KI 2026: Agenten, lokale Modelle und der Verlust der Vielfalt

Künstliche Intelligenz ist längst kein Chatbot-Spielzeug mehr, das brav auf Fragen antwortet. 2026 verschiebt sich die Debatte an mehreren Fronten gleichzeitig: KI-Agenten übernehmen ganze Arbeitsabläufe, kleine Sprachmodelle laufen auf dem heimischen PC, und Forscher lassen Algorithmen den Sternenhimmel nach erdähnlichen Planeten durchkämmen. Zugleich wird deutlicher, wo die Technik an ihre Grenzen stößt – etwa wenn makellose KI-Texte am Ende alle gleich klingen.

Dieser Überblick bündelt die wichtigsten Entwicklungen der vergangenen Tage. Er zeigt, was Google mit seinem Agenten Gemini Spark vorhat, wie weit lokale Modelle inzwischen kommen, warum perfekte Businesspläne zum Problem werden können und wo KI in der Wissenschaft glänzt – trotz eines gewichtigen Hakens.

Vom Chatbot zum Agenten: Gemini Spark

Der auffälligste Trend heißt Agentic AI. Statt einzelne Fragen zu beantworten, sollen KI-Systeme künftig mehrstufige Aufgaben selbstständig abarbeiten. Google hat dafür Gemini Spark entwickelt, einen Agenten, der bereits in den USA verfügbar ist. In Deutschland läuft der Start noch aus, laut t3n wird der Dienst voraussichtlich im dritten Quartal 2026 hierzulande veröffentlicht. Google-Angestellte haben bereits Zugriff.

Wie das in der Praxis aussieht, beschreibt die Produktmanagerin Julia Steier im t3n-Podcast MeisterPrompter. Bei ihr sichtet der Agent automatisch E-Mails, trägt Informationen zusammen, reserviert Restaurants und prüft den Terminkalender. Dafür hat sie dem Tool nicht nur berufliche, sondern auch private Daten anvertraut, darunter ihre Adresse. Der Agent arbeitet mit sogenannten Skills, kleinen Fähigkeiten, die einzelne Aufgaben übernehmen. Texte lässt Steier etwa über den Skill „match my writing style“ in ihrem eigenen Schreibstil verfassen, Termine wandern automatisch in den Kalender.

Bemerkenswert ist der Wandel in der Bedienung. Ihre Anforderungen spricht Steier meist ein, statt sie als sauber strukturierten Prompt zu tippen. Bedeutet das das Ende des Prompt Engineerings? Nicht ganz. Für komplexe Aufgaben wie eine Recherche bleibt das Verständnis für gute Prompts wichtig, weil die KI weiterhin den passenden Kontext braucht. Für Routineaufgaben genügt dagegen zunehmend gesprochene Sprache.

So praktisch das klingt, so klar sind die offenen Fragen. Die von Steier beschriebene Nutzung setzt voraus, dass viele Datenquellen miteinander vernetzt werden – beruflich wie privat. Das wirft Fragen zum Datenschutz und zur wachsenden Abhängigkeit von einem einzelnen Anbieter auf. Hinzu kommt: Auch Agenten halluzinieren. Ihre Ergebnisse sind nicht absolut verlässlich, weshalb eine menschliche Nachkontrolle nötig bleibt. Wer einem Agenten die Kalenderpflege oder das Beantworten von Mails überlässt, sollte die Ausgaben also weiterhin prüfen.

Lokale KI: erstaunlich stark, aber kein Cloud-Ersatz

Während Google auf Agenten in der Cloud setzt, wächst eine Gegenbewegung: KI-Modelle, die komplett auf eigener Hardware laufen. In einem ausführlichen Selbstversuch hat sich die c't-Redaktion für heise online wochenlang mit lokalen Large Language Models beschäftigt – vom Raspberry Pi über eine Grafikkarte mit 16 GByte Speicher bis zum Mac-Studio-Cluster.

Die Motivation dahinter ist nicht rein technisch. Der Autor verweist auf die enormen Summen, die vor allem in den USA in riesige KI-Rechenzentren fließen, was weltweit die Hardwarepreise treibt. Dazu kommt die offene Frage, ob sich diese Milliardeninvestitionen über Abos und Token-Verkäufe je einspielen lassen. Und viele Anwender haben schlicht Vorbehalte, sensible Daten an US-Unternehmen zu schicken. Lokale KI ist damit auch eine Antwort auf Datenschutz- und Souveränitätsbedenken.

Wie gut sind die kleinen Modelle?

