Mittwoch, Februar 25, 2026
Der am 23. Februar 2026 veröffentlichte Anthropic Education Report berichtet über das Vorhandensein oder Fehlen einer Taxonomie von Verhaltensweisen, die Anthropic als Ausdruck von KI-Kompetenz betrachtet. Die Auswertung von Anthropic erfolgte anhand einer großen Stichprobe anonymisierter Gespräche.
12,3 % der Gespräche in unserer Stichprobe betrafen Ergebnisse, darunter Code, Dokumente, interaktive Tools und andere Outputs. In diesen Gesprächen arbeiteten die Menschen ganz anders mit KI zusammen. In Konversationen mit dem KI-Modell, in denen derartige Ergebnisse erstellt werden, identifizieren Nutzer seltener fehlenden Kontext (-5,2 Prozentpunkte), überprüfen seltener Fakten (-3,7 Prozentpunkte) oder hinterfragen seltener die Argumentation des KI-Modells, indem sie es auffordern, seine Gründe zu erläutern (-3,1 Prozentpunkte
URLs:
Dienstag, Februar 24, 2026
In einer explorative Red-Teaming-Studie zu autonomen, sprachmodellgestützten Agenten, die in einer Live-Laborumgebung mit persistenter Speicherung, E-Mail-Konten, Discord-Zugang, Dateisystemen und Shell-Ausführung eingesetzt wurden, interagierten zwanzig KI-Forscher unter günstigen und widrigen Bedingungen mit den Agenten über einen Zeitraum von zwei Wochen.
Die Ergebnisse belegen das Vorhandensein von Sicherheits-, Datenschutz- und Governance-relevanten Schwachstellen in realistischen Einsatzumgebungen. Beobachtet wurden z. B. die unbefugte Zusammenarbeit mit Dritten, die Offenlegung sensibler Informationen, die Ausführung destruktiver Aktionen auf Systemebene, Denial-of-Service-Bedingungen, unkontrollierter Ressourcenverbrauch, Anfälligkeiten für Identitätsbetrug, die Verbreitung unsicherer Praktiken zwischen Agenten und die teilweise Übernahme des Systems.
URLs:
Montag, Februar 23, 2026
Forscher der Renmin University of China und des Oppo-Forschungsinstituts entwickelten DeepImageSearch, einen Benchmark, welcher auf miteinander verbundenen visuellen Daten basiert. Experimente der Forscher zeigen, dass modernste Modelle darunter High-End-Systeme wie Nano Banana Pro und Claude 4.5, erhebliche Schwierigkeiten mit den Nuancen der persönlichen Bildersuche haben. Claude Opus 4.5 fand nur in knapp 29 Prozent der Fälle alle richtigen Bilder, GPT-5.2 schaffte dies in rund 13 Prozent der Fälle und Gemini 3 Pro Preview in etwa 25 Prozent.
Das Kernproblem liegt in der Komplexität der menschlichen Erinnerung und Suche. Die meisten bestehenden KI-Fototools basieren auf einer einfachen Objekterkennung wie „Katze“ oder „Eifelturm“. Menschen suchen jedoch selten nur nach einem Objekt, sondern die Suche ist komplexer. Bei komplexen Suchanfragen muss ein KI-System zunächst herausfinden, was der Mensch sucht. D.h., die relevanten Informationen aus der Frage extrahieren und dann diesen Kontext anwenden, um das gesuchte Bild zu finden. Diese Kontextisierung und anschließende Umsetzung der Suche bereitet allen KI-Modellen große Schwierigkeiten, die Suche wird oftmals vorzeitig durch die KI-Modelle abgebrochen.
URLs:
Samstag, Februar 21, 2026
Eine Studie der Universität Passau und der US-amerikanischen Arizona State University mit dem Titel „Fading Memories: The Role of Machine Learning in Organizational Knowledge Depreciation“ zeigt, dass der Abbau von Stellen mit Verweis auf den Einsatz von KI langfristig zu einem Wissensverlust in den jeweiligen Unternehmen führen kann.
Traditionelle regelbasierte Technologien dienen als stabile Wissensspeicher dienen. Im Gegensatz dazu bergen Machine-Learning-Systeme (ML) Risiken. Da ihre Vorhersagemodelle auf historischen Trainingsdaten basieren, sind ML-Systeme anfällig für Modellabweichungen: eine allmähliche Diskrepanz zu sich wandelnden betrieblichen Realitäten, die wiederkehrende Reparaturen durch Menschen erforderlich macht.
Die Forscher entwickelten ein mehrstufiges Prozessmodell, welches zeigt, wie und wann wiederholte Zyklen der ML-Nutzung und -Reparatur unbeabsichtigt die Abwertung des organisatorischen Wissens beschleunigen können. Der Zyklus läuft in etwa wie folgt ab:
KI übernimmt: Während KI-Systeme etwa die Qualitätsprüfung eines Herstellungsprozesses erledigen, nutzen Beschäftigte das dafür relevante Fachwissen seltener, vergessen dieses oder verlassen ganz das Unternehmen.
Wissensverlust tritt ein: So gerät bestehendes menschliches Wissen verloren, während neue Angestellte entsprechendes Wissen nicht neu erwerben; die KI übernahm ja die Aufgaben.
KI-Modelle veralten: Alternde KI-Modelle müssen mit Hilfe neuer Trainingsdaten aktualisiert werden, Modellvariablen müssen auf Relevanz geprüft werden oder Fehlprognosen des Modells fachlich beurteilt werden. Eine solche Aktualisierung erfordert menschliche Expertise, die in den jeweiligen Unternehmen jetzt aber fehlt.
Damit können KI-Modelle durch Alterung zur Wissensfalle werden.
URLs:
Einer US-Studie zufolge entlastet Künstliche Intelligenz Arbeitnehmer nicht, sondern kann zu Mehrarbeit und nachlassender Effizienz führen. Harvard Business Review berichtet über Ergebnisse, die in einer achtmonatigen Studie darüber, wie generative KI die Arbeitsgewohnheiten in einem US-amerikanischen Technologieunternehmen mit etwa 200 Mitarbeitern veränderte.
Der Studie zufolge arbeiteten der Beschäftigte schneller, übernahmen ein breiteres Spektrum an Aufgaben und verlängerten ihre Arbeitszeit, oft ohne dazu aufgefordert worden zu sein.
Das mag nach einem Gewinn klingen, hat aber deutliche Schattenseiten. Diese Veränderungen können untragbar sein und zu einer schleichenden Zunahme der Arbeitsbelastung, kognitiver Erschöpfung, Burnout und einer Schwächung der Entscheidungsfähigkeit führen. Der anfängliche Produktivitätsschub kann zu einer geringeren Arbeitsqualität, Fluktuation und anderen Problemen führen.
Um dies zu korrigieren, müssen Unternehmen eine „KI-Praxis” einführen, d. h. eine Reihe von Normen und Standards für den Einsatz von KI festlegen, welche bewusste Pausen, die Festlegung von Arbeitsabläufen und mehr menschliche Kontrolle umfassen sollten.
URLs:
