhin offenen, kleineren und mittleren Varianten kannst du selbst hosten.

🔗 Verwandte Begriffe:

Open Source (KI), Fine-Tuning, Kontextfenster, DeepSeek, Large Language Model (LLM)

Dieser Beitrag wurde mit Hilfe einer KI ausformuliert, von mir geprüft, verantwortet und veröffentlicht.

Änderungshistorie:

• Erstveröffentlichung September 2026.
  

Warum DeepSeek den Markt verändert hat

DeepSeek wurde 2023 als Ableger des Hedgefonds High-Flyer gegründet, Gründer ist Liang Wenfeng. Im Januar 2025 kam der Moment, der als „DeepSeek-Moment“ in die KI-Geschichte einging: Das Reasoning-Modell R1 erreichte das Niveau der führenden US-Modelle, wurde aber zu einem Bruchteil der Kosten trainiert und angeboten. Die DeepSeek-App stürmte auf Platz 1 der US-App-Charts, US-Tech-Aktien verloren an einem Tag massiv an Wert. (Quelle: cnbc.com)

Seitdem ist klar: Spitzen-KI ist kein Monopol der US-Konzerne mehr. DeepSeek hat den weltweiten Preiskampf bei KI-Modellen ausgelöst und gilt bis heute als Preisbrecher der Branche.

Modelle, Preise und Lizenz

Aktuelle Modelle: Die V4-Familie deckt den Alltag ab, V4 Flash startet bei rund 0,14 US-Dollar pro Million Token (Eingabe) und 0,28 US-Dollar (Ausgabe). Für komplexe Aufgaben gibt es V4 Pro und die R-Reihe als Reasoning-Modelle. (Stand: September 2026, Quelle: api-docs.deepseek.com; DeepSeek passt seine Preise gelegentlich an, aktuelle Werte immer dort prüfen)

Lizenz: Die Modelle erscheinen als Open Weight unter MIT-Lizenz. Du kannst sie also selbst hosten oder über europäische Anbieter beziehen.

Für Unternehmen: DeepSeek ist die günstigste Option für viele API-Anwendungen. Wichtig ist der Datenschutz-Blick: Die offizielle API läuft über chinesische Server. Wer DSGVO-sauber arbeiten will, nutzt die Open-Weight-Version auf europäischer Infrastruktur, entweder selbst gehostet oder über EU-Hoster.

🔗 Verwandte Begriffe:

Large Language Model (LLM), Mixture of Experts (MoE), Reasoning-Modell, Qwen, Open-Weight-Modelle

Dieser Beitrag wurde mit Hilfe einer KI ausformuliert, von mir geprüft, verantwortet und veröffentlicht.

Änderungshistorie:

• Erstveröffentlichung September 2026.
  

Digital Twins von Personen

Tools wie HeyGen ermöglichen es seit 2026, aus einem kurzen Video (ca. 15 Sekunden) einen digitalen Zwilling zu erstellen. Dieser Zwilling sieht aus wie du, bewegt sich wie du, spricht in deiner Stimme und kann beliebige Texte vortragen. Die Lippenbewegungen werden automatisch synchronisiert.

Anwendungsfälle: Schulungsvideos ohne erneutes Drehen aktualisieren. Personalisierte Video-Nachrichten für Kund:innen generieren. Social-Media-Content produzieren, ohne jedes Mal vor die Kamera zu treten.

Digital Twins von Objekten und Prozessen

Außerhalb der KI-Content-Welt gibt es Digital Twins bereits länger: In der Industrie werden digitale Zwillinge von Maschinen, Gebäuden oder Produktionslinien erstellt. Sensordaten aus der realen Welt fließen in das digitale Modell ein, das Simulationen, Vorhersagen und Optimierungen ermöglicht.

Ethische Fragen

Ein digitaler Zwilling deiner Person wirft Fragen auf: Wem gehört dein digitales Abbild? Was passiert, wenn jemand deinen Zwilling ohne deine Zustimmung erstellt? Wie stellst du sicher, dass dein Zwilling nichts sagt, das du nie sagen würdest? Diese Fragen sind eng verwandt mit der Deepfake-Problematik und werden durch den EU AI Act teilweise adressiert.

🔗 Verwandte Begriffe:

HeyGen, Deepfake, Avatar, Voice Cloning, EU AI Act

Dieser Beitrag wurde mit Hilfe einer KI ausformuliert, von mir geprüft, verantwortet und veröffentlicht.

