Milliardenbewertungen treffen auf sinkende Stückpreise

OpenAI hat laut Reuters unter Berufung auf eine informierte Quelle 11 Milliarden US-Dollar frisches Kapital bei einer Bewertung von 1,25 Billionen US-Dollar eingesammelt. Es handele sich um einen ersten Teil einer ursprünglich auf bis zu 30 Milliarden US-Dollar angelegten Runde; eine Primärbestätigung der konkreten Konditionen liegt im Recherchematerial nicht vor. Präsident Greg Brockman hält OpenAI zudem 2027 für möglicherweise börsenreif. Das ist kein angekündigter Börsentermin. Laut Reuters stammt inzwischen die Mehrheit des Umsatzes aus dem Unternehmensgeschäft.

Einen Gegenakzent liefern Ausgabendaten des Finanzsoftware-Anbieters Ramp: Nach einem Plus von 42 Prozent im Juli gegenüber dem Vormonat stiegen die Tokenausgaben über August und September zusammen nur um rund 1,5 Prozent, berichtet TechCrunch. Der Tokenverbrauch nahm demnach weiter zu. Ramp verweist auf günstigere Preise und verändertes Kundenverhalten: Unternehmen können mehr KI einsetzen, ohne proportional mehr auszugeben.

Die Einschränkungen sind wichtig: Die Wachstumswerte betreffen unterschiedlich lange Zeiträume, und Ramps Kundenbasis ist kein repräsentativer Querschnitt der Wirtschaft. Daraus lässt sich weder ein allgemeiner Nachfrageeinbruch noch OpenAIs eigene Umsatzentwicklung ableiten. Für die Bewertung von KI-Anbietern bleibt dennoch eine zentrale Frage: Wachsen Nutzung und Zahlungsbereitschaft gemeinsam – oder vor allem die Zahl der verarbeiteten Tokens?

OpenAI stellt mit GPT-6 Cyber eine auf autorisierte Sicherheitsarbeit zugeschnittene Variante von GPT-6 Astra vor. Zu den vorgesehenen Aufgaben gehören Schwachstellensuche, Exploit-Entwicklung und Web-Penetrationstests. Spezialisiertes Nachtraining soll laut System Card die Fähigkeiten verbessern und zugleich unnötige Ablehnungen legitimer Sicherheitsaufgaben reduzieren. Die behaupteten Fortschritte gegenüber GPT-5.6 Cyber stammen aus OpenAIs eigenen Evaluationen.

Der Zugang ist zunächst auf ausgewählte, geprüfte Kunden des Programms Daybreak Red begrenzt, laut The Register über API und Codex. Reuters berichtet außerdem von einer Einstufung als „Critical“ im Cybersicherheitsbereich nach OpenAIs Sicherheitsrahmen. Das ist eine Risikoeinstufung des Anbieters, kein unabhängiges Gütesiegel.

Technisch bleibt das klassische Dual-Use-Problem: Wer Schwachstellen zuverlässig aufspüren und ausnutzen kann, unterstützt sowohl Verteidiger als auch potenzielle Angreifer. OpenAI setzt deshalb nicht allein auf Ablehnungen im Modell, sondern auch auf Kundenauswahl und vereinbarte Einsatzgrenzen. Ob diese Kontrollen tragen, ist durch den Start noch nicht belegt. Für Sicherheitsteams zählen neben der Modellleistung die überprüfbare Einhaltung des Testumfangs und die praktische Verfügbarkeit – ein leistungsfähiges Werkzeug hilft wenig, wenn es entweder legitime Arbeit blockiert oder außerhalb des erlaubten Zielsystems arbeitet.

Dropbox hat vereinbart, Tigris Data für rund 350 Millionen US-Dollar in bar zu übernehmen. Der Abschluss wird im vierten Quartal 2026 erwartet; die Transaktion ist also noch nicht vollzogen. Tigris soll den Aufbau von DBX Agent Cloud beschleunigen, mit dem Dropbox Infrastruktur für KI-Entwickler und Agentenanwendungen anbieten will.

Den Anfang macht S3-kompatibler Objektspeicher. Die Kompatibilität erleichtert die Anbindung bestehender Werkzeuge, die diese verbreitete Speicherschnittstelle unterstützen. Tigris verspricht unveränderte Preise ohne Gebühren für ausgehenden Datenverkehr sowie die weitere Nutzbarkeit neben unterschiedlichen Cloud- und Rechenplattformen. Das sind Zusagen des Unternehmens, keine Garantie für die langfristige Produktpolitik nach der Übernahme. Dateisystem- und Inhaltsverarbeitungsfunktionen sollen später folgen.

Der strategische Schritt ist nachvollziehbar: Agenten brauchen nicht nur ein Modell, sondern Zugriff auf Dateien, Zwischenergebnisse und dauerhaft gespeicherte Arbeitsstände. Dropbox versucht, seine Speichererfahrung in ein Entwicklergeschäft zu übersetzen. Ob daraus ein wettbewerbsfähiges Angebot entsteht, entscheidet allerdings nicht das Agentenetikett, sondern das Zusammenspiel aus Kosten, Datenzugriff, Zuverlässigkeit und Integration. Ein günstiger Speicher allein ist noch keine vollständige Agentenplattform.

Ein Bild erkennen ist etwas anderes, als seine Details über eine längere Webrecherche hinweg korrekt weiterzuverwenden. Genau diese Lücke untersucht VisSearch-Bench. Der neue Forschungsbenchmark umfasst 204 von Menschen verfasste Aufgaben in fünf Kategorien. Gefragt sind unter anderem das Vergleichen visueller Kandidaten, mehrstufige Suchketten und das Zusammenführen von Bildinformationen mit externen Fakten.

Die Auswertung trennt vollständige Aufgabenerfüllung von korrekten Zwischenschritten. Unter 16 untersuchten multimodalen Modellen erreicht Kimi-K3 mit einem ReAct-Agentenansatz laut Autoren die höchste vollständige Lösungsquote: 26,47 Prozent. GPT-5.5 mit ReAct erzielt dagegen den besten Prozesswert von 49,52 Prozent. Die beiden Werte messen Unterschiedliches und sind nicht direkt gegeneinander aufzurechnen.

Das Ergebnis legt nahe, dass brauchbare Einzelfunde noch keine verlässliche Gesamtlösung ergeben. Es beweist allerdings keine allgemeine Erfolgsquote für visuelle Agenten: Aufgabenauswahl, Werkzeuge und Agentenaufbau prägen einen solchen Benchmark wesentlich. Als Prüfidee ist die Arbeit dennoch nützlich. Wer visuelle Recherche automatisieren will, sollte nicht nur Bilderkennung testen, sondern auch, ob das System Belege über mehrere Schritte korrekt zuordnet und am Ende sämtliche Anforderungen erfüllt.