Manche Devs arbeiten mit der Kommandozeile (auch Command Line Interface; CLI), weil sie sie lieben – andere, weil ihnen nichts anderes übrig bleibt. Egal zu welcher Kategorie Sie sich zählen: Diese neun CLI-Tools helfen Ihrer Produktivität und Effizienz (zusätzlich) auf die Sprünge.

tldr

Keine Angst, wir ersparen Ihnen an dieser Stelle eine langwierige, faszinative Abhandlung über die ganz eigene Magie, die die Unix-Shell entfaltet. Fakt ist: Wenn man mit ihr arbeiten will, ist es manchmal erforderlich, vorher ein Handbuch zu lesen. Unix Docs (auch man- oder manual pages) sind diesbezüglich allerdings ein zweischneidiges Schwert: Die benötigte Information ist vorhanden – es ist nur die Frage, wo. Den Teil der Dokumentation aufzuspüren, den Sie gerade benötigen, kann ein entmutigender Task sein. Zwar kann die gute alte Befehlszeile dabei helfen – um ein offizielles Handbuch aufzurufen, genügt:

$ man

Allerdings zeichnen sich man-pages vor allem durch ihre Informationsdichte aus – und die Tatsache, dass sie manchmal aktuelle Informationen für neuere Tools vermissen lassen. Das CLI-Tool tldr versetzt Sie in die Lage, zielgerichteter zu suchen:

$ tldr

Falls Sie npm installiert haben, ist die tldr-Installation nur einen kurzen Befehl entfernt:

npm install -g tldr

ngrok

Sobald Sie tldr installiert haben, können Sie damit viele weitere Befehle erkunden. Zum Beispiel:

$ tldr ngrok

Reverse proxy that creates a secure tunnel from a public endpoint to a locally running web service.

Mit ngrok eröffnet sich Ihnen eine stressfreie Möglichkeit, von einem Remote-Browser auf eine Entwicklungsmaschine zuzugreifen. Aber das Tool kann noch weit mehr. Sie können damit beispielsweise in der Cloud entwickeln und die Ergebnisse im Browser in Augenschein nehmen. Zudem können Sie mit ngrok auch schnell und einfach laufende Services über HTTPS veröffentlichen – ohne sich mit der Security-Infrastruktur herumschlagen zu müssen. Angenommen, Sie bauen einen Service Worker auf, der HTTPS benötigt, dann ist alles, was Sie für einen sicheren Kontext tun müssen, ngrok zu starten.

Ein Beispiel, bei dem der HTTP-Port 8080 freigegeben wird:

$ ngrok http 8080

Der ngrok-Output sieht wie folgt aus:

https://f951-34-67-117-59.ngrok-free.app -> http://localhost:8080

Anschließend kann jedermann die zugewiesene URL aufrufen (machen Sie sich keine Mühe).

screen

Mit diesem Befehlszeilen-Tool können Sie eine Shell-Sitzung mit oder ohne laufenden Prozess “beiseite legen” und sie anschließend zu einem beliebigen Zeitpunkt fortsetzen – auch wenn Sie die ursprüngliche Session beenden.

$ tldr screen

Hold a session open on a remote server. Manage multiple windows with a single SSH connection.

Nehmen wir an, Sie starten ngrok, um remote auf eine Webanwendung zuzugreifen: Sie starten den Prozess, lassen diesen dann in screen laufen und programmieren so lange etwas. Währenddessen läuft ngrok die ganze Zeit weiter – Sie können über screen jederzeit wieder darauf zugreifen. Veranschaulicht in Code würde das wie folgt aussehen:

$ screen

// Now we are in a new session

$ ngrok http 8080

// Now ngrok is running, exposing http port 8080

Type ctrl-a

// Now we are in screen's command mode

Type the "d" key, to "detach".

// Now you are back in the shell that you started in, while screen is running your ngrok command in the background:

$ screen -list

There is a screen on:

128861.pts-0.dev3 (04/25/24 14:36:58) (Detached)

Tipp

Wenn Sie eine laufende Sitzung, in der Sie sich gerade befinden, benennen wollen, nutzen Sie die Tastenkombination Strg + A und geben :sessionname ein. Das ist besonders nützlich, wenn Sie mit mehreren Screen-Instanzen arbeiten wollen.

Wenn wie im Beispiel nur eine screen-Instanz läuft, führt der Befehl $ screen -r (für “re-attach”) Sie zurück zu Ihrer ngrok-Sitzung. Im Fall mehrerer Screens können Sie diese mit Hilfe ihrer ID wieder aufrufen:

$ screen -r

Wenn Sie Ihre Session endgültig beenden wollen, beenden Sie ngrok mit Strg + C und geben anschließend exit in die Kommandozeile ein.

sdkman & nvm

Wenn Sie Java oder JavaScript auf einem Server verwenden, sollten Sie sich mit sdkman (für Java) und nvm (für Node) vertraut machen. Beide Kommandozeilen-Tools sind nützlich, wenn es darum geht, mit mehreren Programmiersprachenversionen auf dem selben Rechner zu jonglieren – und dabei sowohl Path Adjustment als auch Umgebungsvariablen überflüssig machen.

Mit sdkman können Sie beispielsweise neuere Java-Versionen erkunden und anschließend wieder zum aktuellen LTS-Release springen. Dieser Prozess wird durch das sdk-Kommando abstrahiert.

Zwischen den Versionen zu wechseln, gestaltet sich denkbar einfach – $ sdk use java 19-open führt Sie direkt zu JDK Version 19.

$ tldr sdk

Manage parallel versions of multiple Software Development Kits.

Supports Java, Groovy, Scala, Kotlin, Gradle, Maven, Vert.x and many others.

Die nvm-Utility funktioniert ganz ähnlich:

$ tldr nvm

Install, uninstall or switch between Node.js versions.