Änderungshistorie:

• Erstveröffentlichung Juni 2026.
  

Wie AI Dubbing funktioniert

Klassische Synchronisation erfordert Sprecher:innen, ein Tonstudio und einen aufwendigen Produktionsprozess. AI Dubbing automatisiert das: Die KI transkribiert das Original, übersetzt den Text, generiert die gesprochene Übersetzung und passt optional die Lippenbewegungen im Video an die neue Sprache an.

Tools wie ElevenLabs und HeyGen bieten AI Dubbing in über 70 bzw. 175 Sprachen an. Bei ElevenLabs bleibt die Originalstimme erhalten (per Voice Cloning). Bei HeyGen werden zusätzlich die Lippenbewegungen des Avatars angepasst. (Stand: Juni 2026)

Anwendungsfälle für Unternehmen

Schulungsvideos für internationale Teams. Produktvideos für neue Märkte. Webinare nachträglich in andere Sprachen übertragen. YouTube-Content internationalisieren. Für Unternehmen, die bisher keine Lokalisierung von Videocontent gemacht haben, weil die Kosten zu hoch waren, macht AI Dubbing das erstmals praktikabel.

🔗 Verwandte Begriffe:

ElevenLabs, HeyGen, Voice Cloning, Sprachsynthese, Text-to-Speech

Änderungshistorie:

• Erstveröffentlichung Juni 2026.
  

Wie Sprachsynthese funktioniert

Frühere Sprachsynthese-Systeme klangen roboterhaft: monoton, ohne natürliche Pausen, ohne Emotion. Aktuelle Systeme wie ElevenLabs nutzen Deep Learning, um Betonung, Sprechrhythmus, Pausen und Stimmfärbung zu lernen. Das Ergebnis klingt in vielen Fällen so natürlich, dass Hörer:innen nicht erkennen können, ob ein Mensch oder eine KI spricht.

Abgrenzung zu Voice Cloning

Sprachsynthese erzeugt Sprache mit vordefinierten oder generierten Stimmen. Voice Cloning erzeugt Sprache mit einer kopierten, realen Stimme. Sprachsynthese ist der Überbegriff, Voice Cloning eine spezielle Anwendung davon.

Einsatzgebiete

Hörbücher, Podcasts, Lernplattformen, Navigation, Barrierefreiheit (Vorlese-Funktionen für Webseiten), Kundenservice-Telefonassistenten, Videovertonung, automatische Durchsagen. Überall, wo gesprochene Sprache gebraucht wird, aber menschliche Sprecher:innen zu teuer, zu langsam oder nicht verfügbar sind.

🔗 Verwandte Begriffe:

Text-to-Speech, Voice Cloning, ElevenLabs, AI Dubbing, NLP

Änderungshistorie:

• Erstveröffentlichung Juni 2026.
  

Wie Voice Cloning funktioniert

Die KI analysiert eine Audioaufnahme und extrahiert die charakteristischen Merkmale der Stimme. Bei ElevenLabs reichen für einen ersten Klon wenige Sekunden Audio. Für höhere Qualität (Professional Voice Cloning) werden längere, hochwertigere Aufnahmen verwendet. Der resultierende Stimmklon kann beliebige Texte sprechen, in über 70 Sprachen.

Anwendungsbereiche

Content-Produktion: Podcasts, Hörbücher, Videovertonungen in der eigenen Stimme produzieren, ohne jedes Mal ins Studio zu müssen.

Barrierefreiheit: Menschen, die ihre Stimme verloren haben, können mit einem vorher erstellten Klon weiterhin in ihrer eigenen Stimme kommunizieren.

Mehrsprachigkeit: Die eigene Stimme in Sprachen sprechen lassen, die man selbst nicht beherrscht (AI Dubbing).

Risiken

Voice Cloning ermöglicht auch Missbrauch: Betrüger:innen können Stimmen klonen, um sich am Telefon als CEO, Vorgesetzte oder Familienangehörige auszugeben (CEO Fraud, Enkeltrick 2.0). Der EU AI Act verlangt ab August 2026, dass KI-generierte Audioinhalte als solche gekennzeichnet werden.

🔗 Verwandte Begriffe:

ElevenLabs, Sprachsynthese, AI Dubbing, Deepfake, Text-to-Speech

Änderungshistorie:

• Erstveröffentlichung Juni 2026.
  

