Ethische Daten, GPT-5.6-Tuning und Loop-Engineering: KI-Update der Woche (30.07.2026)

Hallo, hier ist Sarah von KI Kompakt. Schön, dass ihr wieder eingeschaltet habt. Heute geht's um ein Thema, das oft unterschätzt wird, aber gerade richtig an Fahrt aufnimmt: die Frage, woher KI-Systeme überhaupt ihre Daten bekommen. Dazu gibt's spannende Neuigkeiten von OpenAI zu Benchmark-Tuning, einen Deep-Dive in die neue Arbeitstechnik namens Loop-Engineering, und zum Schluss noch handfeste Zahlen aus der Investment-Welt von Microsoft und Meta. Also, lasst uns direkt einsteigen. Fangen wir mit einem Bericht an, der mich wirklich zum Nachdenken gebracht hat. Das VIADUCT-Projekt, veröffentlicht über das OECD AI Policy Observatory, beschreibt ein Paradox, das eigentlich total logisch ist, wenn man drüber nachdenkt. Wir leben in einer Welt mit gigantischen Datenmengen. Trotzdem wird hochwertiges Trainingsmaterial für KI-Systeme immer knapper. Wie passt das zusammen? Ganz einfach: Die Menge an Daten ist kein Problem, die Qualität und die rechtliche Nutzbarkeit sind es. Und genau das treibt viele Entwickler dazu, einfach unkontrolliert öffentliche Inhalte zu scrapen. Das Ergebnis sehen wir längst in der Praxis. Über fünfzig Urheberrechts- und Datenschutzklagen laufen bereits, dazu kommen technische Sperren, mit denen Webseitenbetreiber versuchen, sich gegen das Auslesen ihrer Inhalte zu wehren. Gleichzeitig liegt jede Menge wertvoller privater Daten einfach brach, weil niemand das rechtliche Risiko eingehen will, sie zu teilen. Der Bericht schlägt jetzt keine rein technische Lösung vor, sondern einen systemischen Ansatz. Es geht um Rechtskonformität, um Vertrauen und um Fairness als Leitprinzipien für einen nachhaltigen Datenaustausch zwischen denen, die Daten besitzen, und denen, die KI entwickeln. Für Unternehmen und Entwickler ist das ein wichtiges Signal. Die Zeiten des naiven Scrapings neigen sich dem Ende zu. Wer langfristig plant, sollte sich schon jetzt mit fairen Datenmodellen beschäftigen, statt später rechtliche Altlasten mitzuschleppen. Kommen wir zu einem technischeren, aber nicht weniger relevanten Thema. OpenAI hat gezeigt, wie zwei kleine API-Einstellungen die Leistung von GPT-5.6 im ARC-AGI-3-Benchmark massiv verbessern können. Konkret geht es darum, die Reasoning-Schritte des Modells beizubehalten, statt sie zu verwerfen, und eine Funktion namens Kompaktierung zu aktivieren. Klingt erstmal nach Kleinigkeiten, hat aber einen riesigen Effekt auf sowohl die erzielten Punktzahlen als auch die Effizienz. Warum ist das relevant für euch? Weil es zeigt, wie sehr die reine Modellarchitektur inzwischen von der Konfiguration überstrahlt wird. Zwei Entwickler können mit demselben Modell völlig unterschiedliche Ergebnisse erzielen, je nachdem, wie sie die API nutzen. Das bedeutet für alle, die produktiv mit Sprachmodellen arbeiten: Es lohnt sich, tiefer in die technischen Details einzusteigen, statt einfach die Standardeinstellungen zu übernehmen. Gerade bei komplexen Reasoning-Aufgaben kann das den Unterschied zwischen einer mittelmäßigen und einer richtig starken Performance ausmachen. Und das führt uns direkt zum nächsten großen Thema, das gerade in der Entwickler-Community diskutiert wird: Loop-Engineering. Der Artikel bei t3b beschreibt eine Weiterentwicklung des klassischen Promptens. Statt KI-Agenten für jeden einzelnen Schritt manuell zu instruieren, arbeiten sie über Rückkopplungsschleifen. Das Modell misst selbst seine Ergebnisse und leitet daraus die nächsten Schritte ab. Leute wie Boris Cherny von Claude Code oder Addy Osmani von Google Chrome sehen darin tatsächlich die logische nächste Stufe nach dem Prompt-Engineering. Der Artikel unterscheidet vier Arten von Loops. Schrittweise Loops, Ziel-Loops, Zeit-Loops und proaktive Loops. Jede Variante hat ihren eigenen Anwendungsfall, aber auch eigene Schwachstellen. Und die sind durchaus ernst zu nehmen. Ein großes Problem ist Drift, also das