Die ehrliche Antwort: gut, aber nicht so gut wie die Großen. Auf normalen PCs lauffähige Modelle bleiben hinter kommerziellen Cloud-Modellen von Anthropic und Co. zurück – logisch, denn die Spitzenmodelle laufen auf millionenteurer Infrastruktur. In den Rankings der Vergleichsseiten Artificial Analysis und Arena AI liegen Anthropics Claude-Modelle vorn. Auffällig ist aber, dass dahinter zunehmend chinesische Open-Weights-Modelle auftauchen: Qwen von Alibaba, GLM von Zhipu AI und Kimi von Moonshot AI. Diese Modelle lassen sich herunterladen und selbst betreiben – die passende Hardware vorausgesetzt.

Der Analyst Pip Klöckner hat die Faustregel geprägt, dass man mit sechs bis sieben Monaten Verzögerung auf dem Heim-PC eine KI nutzen kann, die so leistungsfähig ist wie ein halbes Jahr zuvor die Cloud-Spitze. Die c't-Rechnung mit dem Modell Qwen 3.8-27B stützt das zumindest auf dem Papier: Das Modell läuft ab etwa 24 GByte Grafikspeicher, also auch auf einer sechs Jahre alten RTX 3090, die gebraucht unter 1000 Euro zu haben ist. Im Intelligence Score erreicht es 52 Punkte und liegt damit rechnerisch über Modellen, die ein halbes Jahr zuvor State of the Art waren.

Wo der Praxistest scheitert

In der Praxis zeigt sich allerdings eine wichtige Einschränkung. Fragt man Qwen nach reinem Faktenwissen – etwa nach Buchreihen oder einer Liste der deutschen Bundespräsidenten – produziert das Modell teils frei erfundene Angaben und schlicht falsche Fakten. Der Grund liegt in der Konstruktion der Benchmarks: Die gängigen Intelligence-Rankings messen vor allem, wie gut ein Modell programmieren, ein Terminal bedienen, Werkzeuge wie eine Websuche nutzen und Informationen aus langen Kontexten behalten kann. Reines Wissen fällt kaum ins Gewicht – in dem beschriebenen Index steuert der entsprechende Test nur einen kleinen Anteil zur Gesamtwertung bei.

Die Kernbotschaft: Wer lokale Modelle wie ein Lexikon behandelt, wird enttäuscht. Gibt man ihnen dagegen Werkzeuge an die Hand – Websuche, Dateizugriff, Code-Ausführung –, nähert sich ihre Nützlichkeit den teuren Cloud-Modellen deutlich an. Themen wie Quantisierung, die den Speicherbedarf senkt, oder die richtige Runtime entscheiden dabei über die Alltagstauglichkeit.

Wenn KI-Texte alle gleich klingen

Ein Trugschluss über generative KI hält sich hartnäckig: Sie gelte als Gleichmacher, der auch rhetorisch weniger geübten Menschen zu professionellen Auftritten verhelfe. Eine Studie von Karl Taeuscher (University of Manchester) und Michael Lounsbury (University of Alberta) widerspricht dem deutlich. Wie t3n berichtet, führt der breite Einsatz von Textgeneratoren zu einer spürbaren Homogenisierung der Geschäftskommunikation.

Der Grund liegt in der Architektur großer Sprachmodelle. Sie funktionieren als linguistische Nachahmungsmaschinen und richten ihre Ausgaben an statistischen Durchschnitten und etablierten Mustern aus. Das Ergebnis ist formal sauber, aber sprachlich weitgehend standardisiert. Um den Effekt zu belegen, erstellten die Forscher KI-überarbeitete Versionen von mehr als 26.000 realen Kickstarter-Kampagnen. Die maschinell bearbeiteten Texte wiesen eine um 43 Prozent geringere Varianz bei der Abstraktheit der Sprache auf und ähnelten sich bei Textlänge und Fehlerfreiheit um rund 80 Prozent stärker als die menschlichen Originale.

Diese Befunde decken sich mit einer in Science Advances veröffentlichten Untersuchung von A. R. Doshi und O. P. Hauser. Sie zeigten experimentell, dass KI zwar die individuelle Textqualität steigert, gleichzeitig aber die kollektive Vielfalt der Inhalte verringert. Eine weitere Studie aus dem Jahr 2025 fand zudem, dass selbst Businesspläne von Studierenden inhaltlich zusammenrücken.

Für Gründer hat das eine paradoxe Folge. Weil fehlerfreie, flüssige Formulierungen heute nahezu kostenlos verfügbar sind, steigt die Erwartungshaltung von Investoren. Was früher als starkes Storytelling auffiel, wird zum bloßen Mindeststandard. Rein textliche Versprechen über Innovationskraft drohen als substanzloses Gerede abgewertet zu werden. Wer sich abheben will, braucht harte Belege: erteilte Patente, funktionierende Prototypen, offizielle Zertifizierungen. Ironischerweise steigert der KI-Einsatz damit die Nachfrage nach echter menschlicher Kompetenz und dem Gespür, wann man bewusst vom algorithmischen Durchschnitt abweichen sollte.