Supports version numbers like "12.8" or "v16.13.1", and labels like "stable", "system", etc.

fzf

Sowohl grep als auch find sind Standardbestandteile der Kommandozeilen-Befehlspalette. Allerdings sind beide Tools nicht so funktional, wie sie sein sollten. Das ruft fzf auf den Plan – einen “Fuzzy File Finder”. Mit “Fuzzy” ist dabei gemeint, dass die Details zu dem, was Sie suchen, nicht unbedingt klar definiert sein müssen. Ein Beispiel:

$ tldr fzf

Command-line fuzzy finder.

Similar to sk.

Sobald Sie fzf starten, indiziert das CLI-Tool umgehend das Dateisystem, um Ergebnisvorschläge für Ihre Suchen zu unterbreiten.

Aus 878.937 Möglichkeiten hat fzf die 25 Dateien und Verzeichnisse ausgewählt, die unseren Anforderungen entsprechen könnten – und das völlig ohne Umwege.

exa

Mit exa werden langweilige alte ls-Listings schöner und nützlicher:

$ tldr

A modern replacement for ls (List directory contents).

Für eine bessere Developer Experience ohne mentalen Overhead statten Sie ls einfach mit einem exa-Alias aus. Das Tool respektiert die meisten ls-Standardoptionen – exa -l funktioniert also (beispielsweise) genau so, wie Sie es erwarten würden.

bat

Die bat-Utility ähnelt dem cat-Tool – ist aber besser:

$ tldr bat

Print and concatenate files.

A cat clone with syntax highlighting and Git integration.

Es handelt sich hierbei im Wesentlichen um eine Komfort- beziehungsweise Developer-Experience-Optimierung – ähnlich wie im Fall von exa. Wenn Sie bat verwenden, erwartet Sie ein vollwertiger File Viewer – inklusive Title, Borders, Line Numbers und insbesondere einer hilfreichen Syntax-Highlighting-Funktion für Programmiersprachen oder Konfigurationsdateien. Dabei reagiert bat auf less/more-Befehle – und wird mit “q” beendet. Die Navigation erfolgt über die Pfeiltasten.

nethack

Ein absoluter Kommandozeilen-Klassiker ist nethack – der ursprüngliche, Konsolen-basierte ASCII Dungeon Crawler. Das CLI-Tool wird Ihre Produktivität zwar nicht direkt ankurbeln – kann aber durchaus dabei helfen, ein paar Minuten zur Ruhe zu kommen, um komplexe Dev-Probleme zu durchdringen.

Dieser Artikel ist im Original bei unserer Schwesterpublikation Infoworld.com erschienen.

Networking is core to any operating system, and when it comes to Linux, it’s actually a combination of several key components. The Linux kernel handles the data plane, moving packets, and holding live device state. NetworkManager is the network configuration service, operating as the control plane, deciding what a device’s configuration should be.

NetworkManager 1.58 was released this week, following more than five months of development and 407 commits since version 1.56. The release covers three areas: expanded support for IPv6-only networks, a set of Wi-Fi management updates, and a round of security hardening.

IPv4 address exhaustion remains the pressure behind the first of those areas, pushing more networks toward IPv6-only operation every year.

“More networks, mobile carriers, cloud providers, and anyone squeezed by IPv4 exhaustion are running IPv6-only by default,” Chris Van Hoof, director of Linux engineering, platform enablement at Red Hat, told Network World.

Advancing IPv6-only support

Dual stack networking, running IPv4 and IPv6 in parallel, has been the default IPv6 transition strategy for years. Dual stack networking, however, has a structural problem in that it still requires an IPv4 address on every device, so it does nothing to relieve address exhaustion pressure.

An alternative model called IPv6-mostly addresses that gap. It is defined in RFC 8925, “IPv6-Only-Preferred Option for DHCPv4,” and lets capable clients drop IPv4 entirely while legacy hosts that still need it keep receiving it on the same network segment.

“NetworkManager can also now auto-signal RFC 8925’s IPv6-only-preferred option, telling the network a host is fine skipping an IPv4 lease entirely,” Van Hoof said.

For the traffic that still needs IPv4, NetworkManager 1.58 adds support for CLAT, short for customer-side translator. CLAT is the client-side half of 464XLAT, a mechanism defined in RFC 6877, “464XLAT: Combination of Stateful and Stateless Translation.”

464XLAT pairs CLAT on the endpoint, which performs stateless header translation, with a stateful NAT64 translator on the provider side, letting IPv4-only apps keep functioning on a network that has no IPv4 of its own.

“CLAT is the translation layer that lets legacy IPv4-only apps and services keep working on those networks without bolt-on middleware,” Van Hoof said.

Wi-Fi management updates

NetworkManager 1.58 also brings a set of changes to how the daemon handles Wi-Fi connections and configuration.

• Band selection: The band property of Wi-Fi connections now accepts a 6GHz value, and a Wi-Fi scan run through nmcli, NetworkManager’s command line tool, now shows each access point’s band as well.
• Credential handling: WPS credentials with a 64 character hex PSK are now accepted, matching what some access points return.
• Text interface improvements: nmtui, NetworkManager’s menu driven text interface, picked up several usability additions. A new device select button lets you choose a physical interface from a list instead of typing its name. The activation screen gained a rescan Wi-Fi button, and secret prompts now include a show password checkbox. There is also a share QR code option, mirroring the existing nmcli device wifi show-password command.

Security hardening

The release fixes vulnerabilities and tightens several defaults tied to DHCP handling and connection permissions.

• CVE-2026-10805: Hostnames and MUD URLs are now validated before being written to the dhclient configuration file, rejecting characters that could alter the config syntax.
• DHCPv4 client fix: An out-of-bounds read in the internal DHCPv4 client, triggerable by an on-link attacker with a malformed UDP packet, has been fixed.
• Router option validation: The internal DHCPv4 client now ignores DHCP option 3, the Router option, when a lease also contains option 121, the Classless Static Route option, following the recommendation in RFC 3442.
• Permission checks and deprecations: For private connections that restrict access to specific users, NetworkManager now verifies that the user can access the referenced 802.1X certificates and keys.

Tunneling and automation updates

Two smaller but practical additions round out this release: a new tunnel type for virtualized networks, and a fix that closes a gap in how NetworkManager’s state survives a reboot.

NetworkManager 1.58 also adds support for creating and managing GENEVE tunnel interfaces. GENEVE, short for Generic Network Virtualization Encapsulation, is a tunneling protocol that wraps Ethernet frames inside UDP packets, letting virtualized or overlay networks run on top of physical Layer 3 infrastructure. It shows up mainly in virtualization and cloud environments, where a hypervisor or container networking layer needs to build a virtual network segment across physical hosts. Previously, NetworkManager could not create or manage these interfaces directly.

The release also adds persisted managed state. NetworkManager tracks whether it is responsible for a given network device, a setting called its managed state. Until now, that setting reset on every reboot, so provisioning tools had to reapply it each time a system restarted. NetworkManager 1.58 lets the managed state survive a reboot when it is set through nmcli or the D-Bus API.

“It’s a small change but closes a real automation gap: Provisioning tools and cloud-init style workflows can set a device’s state once via D-Bus or nmcli and trust it survives a reboot, instead of reapplying config every time,” Van Hoof said.

Der heimliche Cybercrime-Akt zweier KI-Modelle von OpenAI hat weltweit ein enormes Echo in Mainstream– und sozialen Medien hervorgerufen. Der Vorfall dürfte die Debatte über die allgemeine KI-Sicherheit und den verantwortungsvollen Umgang mit der Technologie neu befeuern.

Doch der Incident wirft auch spezifische Fragen auf. Etwa, wie genau die OpenAI-Modelle es geschafft haben, ihrer Sandbox zu entkommen und warum das beim ChatGPT-Erfinder zunächst niemandem aufgefallen ist. Oder, wie andere Unternehmen solche und ähnliche Vorkommnisse künftig verhindern können. Dazu haben wir die Einschätzung von Branchenexperten und Analysten eingeholt.

Zunächst werfen wir aber noch einen kurzen Blick darauf, was sich eigentlich abgespielt hat. Falls Sie bereits informiert sind, können Sie alternativ auch das nachfolgende Meme konsumieren, um sich den Vorfall noch einmal auf unkonventionellere Art und Weise vor Augen zu halten.

Der autonome Hugging-Face-Hack

Die KI-Plattform Hugging Face meldete Mitte Juli einen Cyberangriff auf ihre Produktions-Infrastruktur. Diese wurde offenbar vollständig autonom von einem agentenbasierten KI-System gefahren, das sich dabei sowohl Zugriff auf interne Datensätze als auch auf Zugangsdaten verschaffen konnte.  

Wie sich im Rahmen der folgenden Untersuchung herausstellte, stammte die autonom hackende KI von OpenAI. Eigentlich wollte der KI-Pionier lediglich zwei seiner neuen Modelle – GPT 5.6 Sol sowie ein nicht näher spezifiziertes Pre-Release-Modell – innerhalb einer Sandbox mit dem Benchmarking-Tool ExploitGym testen.

Die Aufgabe für die KI: Schwachstellen in tragfähige Exploits zu verwandeln. Die Testumgebung selbst war OpenAI zufolge mit beschränktem Netzwerkzugriff ausgestattet. Die KI sollte lediglich auf einen intern gehosteten Drittanbieter-Service zugreifen können, der als Proxy und Cache für eine Package-Registry fungierte. Die Guardrails auf Modellebene waren für den Test laut dem KI-Unternehmen reduziert worden.

Das war der KI aber offenbar nicht genug: Sie verkettete zunächst einige zuvor unbekannte Schwachstellen in der Testumgebung, um sich uneingeschränkten Internet-Zugriff zu verschaffen, wie OpenAI in einem Blogbeitrag offenlegt: „Mit diesem Zugriff führten unsere Modelle in unserer Forschungsumgebung eine Reihe von Privilege-Escalation- und Lateral-Movement-Aktionen aus, bis sie eine Node mit Internetzugang erreichten.“

Weil die OpenAI-Modelle bei Hugging Face offenbar Lösungen für ihre ExploitGym-Aufgaben vermuteten, suchten sie nach Möglichkeiten, Zugriff auf diese zu erhalten. Und fanden sie dann auch, wie OpenAI darlegt: „In einem Beispiel verkettete das Modell mehrere Angriffsvektoren, darunter gestohlene Zugangsdaten und Zero-Day-Schwachstellen, um auf den Servern von Hugging Face einen Remote-Execution-Pfad zu finden.“

Das Security-Team von OpenAI konnte diese Vorgänge im Nachgang identifizieren und schloss sich daraufhin mit dem Team von Hugging Face zusammen, welches die Attacke seinerseits bereits identifiziert und (mit einigen Anlaufschwierigkeiten) eingedämmt hatte.

„Wir betrachten dies als beispiellosen Cybervorfall mit hochentwickelten Fähigkeiten und reagieren entsprechend. Wir teilen zu diesem Zeitpunkt vorläufige Erkenntnisse, damit Sicherheitsverantwortliche nachvollziehen können, was passiert ist, und besser einschätzen können, wozu die Modelle inzwischen in der Lage sind“, schreibt OpenAI in seinem Blog – und verspricht, weitere Details zu veröffentlichen, sobald diese vorliegen.

KI-Ausbruch bei OpenAI – so reagieren Experten

Branchenexperten und Analysten bewerten den schlagzeilenträchtigen Incident um OpenAI und Hugging Face folgendermaßen:

• Alexei Balaganski, Lead Analyst bei KuppingerCole: „Dieser Vorfall sollte nicht als ‚Rogue AI‘-Geschichte betrachtet werden. Das Modell hat exakt das getan, wofür agentische Systeme gemacht sind: Es hat sich allen verfügbaren Tools und Wegen bedient, um das ihm gesetzte Ziel zu erreichen. Die Sicherheitsvorkehrungen, die es normalerweise in Zaum gehalten hätten, wurden von OpenAI selbst zu Testzwecken deaktiviert. Darin besteht die wahre Lektion.“
• Jonathan Care, Lead Analyst und AI Practice Lead bei KuppingerCole: „Es geht bei diesem Vorfall nicht darum, dass eine KI ausgebrochen ist und zum Angreifer wurde. Wir wussten, das würde passieren. Bemerkenswert ist allerdings, dass die Verteidiger – in diesem Fall das Team von Hugging Face – keine kommerziellen KI-Modelle nutzen konnten, um den Angriff zu analysieren. Denn deren Guardrails sorgen dafür, dass kein Exoploit-Code verarbeitet werden kann.“
• Gerald Beuchelt, CISO bei Acronis: „Der Vorfall verdeutlicht eine zentrale Herausforderung für Incident-Response-Teams: Angreifer sind nicht an Nutzungsrichtlinien gebunden. Verteidiger können hingegen an die Grenzen ihrer eigenen Tools stoßen, wenn diese genau jene Daten nicht verarbeiten, die für eine Untersuchung erforderlich sind. Im Ernstfall können daraus Verzögerungen mit unmittelbaren operativen Folgen entstehen.“
• Sabine Frömling, Experten-Autorin und Cybersecurity-Beraterin: „Der eigentliche Sicherheitsvorfall war nicht die KI – sondern die Sandbox, die aus Versehen eine Tür zum Internet hatte. Man hat ein Raubtier freigelassen und dem Zaun die Schuld gegeben.“
• Martin Zugec, Technical Solutions Director bei Bitdefender: „Was meiner Meinung nach für KI-generierte Malware galt, untermauert auch dieser Vorfall: Die Bedrohung ist real, KI ist aber keine Magie. Wer glaubt, es mit einer neuartigen Superwaffe zu tun zu haben, wartet auf eine neuartige Gegenmaßnahme. Wer jedoch erkennt, dass es sich um bereits bekannte, aber unerbittlich angewandte Angriffstechniken handelt, weiß bereits, was zu tun ist.“
• Richard Werner, Cybersecurity Platform Lead Europe bei TrendAI: „Das Narrativ von der ‚eigenmächtig handelnden KI‘ ist effizient darin, Verantwortung abzuwälzen. Das ist, als würden Sie eine autonome Waffe bauen, diese auf einem vermeintlich sicheren Testgelände erproben, sie außer Kontrolle geraten und jemanden treffen lassen – und der Welt anschließend erklären, die Waffe habe eigenständig gehandelt. Das ist zwar technisch korrekt. Dennoch bleibt es Ihre Waffe, Ihr Testgelände und Ihr Versagen.“

Was Unternehmen jetzt tun sollten

IT- und Sicherheitsentscheider können aus dem Hugging-Face-Hack mehrere Lektionen ziehen. Etwa, dass Sicherheitsvorkehrungen auf Modellebene nicht als primäre Security-Grenze für KI-Agenten geeignet sind, wie Biswajeet Mahapatra, Principal Analyst bei Forrester, festhält: „Prompt-Guardrails sind keine Sicherheits-, sondern Verhaltenskontrollmaßnahmen. Und diese können versagen, umgangen oder absichtlich deaktiviert werden.“

Der Forrester-Analyst rät Unternehmen deshalb dazu, KI-Agenten als hochriskante, nicht-menschliche Identitäten zu behandeln – und jeden einzelnen in einer isolierten Umgebung zu betreiben, in der Datenzugriff auf den jeweiligen Task beschränkt bleibt und die Zugangsdaten selbst möglichst schnell ablaufen: „Das sorgt für einen akzeptablen ‚Blast Radius‘: Wird ein Agent kompromittiert, kann er nur einen einzigen Workflow, Datensatz oder eine einzige Anwendung beeinträchtigen. Anstatt die gesamte Unternehmensinfrastruktur.“

Sanchit Vir Gogia, Chefanalyst bei Greyhound Research, warnt an dieser Stelle davor, (Drittanbieter-)Services unter den Tisch fallen zu lassen: „Dienste, die auf Package Registries, Update-Systeme oder andere externe Ressourcen zugreifen, können ebenfalls zu Einfallstoren werden, wenn sie nicht derselben, ausgiebigen Prüfung unterzogen werden wie der Agent selbst.“

Unabhängig davon sollten Unternehmen laut Gogia auch testen, ob ihre Containment-Grenzen auch funktionieren, anstatt sich allein auf Architekturdiagramme oder dokumentierte Richtlinien zu verlassen: „Im Rahmen dieser Tests sollte geprüft werden, ob Anmeldedaten erlangt, Trust-Grenzen überwunden und Systeme außerhalb der einem Agenten zugewiesenen Aufgabe erreicht werden können.“

KuppingerCole-Chefanalyst Care rät IT-Entscheidern und Unternehmen im Wesentlichen zu drei Maßnahmen, nämlich:

• ein fähiges Modell auf der eigenen Infrastruktur auszuführen, das unter der eigenen Kontrolle steht und mit Guardrails ausgestattet ist, die sowohl eine forensische als auch defensive Nutzung ermöglichen. Nur so ließen sich Angriffe dieser Art auch zuverlässig analysieren.
• jeden KI-Agent in der eigenen Umgebung als privilegierten Insider zu behandeln – statt als vertrauenswürdigen Benutzer: „Wenn die Modelle von OpenAI aus ihrer Sandbox ausgebrochen sind, sollten Sie davon ausgehen, dass Ihre Agenten dazu auch in der Lage sind.“
• den eigenen Incident-Response-Plan mit Blick auf Angriffe in maschineller Geschwindigkeit zu aktualisieren: „Hugging Face hatte einige Tage Zeit, um zu reagieren, Sie haben vielleicht nur Minuten.“   

Acronis-CISO Beuchelt rät Organisationen, die gehostete LLMs für Security-Untersuchungen einsetzen, dazu, deren Grenzen möglichst bereits im Vorfeld zu durchdringen und zu testen – sowie ein alternatives Modell auf der eigenen Infrastruktur bereitzuhalten: „So reduzieren Sie das Risiko, im entscheidenden Moment keinen Zugriff auf wichtige Analysefunktionen zu haben. Gleichzeitig bleiben sensible Incident-Daten und Zugangsinformationen innerhalb der eigenen Organisation.“

Udo Schneider, Governance, Risk & Compliance Lead Europe bei TrendAI weist darauf hin, dass die beiden naheliegendsten Lösungsansätze bei Angriffen wie dem der OpenAI-KI auf Hugging Face nur teilweise greifen. Human-in-the-Loop-Kontrollen funktionierten zwar, so der Experte, skalierten aber nicht für die langlaufenden, komplexen Workflows, denen Incidents dieser Art entspringen. Ebenso könnten engere Guardrails für Modelle oder Prompts zwar helfen, stellten jedoch keine Garantie dar: „Es handelt sich um probabilistische Systeme. Eine Guardrail ist insofern keine Mauer, sondern eher eine starke Wahrscheinlichkeitsannahme.“

Deshalb komme es laut Schneider vor allem auf die unspektakulären, nicht-KI-spezifischen Kontrollen an: „Zugriffsfilterung, Kontrolle darüber, was überhaupt als Input beim Modell ankommt, Sandboxes, die tatsächlich halten, und Berechtigungskonzepte nach dem Least-Privilege-Prinzip.“

In Panik zu verfallen, wäre nach Ansicht von Martin Zugec, Technical Solutions Director bei Bitdefender, in jedem Fall die falsche Reaktion:„Was gegen solche Angriffe wirkt, ist eine präventionsorientierte Security, die den Handlungsspielraum eines Angreifers von vorneherein einschränkt – und eine verhaltensbasierte Abwehr, die bösartige Muster kennzeichnet, unabhängig davon, mit welchen Tools diese generiert wurden.“

Dieser Artikel wurde mit Material unserer Schwesterpublikation CSOonline.com angereichert.

Ein Cyber Risk Assessment unterstützt dabei, potenzielle Bedrohungen und Schwachstellen für wichtige digitale und physische Unternehmens-Assets zu identifizieren, zu bewerten und zu priorisieren. Trotzdem stolpern in diesem Zusammenhang immer noch viele CISOs und Sicherheitsentscheider über Fallstricke, die sie daran hindern, ihre Risk-Assessment-Ziele vollumfänglich zu erreichen.

Welche das konkret sind und wie man sie gewissenhaft meidet, haben wir im Gespräch mit Security-Experten herausgefunden.

1. Einfach nur abhaken

Die wohl größte Falle im Zusammenhang mit Risk Assessments besteht darin, diese als Checkliste zu behandeln – statt als Entscheidungshilfe, die mit realem Business Impact oder Threat-Szenarien verknüpft ist. Shirsendu Mondal, Security-Forscher an der University of North Carolina, klärt auf: „Wenn sich Ihre Risikobewertung nur noch darum dreht, irgendwelche Kästchen abzuhaken, verlieren Sie die Fähigkeit, die tatsächlichen Risiken einer Umgebung zu Tage zu fördern. Das Ziel eines solchen Assessments sollte jedoch sein, aufzudecken, an welchen Stellen tatsächlich eine Gefährdungslage besteht.“ 

Der beste Weg, diese „Selbstzufriedenheits“-Falle zu umgehen, besteht laut dem Forscher darin, einen kontextorientierten Ansatz zu fahren: „Fragen Sie konkret danach, wo sich die betreffende Ressource befindet, wer darauf zugreifen kann, welche Daten sie berührt, wie wichtig sie für den Betrieb ist und was passiert, wenn sie ausfällt. Risiken sollten stets mit den geschäftlichen Auswirkungen korreliert werden – nicht bloß mit technischen Erkenntnissen.“

Eben, weil Risiken seiner Ansicht nach mehr sind als nur technische Probleme, empfiehlt Mondal Security-Entscheidern, andere Führungskräfte aus dem Unternehmen in das Security-Gefüge zu integrieren – etwa aus der IT und dem Betrieb.

2. Ergebnisse schönreden

Besonders in schwierigen Zeiten ist es das A und O, den Stakeholdern (und sich selbst) gegenüber ehrlich zu sein. Diese Auffassung vertritt auch Pablo Riboldi, CISO beim Softwareunternehmen BairesDev: „Wenn die Ergebnisse entmutigend sind, sollte man einfach zugeben, dass sich die Bedrohungslage deutlich schneller entwickelt hat, als über das bisherige Bewertungs-Framework abzusehen war.“

Anstatt einfach nur Schwachstellen-Listen zu übergeben, rät Riboldi dazu, konkrete Angriffsszenarien abzubilden: „Zum Beispiel, indem Sie die drei kritischsten Assets priorisieren und ein eingehendes Risk Assessment durchführen. So lässt sich auch ein unmittelbarer Mehrwert demonstrieren.“

3. Scope falsch einschätzen

Nicht wenige CISOs sichern Dokumentenkontrollen ab, haken Compliance-Checkboxen ab und erstellen ein Risikoregister, das den Eindruck vermittelt, dass alles in Ordnung ist. Der Schein trügt jedoch des Öfteren, wie Denis Calderone, CTO beim Sicherheitsdienstleister Suzu Labs, aus eigener Erfahrung weiß: „In solchen Fällen kommt es nicht selten vor, dass sich niemand die Mühe gemacht hat, zu testen, ob diese Kontrollen tatsächlich funktionieren. Oder, ob der Scope der Risikobewertung auch das abdeckt, worauf es wirklich ankommt.“

Der Technologieentscheider hat dazu auch ein Beispiel aus der Praxis auf Lager: „Wenn das Risk Assessment die Produktionsserver und das Unternehmensnetzwerk umfasst, der alte Dev-Rechner, ein Drittanbieter-Portal oder ein verwaister API-Endpunkt dabei aber außen vor bleiben, ist das ungünstig. Angreifer betrachten die gesamte Umgebung und finden genau den Einstiegspunkt, der zuvor als nicht bewertungswürdig erachtet wurde.“

