Walmart zähmt Ihren Shopping-Agenten.

Die diagnostische KI von Microsoft erreichte in einer simulierten Umgebung eine Genauigkeit von 83 % bei komplexen medizinischen Fällen. Zum Vergleich: Die Ärzte in derselben Simulation erreichten selbst mit Zugang zu Referenzmaterialien eine miserable Genauigkeit von 36 %.

Das ist kein knapper Sieg, sondern ein Erdrutschsieg. Eine Simulation ist keine Krankenhausstation, und synthetische Benchmarks überleben selten den Kontakt mit unübersichtlichen Patientendaten aus der realen Welt. Aber eine Lücke von 47 Prozentpunkten bedeutet, dass die Modelle Muster erkennen, die menschliche Spezialisten völlig übersehen.

Ärzte verlieren ihr Monopol auf komplexe Diagnosen in dem Moment, in dem diese Systeme die klinische Zulassung erhalten. Der sofortige Gewinner ist Microsoft, das nun den ultimativen Hebel hat, um Unternehmens-Gesundheitssysteme zu verkaufen. Die Verlierer sind die Regulierungsbehörden, die versuchen zu rechtfertigen, warum ein System, das die diagnostische Genauigkeit verdoppelt, nicht die standardmäßige Zweitmeinung sein sollte.

Legora hat gerade eine Finanzierungsrunde von 550 Millionen Dollar abgeschlossen, wodurch das Legal-AI-Unternehmen auf eine Bewertung von 8,8 Milliarden Dollar katapultiert wurde. Das Kapital ist für die Expansion des Legal-AI-Geschäfts in den USA und auf globalen Märkten vorgesehen.

Eine Bewertung von 8,8 Milliarden Dollar erreicht man nicht, indem man eine etwas bessere Suchmaschine für Fallrecht baut. Legoras Investoren wetten darauf, dass KI die mühsame Arbeit, die derzeit von Berufsanfängern mit 400 Dollar pro Stunde abgerechnet wird, grundlegend ersetzen kann.

Anwaltskanzleien, die diese Tools einführen, werden ihre Margen explodieren sehen, während Kanzleien, die an manueller Überprüfung festhalten, preislich aus dem Markt gedrängt werden. Legora gewinnt hier groß, aber der eigentliche Test ist, ob ihre Modelle die paranoide Präzision bewältigen können, die von globalen Compliance-Regimen gefordert wird, ohne Präzedenzfälle zu halluzinieren.

Flapping Airplanes hat gerade 1 Milliarde Dollar gesammelt, um KI-Systeme zu entwickeln, die mit deutlich weniger Daten und Rechenleistung lernen können. Ziel ist es, effizientere und zugänglichere KI-Modelle zu bauen, die nicht das Austrocknen eines kleinen Sees erfordern, um ihre Rechenzentren zu kühlen.

Die Branche ist besessen davon, das Internet nach Daten zu durchforsten, um riesige Cluster zu füttern, aber Flapping Airplanes wettet darauf, dass algorithmische Effizienz die schiere Größe übertreffen wird.

Wenn ihnen das gelingt, schrumpft der Graben für Unternehmen wie OpenAI und Google dramatisch. Modelle, die weniger Rechenleistung benötigen, senken die Eintrittsbarriere für alle anderen. Die etablierten Unternehmen verlieren ihren strukturellen Vorteil, wenn Intelligenz nicht mehr einen Milliarden-Dollar-Supercomputer zum Trainieren erfordert.

GM hat über 300.000 Batteriedesigns vollständig mittels Computermodellierung getestet, bevor sie überhaupt einen physischen Prototyp gebaut haben. Die KI-gestützte Simulation beschleunigte ihre Entwicklungszeit drastisch.

Physisches Prototyping im Automobilsektor ist brutal langsam und teuer. Indem GM die Trial-and-Error-Phase vollständig in eine simulierte Umgebung verlagert, können sie mit der Geschwindigkeit von Software statt mit der Geschwindigkeit der Fertigung iterieren.

Die Gewinner sind die Ingenieurteams, die jetzt Materialwissenschaften über Nacht validieren können. Die Verlierer sind die traditionellen Automobilzulieferer, die immer noch auf physische Banktests angewiesen sind, um ihre Komponenten zu validieren. Digitales Prototyping ist kein Luxus mehr; es ist die Grundlage für das Überleben.

Loom hat gerade eine 'Record for agent'-Funktion in der offenen Beta für Business + AI- und Enterprise-Nutzer eingeführt. Das Tool wandelt gesprochene Bildschirm-Walkthroughs in explizite KI-Agenten-Anweisungen um, komplett mit Screenshots und Links.

Das Schreiben von Prompt-Sequenzen für GUI-Agenten ist mühsam und fehleranfällig. Looms Ansatz ermöglicht es Bedienern, das zu tun, was sie bereits tun – ein kurzes Video aufzunehmen – und lässt die Software die präzisen DOM-Elemente und Ausführungsschritte extrahieren, die zur Automatisierung der Aufgabe erforderlich sind.

Dies beseitigt einen massiven Engpass für Entwickler, die Agenten in nicht-technischen Umgebungen einsetzen wollen. Loom gewinnt, indem es sich als Übersetzungsschicht zwischen menschlicher Absicht und Agentenausführung etabliert.