Aus dem Maschinenraum
Klartext zu KI, Sprachmodellen und Requirements Engineering – geschrieben von einer Ingenieurin aus der Automobilindustrie.
Hängst du noch mit den richtigen Freunden ab?
Claude Opus 5.5 führt bei Zuverlässigkeit, Reasoning und Coding – kostet pro Benchmark-Aufgabe aber mehr als das Achtfache von GPT-6.1 Sol. Zehn Modelle von zehn Anbietern, vom brillanten bis zum wirtschaftlichsten Freund, und warum Intelligenz nicht die einzige Eigenschaft ist, die zählt.
Warum Nachprompten den Restfehler selten beseitigt
Wenn ein KI-Entwurf fast richtig ist, liegt das Nachkorrigieren nahe – doch mit jeder Runde wird der Algorithmus oft unschärfer statt besser. Warum das so ist und welche vier Strategien stattdessen helfen: Neustart, Zerlegung, Eigenentwicklung und Best-of-N.
Was ein lokales Sprachmodell wirklich kann – und wo seine Grenzen liegen
Qwen3 14B auf einer handelsüblichen Grafikkarte: Was ein lokales Modell gut kann, wo es Details erfindet oder Absichten verwechselt – und warum die Schutzmechanismen in die Anwendung gehören, nicht ins Modell.
KI-Antworten nachvollziehbar machen: Warum Quellenverweise im Regulation Check entscheidend sind
Grounding statt Halluzination: Der Regulation Check stützt seine Antworten hierarchisch auf verbindlichen Normtext, kuratierten Kontext und allgemeines Modellwissen – und macht sichtbar, wenn eine Angabe in den importierten Regelwerken schlicht nicht belegt ist.
Der Traum von der KI-Autonomie
Mit Nemotron 3 Ultra reicht erstmals ein offenes Modell spürbar nah an die Frontier-Klasse heran – und läuft komplett im eigenen Rechenzentrum. Was das für Datensouveränität, Kosten und kritische Reasoning-Aufgaben bedeutet, und wo die Lücke zur Cloud-Spitze bleibt.