Künstliche Intelligenz (KI) verschlimmere die Situation laut Calderone noch: Unternehmen setzten vielfach KI-Tools ein, verknüpften diese mit internen Systemen und gewährten ihnen Zugriff auf sensible Daten – ohne dass das in die Risikobewertung einfließe. Der Experte warnt: „Wenn Ihr Risk Assessment aufgesetzt wurde, bevor Ihr Unternehmen damit begonnen hat, KI in Workflows zu integrieren, ist es bereits veraltet.“

4. Annahmen nicht hinterfragen

Wenn sich die Zielsetzung einer Risikobewertung in Richtung „Hauptsache bestanden“ verschiebt, stellt das vielleicht Auditoren zufrieden. Die Unternehmensleitung könnte dadurch jedoch in die Irre geführt werden, wie Amit Basu, CIO und CISO beim Schifffahrtsunternehmen International Seaways, erklärt: „Führungskräfte und Vorstandsmitglieder sehen ein fertiges Risikoregister und gehen davon aus, dass das Unternehmen geschützt ist. Unterdessen bleiben echte Bedrohungen unberücksichtigt, weil sie nicht nahtlos in den Bewertungsrahmen passten. Dieser Fallstrick ist unsichtbar – er verbirgt sich hinter einem Dashboard.“

Nach Ansicht von Basu ist ein Risk Assessment nur so gut, wie die ihm zugrundeliegenden Annahmen: „Diese sollten Sie explizit dokumentieren und immer dann überprüfen, wenn sich das Business verändert, eine Bedrohungslage verschiebt oder ein Sicherheitsvorfall eine Lücke zu Tage fördert.“

Ein Risk Assessment, so der CISO, sei nicht als fertiges Produkt zu betrachten, sondern als lebendiger Beitrag zu einem fortlaufenden Dialog zwischen Security-Abteilung und Unternehmen.

5. Risiken nicht mit Impact verknüpfen

Probleme in den Hintergrund zu rücken oder herunterzuspielen, fällt deutlich leichter, wenn man den Zusammenhang zwischen Risiko und Business einfach ausblendet. Das erkennt auch Dan Moore, Senior Director of Strategy and Identity Standards beim CIAM-Spezialisten FusionAuth, an. Er warnt jedoch vor den Folgen dieses Gebarens: „So wird es sich diffizil gestalten, tatsächliche Risiken zu kommunizieren. Schlimmer noch: Es liefert den Mitgliedern des Security-Teams einen Vorwand, sich darüber zu beschweren, dass sie missverstanden oder nicht wertgeschätzt werden – und das beeinträchtigt die Effektivität des Teams.“

Der Manager erachtet es als wichtig, stattdessen konkret zu sein und zielgerichtet vorzugehen: „Verzichten Sie auf Angaben wie eine Patch-Compliance von 95 Prozent. Sprechen Sie stattdessen über das Risiko, das nicht gepatchte Systeme für das Unternehmen darstellen.“

Dabei seien manchen Systemen – etwa Legacy-Konstrukten, die nicht mit dem Internet verbunden sind – geringere Risiken inhärent als anderen, selbst wenn sie dieselben Patch-Probleme aufwiesen, meint Moore und empfiehlt, diese Tatsache anzuerkennen und die Reaktion entsprechend abzuwägen.  

6. Compliance mit Security verwechseln

„Compliance allein ist weder ein Garant für robuste Security, noch erfüllt sie die Mindestanforderungen für einen wirksamen Schutz“, hält Adriel Desautels, CEO der Security-Beratung Netragard, fest.

Unternehmen gerieten demnach besonders oft in diese Falle, wenn sie für Penetrationstests externe Firmen beauftragten, die sich auf Compliance konzentrieren und gleichzeitig „erstklassige Dienstleistungen“ versprechen. „In Wahrheit liefern diese oft automatisierte Scans, die als manuelle Tests getarnt sind“, meint Desautels.

Das Ergebnis sei ein falsches Sicherheitsgefühl, warnt der Manager: „Vergegenwärtigen Sie sich einfach, dass bei jedem größeren Sicherheitsvorfall der letzten zehn Jahre eine Organisation beteiligt war, die zum Zeitpunkt des Angriffs alle Compliance-Vorgaben erfüllt hatte.“

7. Risiken nicht vollständig verstehen

Unternehmen betrachten Risk Assessments oft als eine Art „Schwachstellenkatalogisierung“, bei der es darum geht, Lücken zu finden, Schweregrade zu erfassen und Audits zu bestehen. Letzteres heißt allerdings nicht, dass die Risiken auch verstanden wurden.

Geht es nach Safi Raza, Senior Director for Cybersecurity bei Fusion Risk Management, sollten sich CISOs darauf konzentrieren, technische Risikosignale mit betrieblichen Folgen zu verknüpfen: „Dazu muss man verstehen, welche Services betroffen sind, wie sich Störungen ausbreiten und was das für den Umsatz, die Kunden oder regulatorische Verpflichtungen bedeutet.“

Der Experte rät in diesem Zusammenhang dazu, zunächst von statischen Bewertungen zu einer kontinuierlichen, kontextbezogenen Risikotransparenz überzugehen, um sicherzustellen, dass Risiken nicht nur technisch verstanden werden.“ (fm)

Dieser Artikel ist im Original bei unserer Schwesterpublikation CSOonline.com erschienen.

Es würde mich nicht wundern, wenn Ihnen dieses Szenario bekannt vorkommt. Denn Situationen wie diese sind keine Ausnahme. Laut der Trovarit-Studie „ERP in der Praxis 2024/25“, für die über 1.700 DACH-Unternehmen befragt wurden, nimmt eine typische ERP-Einführung im Mittelstand zwischen zehn und dreizehn Monaten in Anspruch. Parallel werden in mehr als der Hälfte der Projekte Zeit- oder Budgetziele nicht eingehalten. Die Implementierungskosten pro Nutzer liegen demnach bei durchschnittlich 5.917 Euro, wobei Schulung, Datenmigration und Anpassung 50 bis 70 Prozent der Gesamtkosten ausmachen – nicht die Lizenz.

