> ## Content Index
> Fetch the complete content index at: https://t01.li/llms.txt
> Use this file to discover other available public pages before exploring further.

# KI Picks der 46. KW
- URL: https://t01.li/ai-shorts/ki-picks-der-46-kw/
- Published: 2026-11-13T09:01:56.000Z
- Updated: 2026-11-13T10:29:30.000Z
- Description: Claude Fable 5.2 wird 20 % günstiger, Meta schickt Muse Ember als Worker-Modell, Google liefert Gemini 4 Hydrogen, Decision 1 und /swarm. Dazu LongCat-2.5, Nex-N2.6, ERNIE 5.5 Flash Preview, Claude Sheets, Businesses in ChatGPT und Jensen Huangs Rücktritt bei Nvidia.
- Author: Tobias Glawe
- Tags: AI Shorts

Und schwupps ist die Woche schon wieder fast um und diverse Unternehmen haben uns mit Updates und neuen Modellen beglückt, unter anderem Anthropic mit dem heiß erwarteten *Claude Fable 5.2*. Ansonsten haben OpenAI, Google und Anthropic an Funktionen und Features zugelegt. Dann haben wir noch ein wenig Gossip mit wertvollem Meme-Potenzial (ich sage nur: Huang).

Und sonst so: Ich selbst habe die Woche einige Zeit mit dem [*Pi*\-Harness](https://t01.li/ai-shorts/ki-picks-der-45-kw/#pi-v150-fl%C3%BCssigeres-streaming-und-changelogs-f%C3%BCr-extensions) und *LongCat-2.5* verbracht. Einfach mal, um beides besser kennenzulernen und weil ich 50 Millionen Tokens zum absoluten Sparpreis bei LongCat abgestaubt habe, die irgendwie sinnvoll genutzt werden mussten. Zu *Pi* werde ich mich später ausführlicher äußern. Vorab sei gesagt: Momentan wollt ihr wirklich das [CLI](https://t01.li/glossar/#cli) im Terminal nutzen, keine Desktop-App (zumindest nicht unter macOS). Vertraut mir.

Apropos Terminal: Ich nutze seit rund zwei Wochen die [*Rex* Beta](https://www.superlogical.com/rex/docs/?ref=t01.li) von Superlogical und bin schwer positiv davon angetan.

Dann mal rein in die reichhaltige 46\. Kalenderwoche, aktuell auch ohne Glühwein genießbar.

## Claude Fable 5.2: mehr Leistung, 20 % niedrigere Tokenpreise

Anthropic hat am 9\. November [*Claude Fable 5.2* und *Claude Mythos 5.2*](https://www.anthropic.com/claude-fable-and-mythos-5-2?ref=t01.li) veröffentlicht. Beide basieren auf demselben Modell. Fable erhält strenge Schutzmechanismen für Cybersecurity und Biologie, Mythos bleibt verifizierten Organisationen vorbehalten, die etwa an Sicherheits- oder biomedizinischer Forschung arbeiten (das kennen wir ja schon von [Version 5.1](https://t01.li/ki-news/claude-fable-5-1-mythos-5-1-safeguards/)).

Mit 8 $ für Input und 40 $ für Output pro Million Tokens liegen die Standardpreise 20 % unter denen von [*Fable 5.1*, das noch 10 und 50 $ gekostet hat](https://platform.claude.com/docs/en/models/fable-5-2/whats-new-fable-5-2?ref=t01.li). Laut Anthropic generiert das Modell außerdem bis zu 30 % schneller Text. Der optionale Fast Mode soll die Ausgabe um bis zu Faktor 2,5 beschleunigen, verdoppelt die Input- und Output-Preise aber auf 16 beziehungsweise 80 $ pro Million Tokens.

Bei [Artificial Analysis](https://artificialanalysis.ai/models/releases/claude-fable-5-2?ref=t01.li) fallen 65 Punkte im Intelligence Index hinten raus, bei durchschnittlich 26,54 $ Modellkosten pro Index-Aufgabe. Gemessen wurde mit maximalem Reasoning und aktiviertem Standard-Fallback, der bei sicherheitsbedingten Ablehnungen auf ein anderes Claude-Modell ausweicht (laut Doku *Opus 4.8* oder *Opus 5*). Diese Einstellung gehört zur Einordnung der Zahlen dazu.

Getestet habe ich es noch nicht. Mir fehlen schlicht die Projekte, die diese Leistungsklasse brauchen. Und ich muss immer ziemlich breit grinsen, wenn ich auf LinkedIn von den Akrobaten lese, die ja nur mit Fable arbeiten können, weil ihre Stacks ach so komplex sind, dass alle kleineren Modelle versagen. Offenbar entstehen da überall Echtzeit-3D-Windkanalsimulatoren oder so was. Anthropic empfiehlt btw. in der eigenen Doku, erst dann zu Fable zu wechseln, wenn die eigenen Evals mit [*Opus*](https://t01.li/ki-news/claude-opus-5-5-fable-niveau-40-prozent-guenstiger/) auch bei höherem Reasoning-Aufwand die Anforderungen nicht erfüllen. Das erscheint mir als Auswahlkriterium brauchbarer als die gefühlte Komplexität des eigenen Stacks.

| Merkmal                          | Fable 5.2                 |
| -------------------------------- | ------------------------- |
| **Kontextfenster**               | 1 Mio. Tokens             |
| **Input**                        | Text, Bilder              |
| **Output**                       | Text, maximal 128K Tokens |
| **Reasoning**                    | Adaptiv, immer aktiv      |
| **Input / 1 Mio. Tokens**        | 8,00 $                    |
| **Cached Input / 1 Mio. Tokens** | 0,20 $                    |
| **Output / 1 Mio. Tokens**       | 40,00 $                   |

## Muse Ember: für die kleinen Jobs zwischendurch

Am 9\. November kam bei Meta [*Muse Ember*](https://research.meta.ai/blog/muse-ember?ref=t01.li) hervorgekrabbelt, das kleinste Modell der Muse-Familie. Gedacht ist es für wiederkehrende Agentenaufgaben wie Tool-Aufrufe, gezielte Codeänderungen, Testläufe oder das Auslesen langer Dokumente. Verfügbar ist Ember über die Meta Model API und in *Muse Code*. Laut [Meta-Ankündigung](https://x.com/AIatMeta/status/2119853591703998787?ref=t01.li) ist es außerdem das erste Modell, das mit [*Muse Wonder Full*](https://t01.li/ki-news/muse-wonder-meta-benchmarks-preis-zugang/) trainiert wurde.

Die Preise in der Tabelle gelten für Prompts mit bis zu 200.000 Tokens. Darüber verdreifachen sich alle drei Tokenpreise auf 0,30 / 0,012 / 1,50 $. Das große Kontextfenster kommt also mit einer Preisstufe, die bei langen Agentensessions relevant werden kann.

Bei [Artificial Analysis](https://artificialanalysis.ai/models/releases/muse-ember?ref=t01.li) erreicht Ember mit maximalem Reasoning 36 Punkte im Intelligence Index, bei durchschnittlich rund 0,14 $ Modellkosten pro Index-Aufgabe. [*Muse Spark 1.3*](https://t01.li/ki-news/muse-spark-1-3/) liegt dort mit 37 Punkten nur einen Zähler höher, kostet pro Aufgabe aber 2,39 $. Für den Einsatz als günstiger Worker liefert das einen brauchbaren Startpunkt. Meta sieht die Arbeitsteilung entsprechend vor: *Muse Wonder* plant bei den harten Problemen, Ember übernimmt die Masse an klar abgegrenzten Teilaufgaben.

Ember wird auch alsbald für kleinere Aufgaben bei der Weiterentwicklung von LogCarve ausprobiert. Bei Meta liegt noch Restguthaben aus dem [Hackathon](https://t01.li/ai-dev/muse-code-hackathon-erfahrungen-muse-spark-1-3/), das schreit also förmlich danach.

| Merkmal                          | Muse Ember                 |
| -------------------------------- | -------------------------- |
| **Modell-ID**                    | muse-ember-1.0             |
| **Kontextfenster**               | 1 Mio. Tokens              |
| **Input**                        | Text, Bilder, Audio, Video |
| **Output**                       | Text, bis 512K Tokens      |
| **Input / 1 Mio. Tokens**        | 0,10 $                     |
| **Cached Input / 1 Mio. Tokens** | 0,004 $                    |
| **Output / 1 Mio. Tokens**       | 0,50 $                     |

## LongCat-2.5 mit Open Weights und günstigen Coding-Runden

Mit [*LongCat-2.5*](https://longcat.ai/blog/longcat-2.5/?ref=t01.li) spiele ich gerade selbst herum. Das Modell läuft bei mir in [*Pi*](https://pi.dev/?ref=t01.li) und darf die [Website für LogCarve](https://logcarve.com/?ref=t01.li) bauen, zumindest alles Technische drumherum.

Meituan hat den Nachfolger von [*LongCat-2.0*](https://t01.li/ai-shorts/ai-picks-der-28-kw/#longcat-20) auf längere Agentenläufe und Coding-Aufgaben über ganze Projekte hinweg ausgelegt. Das multimodale [MoE](https://t01.li/glossar/#moe)\-Modell verarbeitet neben Text auch Bilder und Videos, Reasoning lässt sich ein- und ausschalten. Am 9\. November hat Meituan [die Weights nachgereicht](https://x.com/Meituan%5FLongCat/status/2119793531393040462?ref=t01.li), sie liegen auf [Hugging Face](https://huggingface.co/meituan-longcat/LongCat-2.5?ref=t01.li) unter MIT-Lizenz. Bei 1,6 Billionen Parametern ist Self-Hosting eher was für Leute mit einem richtig großen Serverraum und ordentlich Dampf unterm Blech.

Die offiziellen API-Preise sind als zeitlich begrenzte Aktionspreise ausgewiesen (Stand 11\. November). Gerade der niedrige Cache-Preis macht das Modell für längere Coding-Sessions interessant.  
  
Zum Beispiel nutze ich im Moment ein 50M Token-Paket für 1,90 $ plus noch mal 10M Token als Geschenk-Guthaben obendrauf.

Bei den Benchmarks erzählt Meituan unter anderem etwas von 88,4 % auf Terminal-Bench 2.1 und 38,5 % auf Terminal-Bench 4.0, gegenüber 70,8 beziehungsweise 3,0 % beim Vorgänger. Die Werte kommen vom Hersteller, gemessen mit [*Claude Code* als Harness](https://huggingface.co/meituan-longcat/LongCat-2.5?ref=t01.li) und sind keine Ergebnisse aus meinem Pi-Setup. Bei Artificial Analysis ist Version 2.5 noch nicht gelistet. Die Zahlen liefern also erst einmal einen Anhaltspunkt und wie zuverlässig das Modell längere Aufgaben abarbeitet, schauen wir mal.

Mein Ersteindruck: In *Pi* verrennt sich LongCat bisweilen, dann muss ich die Session stoppen und das Modell kurz wieder anstupsen. Das ist mir in den bisherigen Runs dreimal passiert (round about 5 % aller Runs).

| Merkmal                          | LongCat-2.5                         |
| -------------------------------- | ----------------------------------- |
| **Architektur**                  | MoE                                 |
| **Parameter**                    | 1,6 Bio. gesamt / ca. 48 Mrd. aktiv |
| **Kontextfenster**               | 1 Mio. Tokens                       |
| **Input**                        | Text, Bilder, Videos                |
| **Output**                       | Text                                |
| **Input / 1 Mio. Tokens**        | 0,30 $                              |
| **Cached Input / 1 Mio. Tokens** | 0,006 $                             |
| **Output / 1 Mio. Tokens**       | 1,20 $                              |

## Nex-N2.6: Open Weights für Computer Use und Coding

Bei Nex AGI ist [*Nex-N2.6*](https://github.com/sii-nex/Nex-N2.6?ref=t01.li) hinten rausgefallen, ein multimodales Modell für Computer Use, Coding und längere Agentenläufe (das mit den langen Agent-Runs entwickelt sich so langsam zum Standard. Aber okay, das war beim Vorgänger ehrlicherweise auch schon so). Es basiert auf [*GLM-5.3-Flash*](https://t01.li/ai-shorts/ai-picks-der-35-kw/#glm-53-flash) und wurde für diese Aufgaben weitertrainiert. Die FP8-Gewichte stehen auf [Hugging Face](https://huggingface.co/nex-agi/Nex-N2.6?ref=t01.li) unter Apache 2.0 zum Download bereit.

Der Schwerpunkt liegt laut dem Lab auf weniger repetitivem Reasoning und einer saubereren [Tool-Auswahl](https://t01.li/glossar/#tool-calling). Beim erneuten Durchspielen bekannter Problemfälle sank die Rate wiederholter Gedankengänge gegenüber *Nex-N2.5-Pro* [von 16 auf 1,6 %](https://x.com/NexEcosystem/status/2120488867027636311?ref=t01.li). In der internen Tool-Auswertung verwendete das Modell ausschließlich angebotene Tools.

Einen ersten Gegencheck liefert [Plotlys eigener Datenanalyse-Benchmark](https://plotly.com/blog/nex-n2-6-plotly-data-analytics-bench/?ref=t01.li). Dort löste *Nex-N2.6* 38 von 43 Aufgaben, genauso viele wie sein Basismodell. Zwei Aufgaben gerieten allerdings in wiederholte Tool-Abfragen, die 70 Minuten beziehungsweise über zwei Stunden liefen und erst am Kontextlimit endeten. Diese beiden Schleifen verursachten rund 9,80 $ der gesamten 10,19 $ Testkosten, *GLM-5.3-Flash* kam für denselben Durchlauf mit 0,69 $ aus. Das ist eine andere Art von Wiederholung als die intern gemessenen Gedankenschleifen. Ein einzelner Durchlauf in einem speziellen Analytics-Harness erlaubt noch kein Gesamturteil (das schreibt Plotly übrigens selbst). Für längere Agentenläufe würde ich neben der Ergebnisqualität jedenfalls auch die Zahl der Tool-Runden messen.

| Merkmal                          | Nex-N2.6                     |
| -------------------------------- | ---------------------------- |
| **Basis / Parameter**            | GLM-5.3-Flash / ca. 321 Mrd. |
| **Kontextfenster**               | 262.144 Tokens               |
| **Input / Output**               | Text, Bilder, Videos / Text  |
| **Gewichte / Lizenz**            | FP8 / Apache 2.0             |
| **Input / 1 Mio. Tokens**        | 0,12 $                       |
| **Cached Input / 1 Mio. Tokens** | 0,024 $                      |
| **Output / 1 Mio. Tokens**       | 0,40 $                       |

Die Preise gelten bei [OpenRouter](https://openrouter.ai/nex-agi/nex-n2.6?ref=t01.li) mit 20 % Einführungsrabatt, Stand 12\. November.

## ERNIE 5.5 Flash Preview

Nach *ERNIE 5.5 Flash Base* folgt mit der [Preview](https://ernie.baidu.com/release/ernie-5-5-flash-preview/?ref=t01.li) die erste Version mit Post-Training. Baidu richtet sie auf Coding, längere Agentenaufgaben und die Arbeit mit Dokumenten aus. Verfügbar ist sie über die Qianfan-API und einen [kostenlosen Endpoint bei OpenRouter](https://openrouter.ai/baidu/ernie-5.5-flash-preview:free?ref=t01.li). Für den Einstieg braucht es damit keine eigene Serverfarm.

Zum Release zeigt Baidu unter anderem ein in elf Stunden gebautes Spiel in Unreal Engine 5.8, 3D-Arbeiten mit Blender und FreeCAD sowie erzeugte Reports und Tabellen. Das Modell arbeitet ausschließlich mit Text und steuert dafür externe Werkzeuge, auch vorhandene Assets fließen in die Demos ein. Weil es den Bildschirm nicht sieht, hat es Fehler aus den Playtests (etwa eine über dem Boden schwebende Spielfigur) in messbare Tests im Code übersetzt. Gezeigt werden komplette Agenten-Workflows im Setup des Herstellers. Gerade die 3D- und Video-Beispiele sollte man entsprechend als Leistung dieser Kombination lesen.

„Preview“ darf man hier wörtlich nehmen. Baidu bezeichnet das Modell als Zwischenstand des noch laufenden Post-Trainings und weist selbst darauf hin, dass manche Fähigkeiten noch hinterherhinken. Die Gewichte sollen unter Apache 2.0 folgen, laut [Baidu bis zum 25\. November](https://x.com/Baidu%5FInc/status/2120391732248637734?ref=t01.li). Der kostenlose API-Zugang ist bereits verfügbar.

| Merkmal                      | ERNIE 5.5 Flash Preview         |
| ---------------------------- | ------------------------------- |
| **Parameter gesamt / aktiv** | 280 Mrd. / 14 Mrd. pro Token    |
| **Kontextfenster**           | 1.024.000 Tokens bei OpenRouter |
| **Input / Output**           | Text / Text                     |
| **Tool Calling**             | Ja                              |
| **Input / 1 Mio. Tokens**    | 0 $                             |
| **Output / 1 Mio. Tokens**   | 0 $                             |

## Gemini 4 Hydrogen

Nach [*Gemini 4 Argon*](https://t01.li/ki-news/gemini-4-argon-benchmarks-preis-zugang/) und [*Carbon*](https://t01.li/ai-shorts/ki-picks-der-44-kw/#gemini-4-carbon) kommt jetzt [*Hydrogen*](https://blog.google/innovation-and-ai/technology/developers-tools/build-with-gemini-4-hydrogen/?ref=t01.li), das Google am 12\. November veröffentlicht hat. Ausgelegt ist es auf alltägliches Coding, Tool-Use und die Ausführung mehrstufiger Aufgaben. Entwickler kommen über die Gemini API in AI Studio und Android Studio dran, zahlende Abonnenten von Google AI Pro und Ultra auch in *Antigravity*. Parallel landet das Modell [weltweit in der Google-Suche](https://blog.google/products-and-platforms/products/search/gemini-4-hydrogen-search-upgrade/?ref=t01.li).