allmähliche Abweichen vom eigentlichen Ziel über mehrere Iterationen hinweg. Dazu kommen hohe Tokenkosten, wenn die Loops nicht effizient gestaltet sind. Und besonders spannend fand ich den Hinweis auf die Schwäche von sogenannten KI-Richtern. Eine Studie zeigt, dass diese oft nur überzeugend klingende statt tatsächlich korrekte Antworten belohnen. Das ist ein echtes Problem, wenn man Agenten sich selbst bewerten lässt. Die Kernaussage des Artikels ist aber eigentlich ziemlich pragmatisch. Damit ein Loop überhaupt funktioniert, braucht es ein ehrliches, maschinell überprüfbares Signal und neue Information zwischen den einzelnen Durchläufen. Fehlt beides, reicht meist ein simpler Prompt völlig aus. Und bei komplexen, irreversiblen oder geschmacksabhängigen Entscheidungen bleibt menschliches Urteilsvermögen weiterhin unersetzlich. Für alle, die mit autonomen Agenten arbeiten oder das planen, ist das eine wichtige Einordnung. Loop-Engineering ist kein Wunderwerkzeug, sondern ein zusätzliches Instrument mit klaren Grenzen. Jetzt schauen wir noch kurz auf die wirtschaftliche Seite der KI-Welt, denn da tut sich gerade richtig viel. Microsoft hat in seinem Quartalsbericht für das vierte Fiskalquartal spannende Zahlen zu seinen KI-Investments offengelegt. Aus der Beteiligung an Anthropic verbucht Microsoft satte 3,2 Milliarden Dollar. Das ist ein deutliches Zeichen dafür, wie profitabel diese strategische Partnerschaft für Microsoft inzwischen ist. Bei OpenAI sieht das Bild dagegen gemischter aus. Was zeigt, dass selbst die größten Player im KI-Markt nicht automatisch mit jeder Wette gewinnen, auch wenn sie gleichzeitig in mehrere konkurrierende Labore investieren. Für die Branche insgesamt ist das ein interessantes Signal, wie unterschiedlich sich diese milliardenschweren Beteiligungen entwickeln können, je nach strategischer Ausrichtung der jeweiligen KI-Labore. Und dann war da noch Mark Zuckerberg, der bei Metas Quartalsbericht ziemlich deutlich gemacht hat, wo die Reise hingehen soll. Meta will im Enterprise-Bereich weit über die im Juni gestarteten Business-Agenten hinausgehen. Geplant sind APIs, der direkte Verkauf von Rechenleistung und weitere Dienste für Großkunden. Zunächst will Meta seine riesige bestehende Werbekundenbasis mit KI-Agenten für Messaging-Apps bedienen, und zwar nach einem Modell, das dem klassischen Anzeigengeschäft ähnelt. Abgerechnet wird nach erzielten Ergebnissen. Zuckerberg gab dabei offen zu, dass der direkte Vertrieb an Unternehmen für Meta bislang ein völlig anderer Muskel ist als das gewohnte Werbegeschäft. Spannend ist auch, dass Meta plant, intern entwickelte Tools für Softwareentwicklung und Produktivität künftig auch externen Kunden anzubieten. Beim Verkauf von Rechenkapazitäten verfolgt das Unternehmen eine Portfolio-Strategie, die kurzfristige Gewinne mit den langfristigen Ambitionen Richtung personal superintelligence austariert. Das zeigt ziemlich klar, dass Meta sich nicht länger nur als Social-Media-Konzern versteht, sondern sich Stück für Stück als ernstzunehmender Infrastruktur- und Enterprise-Anbieter im KI-Markt positioniert. Für Unternehmen, die nach Alternativen zu den etablierten Cloud- und KI-Anbietern suchen, könnte das mittelfristig eine interessante neue Option werden. Zusammengefasst zeigt sich heute ein ziemlich rundes Bild. Auf der einen Seite ringt die Branche mit den Grundlagen, nämlich fairen und rechtssicheren Daten. Auf der anderen Seite feilen Entwickler an immer feineren technischen Stellschrauben, um aus bestehenden Modellen mehr Leistung herauszuholen. Und während neue Arbeitstechniken wie Loop-Engineering die Art verändern, wie wir mit Agenten arbeiten, positionieren sich die großen Player wie Microsoft und Meta munter weiter im wachsenden Enterprise-KI-Markt. Das war's von mir für heute. Danke, dass ihr zugehört habt. Ich freue mich schon auf morgen, wenn's weitergeht mit den neuesten Entwicklungen aus der KI-Welt. Bis dann, macht's gut.