Für einen Konzern mit 800 Mitarbeitern, SAP-Legacy und drei Produktionsstandorten sind das keine Schreckenszahlen. Für einen Immobilienmakler mit 40 Mitarbeitern, der seine Angebote automatisiert versenden will oder einen Steuerberater, der Mandantenpost automatisch klassifizieren möchte, durchaus. Diese Mittelständler brauchen kein ERP-Projekt, sondern im Wesentlichen drei funktionierende Workflows.

Das Low-Code-Versprechen – und die KMU-Praxis

Low-Code– und KI-Automatisierungsplattformen wie n8n oder Make.com versprechen, die Lücke zwischen ERP-Großprojekt und Stillstand aufzulösen. Dabei ist anzumerken, dass beide Plattformen keinen Ersatz für ein ERP darstellen: Sie substituieren keine Stücklisten-Verwaltung, keine mehrstufige Fertigungsplanung und keine IFRS-Konsolidierung. Dafür ist weiterhin ein ERP nötig.

Aber Plattformen wie die beiden genannten stellen Verbindungen zwischen Systemen her, die keine native Schnittstelle haben. Entscheidungen automatisieren, die nach klaren Regeln getroffen werden und Workflows bauen, die bisher über E-Mail, Excel-Export und Telefonanruf abgewickelt werden – das sind für den deutschen Mittelstand oft genau die Prozesse, die täglich die meiste Zeit kosten und zugleich selten im ERP verortet sind. Vielmehr sitzen diese in Outlook-Ordnern, in freigegebenen Tabellenblättern und in den Routinen von Mitarbeitern, die „das schon immer so machen”.

Das KfW-Mittelstandspanel vom Februar 2026 (PDF) stellt fest, dass 20 Prozent der mittelständischen Unternehmen in Deutschland KI einsetzen – fünfmal mehr als noch im Jahr 2018. Bei Unternehmen mit über 50 Mitarbeitern liegt die Quote bereits bei 36 Prozent. KI ist im Mittelstand also angekommen. Die Frage ist nur, in welcher Form. Hier hilft ein Blick auf die KPMG-Studie „Digitalisierung im Rechnungswesen 2025/2026“. Demnach:

• setzen 53 Prozent der Befragten KI in der Buchhaltung ein oder befinden sich gerade in der Einführungsphase.
• berichten 37 Prozent dadurch von sofortigen Zeiteinsparungen bei transaktionalen Prozessen.

Was diese Studien allerdings nicht zeigen, ist der Implementierungsaufwand. Und genau hier liegt der große Unterschied zwischen dem KI-Einsatz per Low-Code und einem ERP-Einführungsprojekt. Das verdeutlichen die folgenden drei Anwendungsfälle für KMU im Bereich KI und Low-Code. Diese sind dazu geeignet, innerhalb von Wochen (statt Monaten oder Jahren) Ergebnisse zu liefern:

• Rechnungseingang: PDF-Rechnungen oder XRechnung-Dokumente entgegennehmen, relevante Felder per KI extrahieren und gegen ERP-Stammdaten prüfen oder vorkontierte Buchungsvorschläge generieren – was früher ein Buchhalter täglich in Stunden manuell erledigte, kann heute als Hintergrundprozess laufen. Dabei werden Fehler weiterhin von Menschen überprüft, statt automatisch in die Buchung zu laufen. Die typische Implementierungszeit hierfür liegt (in überschaubaren Setups) bei zwei bis vier Wochen.
• Angebotsmanagement: Eine Kundenanfrage geht per E-Mail ein, KI extrahiert den Leistungsumfang, prüft gegen Preislisten, generiert einen Angebotsentwurf und leitet ihn zur Freigabe an einen Sachbearbeiter weiter. Der Kunde bekommt sein Angebot schneller, die Bearbeitung kostet weniger Zeit. Dabei ist kein ERP-Modul beteiligt – und es fällt keine siebenstellige Projektsumme an.
• Mandantenpost bei Steuerberatern: Eingehende Dokumente werden nach Typ und Dringlichkeit klassifiziert und Zuständigkeiten zugewiesen. Was in Kanzleien mit hohem Postaufkommen täglich zu Engpässen führt, lässt sich so als regelbasierter Workflow abbilden – ganz ohne großes DATEV-Einführungsprojekt.

Woran Low-Code und KI scheitern – und wie Sie das verhindern

Das größte operative Risiko bei Low-Code-Projekten ist Schatten-IT, beziehungsweise -KI. So hat der Digitalverband Bitkom in einer Befragung vom Oktober 2025 herausgefunden, dass 17 Prozent der Umfrageteilnehmer davon ausgehen, dass ihre Mitarbeiter KI-Tools über private Accounts dienstlich nutzen. Bei weiteren 17 Prozent gab es diesbezüglich vereinzelte Fälle – und bei acht Prozent ist dieses Gebaren weit verbreitet. Sind in einem solchen Fall Kundendaten im Spiel, handelt es sich um einen DSGVO-Verstoß ohne Auftragsverarbeitungsvertrag als Grundlage. Insofern braucht eine Low-Code-Strategie klare Nutzungsrichtlinien – ansonsten tauscht man ein ERP-Risiko gegen ein Compliance-Risiko, was eher kein Fortschritt wäre.

Darüber hinaus können Low-Code-Plattformen bei hochspezialisierten Logikstrukturen (mehrstufige Produktionsplanung, Konzernkonsolidierung, ISO-zertifizierte Auditpfade) an strukturelle Grenzen stoßen. Und: Der Vendor Lock-in ist real – proprietäre Plattformen lassen sich schlecht migrieren. Hier haben Open-Source- und Self-Hosting-Lösungen einen strukturellen Vorteil. Allerdings ist auch das kein Garant dafür, dass Abhängigkeiten künftig ausbleiben.

