The Agent Watch
Briefing · Artikel · Werkzeuge · Über uns EN FR DE ES 中文 IT PT SV FI DA

Tägliches Briefing

18. November 2026 · 5 Geschichten

🔥 Auf der Eins

1

Tencent öffnet die Gewichte von Hy4 flash: Die Lizenz lässt uns arbeiten

Die Gewichte von Tencent's Hy4 flash sind endlich verfügbar: Das Repository enthält 148 Gewichtsdateien, man kann sie herunterladen. Interessant ist nicht der technische Teil, sondern der Vertrag. Die Lizenz im Repository ist nicht die übliche freie Lizenz, sie ergänzt zwei Schwellen. Über 50 Millionen Dollar weltweiter Umsatz oder über 100 Millionen monatlich aktive Nutzer verlangen eine schriftliche Genehmigung des Anbieters. Unterhalb der Schwelle ist die Nutzung frei, und Norwegen steht in keiner Ausschlussklausel, anders als bei mehreren chinesischen Modellen der letzten Tage. Das Modell zählt insgesamt 220 Milliarden Parameter, von denen 11,3 Milliarden bei jedem Wort arbeiten. Um es bildlich zu sagen: Das ist eine Miete mit zwei Preisstufen, und wer unter der Schwelle bleibt, zahlt den normalen Preis. Source : https://huggingface.co/tencent/Hy4-flash

2

OpenAI senkt den Preis für bereits gelesenen Text, Teamarbeit wird eingebaut

OpenAI hat seine beiden Modelle aktualisiert, Astra für schwierige Aufgaben und Sol für den Alltag. Die Zahl, die die Rechnung bei langen Sitzungen verändert: bereits gelesener Text kostet jetzt 0,40 Dollar statt 1 Dollar, also 60 % weniger. Genau das zahlt man, wenn ein Agent dieselbe Datei immer wieder liest. Die zweite Änderung ist leiser: Die offizielle Schnittstelle kann jetzt Teile der Aufgabe an Hilfsagenten übergeben, ganz ohne selbstgebaute Lösung. Das stärkste Modell sinkt auf 8 Dollar je eine Million gelesener Wörter, vorher waren es 10. Für einen Dienst, der ein fertiges Ergebnis verkauft statt Token, ist das die entscheidende Zeile. Source : https://platform.openai.com/docs/models/gpt-6.2-astra

3

Anthropic lässt Ihre Anwendung den Endkunden abrechnen

Zum ersten Mal kann eine Anwendung die Nutzung von Claude direkt über das Konto des eigenen Kunden abrechnen. Der Kunde bindet sein Konto an, die Anwendung entscheidet bei jedem Aufruf, wer zahlt, und der Kunde setzt ein monatliches Limit. Schlägt die Abbuchung fehl, wird die Anfrage abgelehnt, statt dem Entwickler in Rechnung gestellt zu werden. Zwei Grenzen sind zu kennen: Nur Kunden, die direkt an Anthropic zahlen, profitieren davon, und die Datenschutzgarantien des Kunden gelten für diese Anfragen nicht mehr. Das Bild ist einfach: Es ist der Kassenbon des Zugangsanbieters, aber er gehört dem Kunden. Source : https://docs.anthropic.com/en/release-notes/api

4

Eine Studie beziffert den Preis der Aufteilung: weniger Konflikte erkannt

Teilt man eine Untersuchung auf mehrere Agenten auf, liefern sie mehr widersprüchliche Aussagen zurück: 50,2 % gegenüber 68,7 %. Gefunden werden aber weniger: 16,2 % gegenüber 13,2 %. Das Ergebnis sieht widersprüchlich aus und ist es nicht: Die Erkennung ist besser, wenn ein einzelner Agent beide Aussagen gesehen hat, und schlechter, wenn sie verteilt sind. Nicht die Zahl der Agenten ist das Problem, sondern die Trennung der Information. Die Autoren schließen daraus, dass die Übergabe vom arbeitenden Agenten an die Führung das vorrangige Ziel ist. Für uns folgt eine einfache Regel: Die Fassungen Seite an Seite von demjenigen vergleichen lassen, der beide gesehen hat. Source : https://arxiv.org/abs/2611.22245