Für die Suche verbessert Google damit das bestehende Query Fan-out. Mehrteilige Fragen und konkrete Anforderungen sollen besser verstanden werden, die Suche recherchiert parallel zu einzelnen Teilfragen und soll dadurch eine breitere Auswahl relevanter Quellen erschließen. Dazu kommen mehr Bilder, Vergleichstabellen und eigens erzeugte interaktive Werkzeuge. Das gilt laut Ankündigung für alle unterstützten AI-Mode-Sprachen.

[Artificial Analysis](https://artificialanalysis.ai/models/releases/gemini-4-hydrogen?ref=t01.li) zeigt dann auch gleich, warum die [Denkstufe](https://t01.li/glossar/#reasoning-effort) zur Modellwahl gehört: 51 Punkte im Intelligence Index auf high, 54 auf xhigh. Die gewichteten Kosten pro Index-Aufgabe steigen dabei von 1,87 $ auf 3,16 $, also um rund 69 %. Das sind Durchschnittswerte aus dem Benchmark-Mix. Für eigene Coding- und Agenten-Workflows würde ich deshalb mit high anfangen und prüfen, bei welchen Aufgaben xhigh bessere Ergebnisse liefert.

| Merkmal                   | Gemini 4 Hydrogen                                               |
| ------------------------- | --------------------------------------------------------------- |
| **Eingabe / Ausgabe**     | Text, Bilder, Audio und Video / Text                            |
| **Kontextfenster**        | 1.048.576 Tokens, gemeinsam für Eingabe, Reasoning und Ausgabe  |
| **Denkstufen**            | low, medium, high als Standard, xhigh                           |
| **API: Eingabe**          | 1,50 $ pro Million Tokens                                       |
| **API: gecachte Eingabe** | 0,075 $ pro Million Tokens bei impliziten Cache-Treffern        |
| **API: Ausgabe**          | 7,50 $ pro Million Tokens, einschließlich Reasoning             |
| **Kostenlos testen**      | Rate-limitierter Free Tier in *AI Studio* und der *Gemini*\-API |

## Gemini Decision 1

Überraschung! Ratet mal, wer jetzt auch noch mit einem Decision-Modell um die Ecke kommt. Genau, am 11\. November hat Google [*Gemini Decision 1* samt Decisions API](https://x.com/Google/status/2120583966272983331?ref=t01.li) vorgestellt. Das Prinzip ist nicht neu und von [*Jev*](https://t01.li/ki-news/jev-typesafe-system-one-model-einordnung/) und Co. bekannt, OpenAI hatte seine [Decisions API](https://t01.li/ai-shorts/ki-picks-der-41-kw/#openai-decisions-api) schon im Oktober nachgeschoben.

Das Modell prüft eine gemeinsame Eingabe in einem einzigen Durchgang gegen bis zu 1.000 Fragen und liefert typisierte Antworten samt Wahrscheinlichkeiten, ganz ohne generierten Text. Die Grenzen stehen in der [API-Dokumentation](https://aistudio.google.com/docs/decisions-api?ref=t01.li). Die gemeinsame Eingabe wird pro Request nur einmal berechnet, hinzu kommen die jeweiligen Frageanweisungen und Bewertungskriterien. Output-Tokens werden keine berechnet. Zum Ausprobieren gibt es laut [Logan Kilpatrick](https://x.com/OfficialLoganK/status/2120581433639198885?ref=t01.li) ein kostenloses Kontingent in der API.

Bei [Artificial Analysis](https://x.com/ArtificialAnlys/status/2120582049522127205?ref=t01.li) erreicht das Modell 66 Punkte im Decision Index und liegt damit gleichauf mit *Elephant 9B* und *Jev 1.14*, sieben Punkte hinter der Spitze. Die über die Index-Aufgaben hochgerechneten Kosten liegen bei 345 $ pro Million Aufgaben, gut dreimal so viel wie beim Spitzenreiter *Drex Max v1.1* mit 103 $. Das sind Kosten für vollständige Testaufgaben, deren Umfang den Verbrauch bestimmt. Für die eigene Auswahl würde ich deshalb vor allem prüfen, wie gut das Modell die konkreten Routing- und Klassifikationsfälle trifft. Der Markenname nimmt einem das weiterhin nicht ab.