Was Junia ist

Junia ist kein theoretisches Konzept. Sie ist ein KI-System, das bei GründerFinanz tatsächlich im Tagesgeschäft eingesetzt wird. Junia wurde als Custom GPT konfiguriert und kennt die internen Prozesse, Richtlinien und Kommunikationsstandards des Unternehmens. Sie unterstützt bei der Kommunikation, bereitet Daten für Auswertungen vor und erstellt Dokumente nach festgelegten Vorlagen.

Warum Junia im Glossar steht

Junia steht stellvertretend für das, was jedes Unternehmen mit KI aufbauen kann: einen spezialisierten Assistenten, der die eigenen Prozesse kennt und wiederkehrende Aufgaben übernimmt. Kein Millionenbudget, keine eigene Entwicklungsabteilung. Ein Custom GPT, klar konfiguriert, regelmäßig geprüft und mit menschlicher Aufsicht betrieben.

Der Name Junia steht bei GründerFinanz für den praktischen Beweis, dass KI im Arbeitsalltag eines kleinen Unternehmens funktioniert. Neben Junia gibt es mit Adam einen zweiten KI-Assistenten für weitere Aufgabenbereiche. GründerFinanz wurde für Junia mit dem OMGV Award ausgezeichnet.

🔗 Verwandte Begriffe:

Custom GPT, ChatGPT, KI-Agent, KI-Automatisierung, RAG

Änderungshistorie:

• Erstveröffentlichung Juni 2026.
  

Was Open Weights bedeutet

Wenn ein Unternehmen wie Meta (LLaMA) oder Mistral ein Modell als Open Weight veröffentlicht, stellt es die trainierten Gewichte zum Download bereit. Die Gewichte sind das Ergebnis des Trainingsprozesses: Milliarden von Zahlenwerten, die bestimmen, wie das Modell auf Eingaben reagiert.

Mit diesen Gewichten kann ein Unternehmen das Modell auf eigenen Servern laufen lassen, per Fine-Tuning auf eigene Daten spezialisieren und in eigene Anwendungen einbauen.

Warum Open Weights nicht Open Source ist

Bei echtem Open Source (nach der Definition der Open Source Initiative) ist alles offen: Quellcode, Trainingsdaten, Trainingsmethode, Infrastruktur. Bei Open Weights fehlen diese Informationen. Du bekommst das fertige Modell, aber du weißt nicht, mit welchen Daten es trainiert wurde, welche Entscheidungen beim Training getroffen wurden und welche Biases in den Daten stecken.

Meta nennt LLaMA 4 Open Source, verbietet aber bestimmte kommerzielle Nutzungen und sperrt Versionen für EU-Nutzer:innen. Mistral veröffentlicht kleinere Modelle als Open Weight, hält die leistungsfähigsten Modelle aber exklusiv über die API verfügbar. (Stand: Juni 2026)

Für wen Open Weights relevant ist

Für Unternehmen mit technischem Team, eigener Server-Infrastruktur und Datenschutzanforderungen, die es verbieten, Daten an US-Anbieter zu senden. Für die meisten kleinen und mittleren Unternehmen ist die Nutzung über API (ChatGPT, Claude, Le Chat) pragmatischer.

🔗 Verwandte Begriffe:

Open Source (KI), Mistral, LLaMA, Fine-Tuning, DSGVO

Änderungshistorie:

• Erstveröffentlichung Juni 2026.
  

Was die DSGVO für KI-Nutzung bedeutet

Die DSGVO regelt, unter welchen Bedingungen personenbezogene Daten verarbeitet werden dürfen. Beim KI-Einsatz betrifft das mehrere Ebenen: Welche Daten gibst du in ein KI-Tool ein? Wo werden diese Daten gespeichert? Wer hat Zugriff? Werden die Daten für das Training des Modells verwendet?

Wer z.B. ChatGPT, Claude oder Gemini im Unternehmen nutzt und dabei Kundendaten, Mitarbeiterdaten oder andere personenbezogene Daten eingibt, ist datenschutzrechtlich verantwortlich. Das gilt auch dann, wenn das KI-Tool von einem Drittanbieter stammt.

Die wichtigsten DSGVO-Grundsätze für KI

Rechtmäßigkeit: Du brauchst eine Rechtsgrundlage für die Datenverarbeitung. Einfach Kundendaten in ChatGPT eintippen reicht nicht.