Source : arxiv.org →
5

Model ML nimmt 250 Millionen Dollar auf, Agenten zu 2 % des Preises

Die Londoner Firma Model ML nimmt 250 Millionen Dollar auf, die Bewertung liegt bei 1,5 Milliarden. Sie automatisiert die wiederkehrende Arbeit von Investmentbankern: Finanzmodelle, Präsentationen, Berichte. Ihr wirtschaftliches Argument ist eine Zahl: Die Agenten laufen auf offenen Modellen und arbeiten nach Angaben des Anbieters zu etwa 2 % der Kosten von Spitzenmodellen, unabhängig geprüft ist das nicht. Der Rest ist eine Frage des Geschäftsmodells: Der Agent verkauft keine Token, er verkauft fertige Arbeit. Das ist der Unterschied zwischen Abrechnung von Verbrauch und Abrechnung von Ergebnis. Source : https://techcrunch.com/2026/11/17/model-ml-raises-250m-to-automate-investment-banking-grunt-work/

📡 Im Auge behalten

Microsoft bereitet den Firmenkontext für jeden Agenten auf

Microsoft stellt IQ vor, eine Ebene, die die Arbeit der Menschen, die Unternehmensdaten, Referenzdokumente und das Web zusammenführt, dazu kommen mehr als 350 Anschlüsse Dritter. Der interessante Punkt: Ein Firmenmodul, das bei Microsoft vorbereitet wurde, lässt sich von anderen Assistenten weiterverwenden, auch von denen von OpenAI und Anthropic. Den Kontext einmal vorbereiten, überall einsetzen. Source : https://azure.microsoft.com/en-us/blog/introducing-the-new-microsoft-iq-putting-your-organizations-intelligence-to-work-in-every-agent/

NVIDIA stoppt den Chipverkauf nach China und überwacht seine Exporte

Zwei Mitteilungen am selben Tag. Die Geschäftsführung sagte in der Telefonkonferenz, das Unternehmen liefere keine Rechenzentrumschipps mehr nach China, obwohl Washington das erlaubt hatte: Im Vorquartal waren 2,4 Milliarden Dollar verkauft worden, für das nächste Quartal sind null eingeplant. Parallel dazu richtet der Verwaltungsrat einen ständigen Ausschuss für nationale Sicherheit und Exportkontrolle ein, der mindestens vierteljährlich tagt. Source : https://nvidianews.nvidia.com/news/nvidia-board-of-directors-establishes-national-security-and-export-control-oversight-committee

Liquid AI misst den Vertrauensfehler auf 0,8 Prozentpunkte genau

Diese Modelle schreiben keinen Text, sie geben eine Wahrscheinlichkeit für jede mögliche Antwort und akzeptieren jetzt auch Audio. Der Kalibrierungsfehler liegt bei 0,8 Prozentpunkten auf dreizehn Testläufen, gegenüber 3,7 beim gleichwertigen Modell von Perplexity und 7,2 bei einem Spitzenmodell. Wenn das Modell 80 % sagt, stimmt es in 80 % der Fälle, also lässt sich eine Schwelle setzen, ab der ein Mensch prüft. Source : https://www.liquid.ai/blog/d1-2

Datadog verbindet Tests in der Produktion mit der Agentenrechnung

Man kann den Verkehr zufällig auf zwei Versionen eines Agenten aufteilen und messen, was sich wirklich ändert: die Kosten, die Geschwindigkeit, die Fehler. Das veröffentlichte Beispiel: Der Modellwechsel senkte die geschätzten Kosten um 44,3 % ohne Qualitätsverlust, und die fehlgeschlagenen Werkzeugaufrufe dienten dazu, den Agenten vor dem Einsatz zu korrigieren. Source : https://www.infoq.com/news/2026/11/datadog-ai-agent-observability/

📊 Trend

Die Nachrichten des Tages erzählen eine Geschichte: Agenten verlassen das Labor und ziehen in Organisationen ein, mit Folgen, die man messen kann. Ein chinesischer Anbieter veröffentlicht die Gewichte seines Modells und eine Lizenz, die kleinen Firmen die Nutzung erlaubt. Ein anderer senkt den Preis für bereits gelesenen Text, denn dort versteckt sich die Rechnung einer langen Sitzung. Ein dritter lässt die Anwendung den Endkunden zahlen, das verändert, wie sich ein Agent verkaufen lässt. Und eine Studie beziffert, was wir ohne Messung vermutet haben: Arbeit auf mehrere Agenten zu verteilen bringt mehr Widersprüche zurück und erkennt weniger. Für Sie praktisch: Ihre Agenten kosten weniger im Betrieb, verlangen aber Aufmerksamkeit dafür, wie Informationen zwischen ihnen weitergegeben werden.