| Merkmal                       | Gemini Decision 1                          |
| ----------------------------- | ------------------------------------------ |
| **Kontextfenster**            | 262.144 Tokens                             |
| **Input**                     | Text, Bilder, Audio, Video, PDF            |
| **Fragetypen**                | Ja/Nein, Auswahl, Bewertung nach Kriterien |
| **Fragen pro Request**        | Bis zu 1.000, unabhängig voneinander       |
| **Optionen pro Auswahlfrage** | 2 bis 255                                  |
| **Input / 1 Mio. Tokens**     | 0,10 $                                     |
| **Output-Kosten**             | 0 $                                        |

## Antigravity spricht jetzt auch `/swarm` und testet im eingebauten Browser

Google hat am 10\. November [*Gemini 4 Carbon* in *Antigravity*](https://antigravity.google/blog/gemini-4-carbon-in-google-antigravity/?ref=t01.li) gebracht und gleich [/swarm](https://x.com/antigravity/status/2120279327589773639?ref=t01.li) dazugelegt. Mit dem neuen Befehl wird das Gespräch zum Koordinator eines Agententeams, das Aufgaben auf mehrere Worker verteilt und parallel in eigenen Git-Worktrees bearbeitet. Zusätzliche Prüfer kontrollieren Diffs und führen Tests aus. Die Abstimmung läuft über ein gemeinsames Message-Board, auf dem Aufgaben, Rückfragen und Ergebnisse für das ganze Team sichtbar bleiben.

Einzelne Rollen lassen sich unterschiedlichen Modellen zuweisen, etwa ein stärkeres Modell für die Prüfung und ein günstigeres für Routineänderungen. Google selbst schlägt *Carbon* für Koordination und Verifikation vor und *Argon* für die Worker. Über die Swarm-Ansicht lassen sich Nachrichten, Agenten und ihr Arbeitsstand verfolgen. `/swarm` ist laut [Doku](https://antigravity.google/docs/swarm?ref=t01.li) als Preview für Google AI Pro und Ultra verfügbar, jeweils in App und CLI. Google warnt selbst, dass ein Swarm das Kontingent deutlich schneller leert als ein einzelnes Gespräch (wer hätte es gedacht).

Dazu kommt der integrierte Browser-Agent. In der App kann man ihn per Auftrag oder `/browser` auf eine laufende Webanwendung ansetzen, etwa um ein Formular durchzuklicken oder die mobile Navigation zu prüfen. Er nimmt Screenshots auf, untersucht Konsolenfehler und fehlgeschlagene Netzwerkanfragen und kontrolliert Änderungen anschließend erneut im Browser. Mehrere Browser-Subagenten können parallel in eigenen Tabs arbeiten, man kann ihre Aktionen live verfolgen und jederzeit übernehmen. Eine separate Chrome-Einrichtung entfällt im integrierten Modus (bisher lief das über den Chrome-DevTools-Subagenten).

Dieser [Browser-Agent](https://antigravity.google/docs/browser/?ref=t01.li#browser-use) wird ab App-Version 2.30 für persönliche Google-Konten ausgerollt, einschließlich kostenloser Konten. Geschäftskonten und die CLI nutzen für die Browser-Steuerung weiterhin Chrome.

## Antigravity-App mit Update für Wissensarbeit

Google hat am 9\. November ein neues [„Knowledge Work“-Layout](https://antigravity.google/blog/antigravity-for-knowledge-work?ref=t01.li) für *Antigravity* veröffentlicht. Die App (das CLI bleibt außen vor) bekommt damit eine Oberfläche für Recherche, Datenanalysen, Dokumente und Präsentationen. Laut Google nutzen intern bereits Zehntausende Googler außerhalb der Softwareentwicklung das Werkzeug wöchentlich, etwa im Vertrieb, in der Rechtsabteilung oder im Marketing (eine ähnliche Meldung kam übrigens schon mal von OpenAI vor einiger Zeit für die Nutzung von *Codex*).

Im neuen View stehen die Chats im Vordergrund. Projekte arbeiten direkt in lokalen Ordnern, Git-Branch-Auswahl, Terminal und Code-Diffs werden ausgeblendet. Die Seitenleiste konzentriert sich auf Dokumente, erzeugte Dateien, Links und laufende Hintergrundaufgaben. Auch Freigabeanfragen bekommen Zusammenfassungen in verständlicher Sprache.