Zweckbindung: Daten dürfen nur für den Zweck verarbeitet werden, für den sie erhoben wurden.

Datenminimierung: Gib nur die Daten ein, die für die Aufgabe wirklich nötig sind.

Transparenz: Betroffene müssen wissen, dass ihre Daten von KI verarbeitet werden.

Art. 22 DSGVO: Automatisierte Einzelentscheidungen (z.B. Kreditablehnungen per KI) sind grundsätzlich verboten, wenn sie rechtliche Wirkung haben. Es gibt Ausnahmen, aber die sind eng gefasst.

DSGVO und EU AI Act

DSGVO und EU AI Act ergänzen sich. Die DSGVO schützt personenbezogene Daten. Der EU AI Act reguliert KI-Systeme nach ihrem Risikopotenzial. Beide gelten gleichzeitig. Für Unternehmen heißt das: Wer KI einsetzt, muss beide Regelwerke beachten. (Stand: Juni 2026)

Praktische Tipps

Keine personenbezogenen Daten in kostenlose KI-Tools eingeben, deren Nutzungsbedingungen unklar sind. Enterprise-Versionen oder europäische Anbieter (Le Chat, DeepL Pro) nutzen, die vertragliche Datenschutzgarantien bieten. Interne Richtlinien festlegen, welche Daten mit welchen Tools verarbeitet werden dürfen.

🔗 Verwandte Begriffe:

EU AI Act, KI-Sicherheit / AI Safety, Le Chat, Shadow AI

Änderungshistorie:

• Erstveröffentlichung Juni 2026.
  

Was Mistral AI ist

Mistral AI wurde 2023 von Arthur Mensch, Guillaume Lample und Timothée Lacroix gegründet. Alle drei kamen aus Forschungsteams von Meta (LLaMA) und Google DeepMind. Innerhalb von zwei Jahren hat sich Mistral zum größten europäischen KI-Unternehmen entwickelt.

Die Strategie: leistungsfähige Sprachmodelle entwickeln, die auf europäischen Servern laufen und DSGVO-konform sind. Viele Modelle sind Open Weight, d.h. Unternehmen können sie auf eigener Infrastruktur betreiben. Die Top-Modelle sind zusätzlich über die API und Le Chat verfügbar.

Modelle (Stand: Juni 2026)

Mistral Large 3: Das Flaggschiff. Konkurrenzfähig mit GPT-5.5 und Claude bei mehrsprachigen Aufgaben und Code.

Mistral Small: Schnelles, günstiges Modell für einfache Aufgaben.

Mistral Embed: Spezialisiert auf Embeddings für semantische Suche und RAG.

Warum Mistral für Unternehmen relevant ist

Für europäische Unternehmen in regulierten Branchen (Finanzen, Gesundheit, öffentlicher Sektor) bietet Mistral etwas, das OpenAI und Anthropic nicht bieten: Datenverarbeitung auf europäischen Servern, DSGVO-konforme Bedingungen und die Möglichkeit, Modelle auf eigener Infrastruktur zu betreiben.

🔗 Verwandte Begriffe:

Le Chat, Open Source (KI), Open-Weight-Modelle, Large Language Model, DSGVO

Änderungshistorie:

• Erstveröffentlichung Juni 2026.
  

Warum AlphaFold wichtig ist

Proteine sind die Bausteine des Lebens. Ihre Funktion hängt von ihrer dreidimensionalen Struktur ab. Die experimentelle Bestimmung dieser Struktur dauerte bisher Monate bis Jahre pro Protein. AlphaFold 2 kann die Struktur in Minuten vorhersagen, mit einer Genauigkeit, die experimentelle Methoden in vielen Fällen erreicht.

2022 veröffentlichte DeepMind die vorhergesagten Strukturen von über 200 Millionen Proteinen. Die Datenbank ist frei zugänglich und wird weltweit in der Medikamentenentwicklung, Landwirtschaft und Grundlagenforschung eingesetzt.

Relevanz für die KI-Diskussion

AlphaFold ist das stärkste Argument dafür, dass KI echten wissenschaftlichen Wert schaffen kann. Demis Hassabis, CEO von Google DeepMind, erhielt 2024 gemeinsam mit John Jumper den Nobelpreis für Chemie für AlphaFold 2. Es war das erste Mal, dass ein Nobelpreis an KI-Forscher vergeben wurde.