KI in der Astronomie: 99 Prozent – mit Vorbehalt

Dass KI mehr kann als Texte schreiben, zeigt ein Beispiel aus der Weltraumforschung. Ein Forschungsteam hat ein KI-Modell entwickelt, das Sternensysteme mit potenziell erdähnlichen Planeten identifizieren soll. Ziel ist es, das blinde Absuchen des Weltraums abzukürzen und Zeit zu sparen. Die Ergebnisse veröffentlichte das Team in der Fachzeitschrift Astronomy & Astrophysics, wie t3n berichtet.

Technisch setzt das Modell auf ein Machine-Learning-Verfahren namens Random Forest, bei dem viele einzelne Entscheidungsbäume zu einem starken Gesamtmodell kombiniert werden. Trainiert wurde es darauf, Galaxien mit möglichen erdähnlichen Planeten von solchen ohne Voraussetzungen zu unterscheiden. Als erdähnlich galt ein Planet, wenn seine Gleichgewichtstemperatur zwischen minus 113 und plus 237 Grad Celsius lag und seine Masse zwischen dem 0,5- und 3-Fachen der Erdmasse betrug. Getestet wurde an 53.882 Galaxien, die vom sogenannten Berner Modell der Universität Bern simuliert wurden – einer KI, die die Entstehung von Planetensystemen in Sekunden nachbildet.

Das Ergebnis klingt spektakulär: In 99 Prozent der Fälle unterschied das Modell korrekt zwischen Systemen mit und ohne erdähnliche Planeten. Auf echte Daten losgelassen, analysierte die KI 1.567 reale Sternensysteme und fand darin 44 Kandidaten.

Der Haken, auf den das Magazin Space Daily hinweist: Die 99-Prozent-Genauigkeit stammt aus der Analyse künstlich erstellter Galaxien, bei denen von vornherein feststand, ob sie erdähnliche Planeten enthalten. In der realen Beobachtung kommen Faktoren wie Umlaufzeiten, stellare Aktivität und Messungenauigkeiten hinzu. Ob die 44 gefundenen Systeme tatsächlich erdähnliche Planeten beherbergen und ob das Modell keine übersehen hat, lässt sich noch nicht beweisen. Der Wert ist also mit Vorsicht zu genießen – ein Muster, das sich durch viele KI-Erfolgsmeldungen zieht.

Geschäftsverhältnisse in Bewegung: OpenAI und Cursor

Der KI-Markt bleibt auch wirtschaftlich in Bewegung. OpenAI hat angekündigt, seinen Vertrag zur Bereitstellung eigener Modelle für den Coding-Editor Cursor auslaufen zu lassen – als Reaktion auf dessen Übernahme durch SpaceX. Solche Entscheidungen zeigen, wie eng KI-Werkzeuge inzwischen von Lieferbeziehungen zwischen wenigen großen Anbietern abhängen. Wer sein Werkzeug auf ein bestimmtes Modell stützt, kann durch geschäftliche Umbrüche schnell vor der Frage stehen, welches Modell künftig überhaupt noch verfügbar ist.

Was bedeutet das für dich?

Die Meldungen der vergangenen Tage zeichnen ein realistisches Bild: KI wird nützlicher und alltagstauglicher, ohne fehlerfrei zu werden. Daraus ergeben sich ein paar konkrete Konsequenzen.

• Agenten kommen – prüfe die Datenfreigabe. Wenn Gemini Spark voraussichtlich im dritten Quartal 2026 in Deutschland startet, überlege genau, welche beruflichen und privaten Daten du einem Agenten anvertraust. Vernetzung ist der Motor solcher Tools, aber auch ihr größtes Datenschutzrisiko.
• Kontrolliere KI-Ausgaben grundsätzlich nach. Ob Cloud-Agent, lokales Modell oder wissenschaftliche Auswertung: Halluzinationen und Fehler bleiben Teil des Systems. Verlasse dich bei wichtigen Entscheidungen nicht blind auf ein Ergebnis.
• Lokale KI lohnt sich für Datenschutzbewusste. Wer sensible Daten nicht in die Cloud geben will und eine Grafikkarte mit rund 24 GByte Speicher besitzt, kann mit Modellen wie Qwen 3.8-27B experimentieren. Erwarte aber kein zuverlässiges Faktenwissen, sondern nutze die Modelle mit angebundenen Werkzeugen.
• Setze bei Texten auf Substanz statt Politur. Wenn du einen Pitch, einen Businessplan oder eine Bewerbung schreibst, reicht ein makelloser KI-Text nicht mehr. Belege deine Aussagen mit Nachweisen und einer eigenen Stimme, um aus der Masse herauszustechen.
• Behalte Anbieter-Abhängigkeiten im Blick. Der Fall Cursor zeigt: Geschäftsentscheidungen können Werkzeuge verändern. Wähle Tools, die im Zweifel auf mehrere Modelle zugreifen können.