Im Hintergrund arbeitet derselbe Agent mit denselben Modellen, Plugins, Skills und [MCP](https://t01.li/glossar/#mcp)\-Anbindungen. Das ist nicht dumm, denn wer aus einem Ordner voller Unterlagen einen Report erstellen lassen will, freut sich über eine Oberfläche, die Dateien und Ergebnisse übersichtlich zeigt. Die Git-Branch-Auswahl kann für diesen Job gern in der Schublade bleiben.

Eine Einschränkung steht in der [Dokumentation](https://antigravity.google/docs/settings?ref=t01.li#interface-layout): Das Layout gibt es ab Version 2.30 nur für persönliche Google-Konten. Geschäfts- und Enterprise-Konten bleiben bei „Software Engineering“. Umschalten lässt sich der Spaß unter Settings → General → Interface Layout, die Änderung gilt sofort für offene und neue Gespräche, ohne Neustart.

## Claude Sheets, Whiteboards und interaktive Connectors

Anthropic hat am 10\. November [*Claude Sheets* und *Claude Whiteboards* als Beta](https://claude.com/blog/sheets-whiteboards-data?ref=t01.li) veröffentlicht und damit geraten einige kleine Zusatztools von Drittanbietern so langsam unter Erklärungsdruck (von Apple lernen heißt ja bekanntlich siegen lernen). *Claude Data*, bisher Dashboards, ist jetzt allgemein verfügbar. Die drei Angebote gehören zu den kostenpflichtigen Plänen und laufen im Web, auf dem Desktop sowie mobil.

In Sheets lassen sich mit Claude Tabellen erstellen und bearbeiten, inklusive mehrerer Tabellenblätter, Formeln und Dropdowns. Auf Whiteboards lassen sich Ideen sammeln, von Claude gruppieren und anschließend in ein Dokument oder eine Präsentation überführen. Data baut Auswertungen auf angebundenen Unternehmensdaten auf, etwa aus Snowflake oder Salesforce. Vom Datenteam freigegebene Definitionen sollen für einheitliche Kennzahlen sorgen – diese Funktion ist noch Beta, btw.

Auch die [interaktiven Connectors](https://claude.com/de/resources/articles/interactive-connectors-full-tool?ref=t01.li) werden ausgebaut. Unterstützte Anwendungen wie Notion oder Confluence öffnen ihren Editor neben dem Gespräch oder im Vollbild. Man kann darin selbst arbeiten und/oder Claude Änderungen vornehmen lassen. Über [MCP Apps](https://claude.com/docs/connectors/building/mcp-apps/getting-started?ref=t01.li) können Entwickler eigene Oberflächen und bestehende Websites einbetten, diese Erweiterungen sind als Public Preview verfügbar. Der Ausbau kommt mit der [neuen Claude-Oberfläche](https://t01.li/ai-shorts/ai-picks-der-38-kw/#claude-cowork-und-claude-sind-jetzt-eins) ins Web und auf den Desktop, auch für kostenlose Konten.

## Businesses in ChatGPT: Unternehmensprofile, Insights und eigene Agenten

OpenAI hat am 10\. November [Businesses in *ChatGPT*](https://openai.com/index/introducing-businesses-chatgpt/?ref=t01.li) als Beta hervorgezaubert. Über den Business Hub können Unternehmen ihr Profil beanspruchen, sich verifizieren lassen und Angaben zu ihrem Angebot pflegen. Händler können Produktfeeds mit Preisen und Verfügbarkeit hinterlegen. Damit bekommen Unternehmen einen direkten Weg, aktuelle Informationen für Antworten in *ChatGPT* bereitzustellen.

Fürs Marketing interessant sind die Insights mit aggregierten Erwähnungen, Website-Klicks und Themen, bei denen das Unternehmen genannt wird, jeweils über die vergangenen 28 Tage. Ein relevantes Detail aus der [OpenAI-Dokumentation](https://help.openai.com/en/articles/20001635-setting-up-your-business-on-chatgpt?ref=t01.li): Bei Online-Unternehmen zählt ein Verweis auf die Website als Erwähnung, der Markenname allein reicht nicht. Einzelne Prompts oder Gespräche bekommen Unternehmen nicht zu sehen, auch keine Chats mit ihrem eigenen Agenten. Bei zu wenig Aktivität bleiben Kennzahlen gegebenenfalls leer. Freigeschaltet werden die Insights erst nach einer Identitätsprüfung über Persona.

Dazu kommen Business Agents, zunächst nur für berechtigte E-Commerce- und Online-Dienstleistungsunternehmen in den USA. Nutzer können vom Unternehmensprofil aus ein gesondertes, gekennzeichnetes Gespräch starten und Fragen zu Produkten oder Konditionen stellen. Unternehmen können ihren Agenten auch als Ziel für ChatGPT Ads verwenden, bezahlte Platzierungen werden separat gekennzeichnet.