🔗 Verwandte Begriffe: 

Google DeepMind, Deep Learning, Künstliche Intelligenz (KI), Google (KI)

Änderungshistorie:

• Erstveröffentlichung Juni 2026.
  

Warum AlphaGo wichtig ist

Go ist ein Brettspiel mit einfachen Regeln, aber einer Komplexität, die Schach um Größenordnungen übertrifft. Während IBMs Deep Blue Schach-Weltmeister Kasparov bereits 1997 schlug, galt Go als unlösbar für Computer. Die Zahl möglicher Spielzustände übersteigt die Zahl der Atome im beobachtbaren Universum.

Im März 2016 besiegte AlphaGo den südkoreanischen Profi-Spieler Lee Sedol 4:1. Das Ereignis wurde weltweit live übertragen und gilt als einer der Wendepunkte in der Geschichte der Künstlichen Intelligenz.

Wie AlphaGo funktioniert

AlphaGo kombinierte zwei Ansätze: Deep Learning (neuronale Netze, die aus Millionen von Go-Partien lernten) und Reinforcement Learning (das System spielte Millionen von Partien gegen sich selbst und verbesserte sich dabei kontinuierlich). Die Nachfolgerversion AlphaGo Zero lernte komplett ohne menschliche Partien und wurde noch stärker.

Relevanz für die heutige KI

AlphaGo bewies, dass Deep Learning und Reinforcement Learning zusammen Probleme lösen können, die vorher als unlösbar galten. Dieselben Methoden bilden heute die Grundlage für RLHF (Reinforcement Learning from Human Feedback), das Verfahren, mit dem ChatGPT und Claude trainiert werden.

🔗 Verwandte Begriffe:

Google DeepMind, Deep Learning, Reinforcement Learning, AlphaFold, RLHF

Änderungshistorie:

• Erstveröffentlichung Juni 2026.
  

Wie Attention funktioniert

Stell dir vor, du liest den Satz: „Die Katze saß auf der Matte, weil sie müde war.“ Um zu verstehen, dass „sie“ sich auf „die Katze“ bezieht (und nicht auf „die Matte“), muss das Modell eine Verbindung zwischen zwei Wörtern herstellen, die weit auseinander stehen.

Der Attention-Mechanismus löst genau dieses Problem: Für jedes Wort im Text berechnet er, wie stark es mit jedem anderen Wort zusammenhängt. Das Ergebnis ist eine gewichtete Beziehungskarte, die dem Modell zeigt, worauf es bei jedem Wort achten soll.

Warum Attention so wirkungsvoll ist

Vor dem Attention-Mechanismus verarbeiteten neuronale Netze Text sequenziell: Wort für Wort, von links nach rechts. Bei langen Texten ging dabei der Anfang verloren, bevor das Ende verarbeitet war. Attention ermöglicht parallele Verarbeitung: Alle Wörter gleichzeitig, alle Beziehungen gleichzeitig. Das ist schneller und leistungsfähiger.

Abgrenzung

Self-Attention (die Variante, die im Transformer zum Einsatz kommt) berechnet Beziehungen innerhalb eines einzigen Textes. Cross-Attention berechnet Beziehungen zwischen zwei verschiedenen Texten (z.B. bei maschineller Übersetzung). Beide sind Varianten desselben Grundprinzips.

🔗 Verwandte Begriffe:

Transformer, Transformer-Paper, Large Language Model, Deep Learning, Neuronale Netze

Änderungshistorie:

• Erstveröffentlichung Juni 2026.
  

Was das Paper beschreibt

Das Paper mit dem Titel „Attention Is All You Need“ wurde im Juni 2017 von acht Google-Forscher:innen veröffentlicht. Es beschreibt eine neue Architektur für neuronale Netze, die auf dem sogenannten Attention-Mechanismus basiert. Der Kern: Statt Text Wort für Wort sequenziell zu verarbeiten, kann das Modell alle Wörter gleichzeitig in Beziehung zueinander setzen.

Diese Idee klingt technisch, hat aber die gesamte KI-Landschaft verändert. Ohne das Transformer-Paper gäbe es kein GPT, kein Claude, kein Gemini. Kein ChatGPT, kein KI-Boom seit 2022.