Das Beanspruchen eines Profils ist auch außerhalb der USA für berechtigte Unternehmen vorgesehen, abhängig von Standort, Branche und unterstützter Verifizierung. Ein Anzeigenkonto oder Enterprise-Vertrag ist dafür keine Voraussetzung. Lokale Geschäfte und Restaurants können derzeit nur bestehende US-Einträge beanspruchen.

Für den [GEO](https://t01.li/generative-engine-optimization-geo/)\-Trend relevant ist die Verbindung aus eigener Datenpflege und gemessenen Website-Verweisen. Wer bei der [KI-Sichtbarkeit](https://t01.li/geo-seo/ki-sichtbarkeit-kmu-was-wirklich-zaehlt/) bisher auf Tools von Drittanbietern angewiesen war, bekommt hier erstmals Zahlen direkt von der Plattform. Eine bessere Platzierung durch das Beanspruchen des Profils garantiert OpenAI allerdings ausdrücklich nicht.

## Jensen Huang geht, die Meme-Produktion läuft

Der versprochene Gossip hat inzwischen personelle Folgen. Nvidia hat am 12\. November den [sofortigen Rücktritt von Jensen Huang](https://www.sec.gov/Archives/edgar/data/0001045810/000104581026000082/nvidiaannouncesceotransiti.htm?ref=t01.li) bekanntgegeben. Er gibt seine Posten als President und CEO sowie seinen Sitz im Board auf. Finanzchefin Colette Kress übernimmt vorläufig die Unternehmensführung und bleibt zugleich CFO. Eine dauerhafte Nachfolge wird gesucht, neuer Chair des Boards ist Harvey C. Jones. Die Aktie gab [vorbörslich um mehr als 10 % nach](https://arstechnica.com/gadgets/2026/11/ceo-jensen-huangs-job-is-suddenly-on-the-line-at-nvidia/?ref=t01.li).

Hintergrund sind Berichte über eine Affäre mit einer früheren Managerin des Rechenzentrumsbetreibers Megaspeed aus Singapur, die US-Behörden laut einer Recherche der New York Times für eine chinesische Geheimdienstmitarbeiterin halten. Am 11\. November wurde zudem eine Beziehung zu einer Nvidia-Führungskraft bekannt. Huang selbst hatte schon am 8\. November in einer [Nachricht an die Belegschaft](https://nvidianews.nvidia.com/news/a-message-to-our-company?ref=t01.li) seine Untreue eingeräumt und sich bei seiner Familie entschuldigt. Die Spionagevorwürfe sind weiterhin Gegenstand von Untersuchungen.

[![Meme mit Nvidia-Chef Jensen Huang und Padme über das Testen chinesischer KI-Modelle wie DeepSeek.](https://t01.li/content/images/2026/11/huang-starwars.webp)](https://x.com/contextconor/status/2119991444891226510?ref=t01.li)

Am selben Tag erklärte das Board in einer [Stellungnahme](https://investor.nvidia.com/news/press-release-details/2026/Statement-from-NVIDIA-Board-of-Directors/?ref=t01.li), bislang keinen Grund zur Annahme zu haben, dass Firmengeheimnisse oder die nationale Sicherheit kompromittiert worden seien und sprach Huang sein Vertrauen aus. Mit der Untersuchung beauftragten die unabhängigen Board-Mitglieder [Joon H. Kim und die Kanzlei Wachtell, Lipton, Rosen & Katz](https://nvidianews.nvidia.com/news/statement-from-the-independent-members-of-the-nvidia-board?ref=t01.li), Kim war kommissarischer US-Bundesstaatsanwalt für den Southern District of New York. Vier Tage nach der Rückendeckung folgte die Rücktrittsmeldung. Eine bemerkenswert kurze Halbwertszeit.

[![Ein Meme zeigt Jensen Huang mit ablehnend mit dem Deepseek und kimi Logo und darunter zustimmend mit einer asiatischen Frau.](https://t01.li/content/images/2026/11/huang-models.webp)](https://x.com/chachaX72/status/2119869162566922579?ref=t01.li)

Die Meme-Abteilung auf X hat währenddessen reichlich Material und Human in the Loop bekommt gerade eine ungeplante Zusatzbedeutung.  
  
Das war's für diese Woche. Genießt vielleicht doch schon mal den ersten Glühwein und passt auf eure Modelle auf.