Warum es im Glossar steht

Das Paper wird in der KI-Branche so häufig zitiert, dass der Titel zum geflügelten Wort geworden ist. Wer KI-Artikel liest, stößt früher oder später auf die Formulierung „Attention Is All You Need“. Dieser Eintrag ordnet ein, was damit gemeint ist.

🔗 Verwandte Begriffe: 

Transformer, Attention-Mechanismus, Google (KI), Google DeepMind, Large Language Model

Änderungshistorie:

• Erstveröffentlichung Juni 2026.
  

Geschichte

DeepMind wurde 2010 in London gegründet und 2014 von Google für rund 500 Millionen Dollar übernommen. 2016 machte DeepMind Schlagzeilen, als AlphaGo den weltbesten Go-Spieler besiegte. 2020 folgte AlphaFold, das die Strukturvorhersage von Proteinen revolutionierte und als einer der bedeutendsten wissenschaftlichen Durchbrüche der letzten Jahrzehnte gilt.

2023 fusionierte Google die beiden internen KI-Teams (Google Brain und DeepMind) zu Google DeepMind unter der Leitung von Demis Hassabis.

Was Google DeepMind heute macht

Google DeepMind entwickelt die Gemini-Modellfamilie (Googles Antwort auf GPT und Claude), forscht an AGI (Artificial General Intelligence), betreibt Grundlagenforschung in Bereichen wie Mathematik, Materialwissenschaft und Genomik und ist für die KI-Integration in Google-Produkte verantwortlich. (Stand: Juni 2026)

🔗 Verwandte Begriffe: 

Gemini, Google (KI), AlphaGo, AlphaFold, Large Language Model, Transformer

Änderungshistorie:

• Erstveröffentlichung Juni 2026.
  

Wie Constitutional AI funktioniert

Bei der klassischen Methode (RLHF) bewerten menschliche Tester:innen die Ausgaben eines Modells, und das Modell lernt aus diesen Bewertungen. Das ist aufwendig, subjektiv und schwer skalierbar.

Constitutional AI fügt einen Zwischenschritt ein: Das Modell generiert eine Antwort, vergleicht sie mit einer festgelegten Verfassung (einer Liste von Prinzipien wie „Sei hilfreich, aber vermeide Schaden“) und korrigiert sich selbst. Menschliches Feedback wird nicht ersetzt, aber ergänzt durch eine systematische Selbstkontrolle.

Warum das relevant ist

Constitutional AI ist der Grund, warum Claude in vielen Tests als der vorsichtigste und am wenigsten manipulierbare der großen KI-Assistenten gilt. Die Verfassung definiert Grenzen, die das Modell eigenständig einhält, auch bei unbekannten Eingaben.

Abgrenzung

Constitutional AI ist ein Alignment-Ansatz, keine Alternative zu RLHF. In der Praxis kombiniert Anthropic beide Methoden. Die Verfassung setzt den Rahmen, menschliches Feedback verfeinert das Verhalten innerhalb dieses Rahmens.

🔗 Verwandte Begriffe:

Anthropic, Claude, Alignment, RLHF, KI-Sicherheit / AI Safety

Änderungshistorie:

• Erstveröffentlichung Juni 2026.
  

Warum Daniela Amodei relevant ist

In einer Branche, die von männlichen Gründern dominiert wird, ist Daniela Amodei eine der wenigen Frauen in einer Führungsposition bei einem der größten KI-Unternehmen der Welt. Sie hat Anthropic von einem Forschungslabor zu einem Unternehmen mit über 60 Milliarden Dollar Bewertung aufgebaut. (Stand: Juni 2026)

Ihre Rolle ist komplementär zu der ihres Bruders Dario: Er leitet die Forschung und Technologie, sie leitet das Geschäft. Ohne diese Arbeitsteilung hätte Anthropic die Partnerschaften mit Google und Amazon (AWS) und die kommerzielle Skalierung von Claude nicht in dieser Geschwindigkeit umsetzen können.

Beruflicher Hintergrund

Vor Anthropic war Daniela Amodei VP of Operations bei OpenAI, VP of Finance bei Stripe und in verschiedenen Positionen bei Goldman Sachs tätig. Sie bringt eine Mischung aus Finanz-, Operations- und Tech-Expertise mit, die in der KI-Branche ungewöhnlich ist.

🔗 Verwandte Begriffe: 

Dario Amodei, Anthropic, Claude, KI-Sicherheit / AI Safety

Änderungshistorie:

• Erstveröffentlichung Juni 2026.