Vor diesem Hintergrund empfehle ich Mittelständlern, sich an den folgenden drei Schritten zu orientieren, um ihre Low-Code-KI-Ambitionen nachhaltig zu verwirklichen.

1. Pilotprozess nach harten Kriterien wählen: Der erste Kandidat sollte vier Kriterien gleichzeitig erfüllen: hohes Volumen, klare fachliche Regeln, keinen schreibenden Zugriff auf das ERP in der ersten Ausbaustufe, und einen Verantwortlichen, der den Prozess heute schon im Detail kennt. Die Bereiche Rechnungseingang und Angebotsvorbereitungerfüllen diese Voraussetzungen fast immer. Ein Prozess, der gleichzeitig produktionskritisch und schlecht dokumentiert ist, hingegen fast nie. Wer an dieser Stelle den falschen Piloten wählt, muss damit rechnen, dass die Akzeptanz bei einem zweiten Versuch deutlich geringer ist.
2. Datenschutz vor dem ersten Workflow klären: Ein Auftragsverarbeitungsvertrag mit dem Modellanbieter ist eine Sache, die vor dem Produktivstart stehen sollte, nicht in der Nachbereitung. Diese Prüfung muss auch mit Blick auf die Low-Code-Plattform selbst erfolgen, nicht nur das Sprachmodell dahinter. Wer hier sauber arbeitet, nimmt der eingangs beschriebenen Schatten-IT-Problematik die Grundlage: Wenn die offizielle Lösung schneller einsatzbereit ist als die inoffizielle, greifen Mitarbeiter auch seltener auf private KI-Accounts zurück.
3. Skalierungsgrenze vorab definieren: Legen Sie fest, ab welchem Komplexitätsgrad ein Prozess zurück auf die ERP-Roadmap wandert, bevor Sie ihn brauchen. Diese Grenze nachträglich einzuziehen, kostet – inmitten eines gewachsenen Workflows mit zwölf Verzweigungen – mehr Zeit als die ursprüngliche ERP-Entscheidung eingespart hat. Ein einfaches Signal funktioniert in der Praxis gut: Sobald ein Workflow mehr als drei verschachtelte Bedingungen benötigt, um eine einzelne Entscheidung abzubilden, sollte die Logik überprüft – nicht erweitert – werden.

Der eigentliche Nutzwert für KMU

Sechs Monate weniger Implementierungszeit bedeutet nicht nur sechs Monate früher produktiv sein zu können. Es bedeutet:

• Ergebnisse demonstrieren zu können, bevor das ERP-Budget freigegeben ist.
• Prozesse testen zu können, bevor sie skaliert werden.
• Scheitern zu können, weil es um einen Workflow für 4.000 Euro und nicht um ein Projekt für 200.000 Euro geht.

Ihr ERP-Projekt darf ruhig auf der Roadmap bleiben. Aber für die nächsten zwölf Monate gibt es meistens einen schnelleren Weg. (fm)

Dieser Beitrag wurde im Rahmen des deutschsprachigen Experten-Netzwerks von Foundry veröffentlicht. Lust mitzumachen? Jetzt bewerben!

Im Dev-Umfeld verschwimmt die Grenze zwischen Programmieren und Prompten schon seit einigen Jahren. Auf die Spitze getrieben wird diese Entwicklung vom Vibe-Coding-Trend: Frühe KI-Entwickler-Tools wie GitHub Copilot waren vornehmlich darauf ausgelegt, Devs zu unterstützen. Etwa, indem sie Funktionen und Syntax ergänzten oder Boilerplate-Code aus Kommentaren generierten. Kommt ein Vibe-Coding-Ansatz zum Zug, beginnen menschliche Entwickler hingegen gar nicht erst damit, Code zu schreiben.

Dieses Konzept führt nicht nur zu veränderten Workflows, sondern erfordert auch, ein neues Mindset. Schließlich wird die Programmierarbeit mit Vibe Coding eher zu einer Art Live-Prototyping. In diesem Artikel lesen Sie:

• warum Vibe Coding Vibe Coding heißt,
• inwieweit sich dieser Ansatz für Unternehmen eignet,
• wie Vibe-Coding-Workflows konkret aussehen (können),
• welche Tools in diesem Bereich zu empfehlen sind,
• welche Risiken Sie dabei auf dem Schirm haben sollten, sowie
• Tipps dazu, wie Sie Vibe Coding effektiv in der Praxis umsetzen.

Vibe Coding – Begriffsdefinition

Der Begriff Vibe Coding wurde Anfang 2025 vom OpenAI-Mitbegründer Andrej Karpathy geprägt. Der KI-Experte trat den Trend mit einem Post auf dem Kurznachrichtendienst X los.

There's a new kind of coding I call "vibe coding", where you fully give in to the vibes, embrace exponentials, and forget that the code even exists. It's possible because the LLMs (e.g. Cursor Composer w Sonnet) are getting too good. Also I just talk to Composer with SuperWhisper…

— Andrej Karpathy (@karpathy) February 2, 2025

In diesem beschreibt Karpathy die Vibe-Coding-Methodik als eine neue Coding-Form, bei der man sich ganz den “Vibes” hingibt und vergisst, dass der Code überhaupt existiert. Amy Mortlock, Vice President of Marketing beim OSINT-Spezialisten ShadowDragon, erklärt das Konzept etwas weniger kryptisch: “Beim Vibe Coding beschreibt man in natürlicher Sprache, was man möchte, und die KI generiert dann die gesamte Anwendung und kümmert sich um alle technischen Details.”

Vibe Coding setzt also darauf, die traditionelle Programmierarbeit durch dialogorientierte Anweisungen und Kooperation mit einem KI-Assistenten zu ersetzen. Statt detaillierte Spezifikationen zu entwerfen und diese an die Engineers weiterzugeben, können Produktmanager, Fachexperten – oder jeder andere, der eine Idee hat – in einfacher Sprache beschreiben, wie das Ergebnis aussehen soll. Die KI-Software erledigt dem Rest in Echtzeit. Allerdings geht es dabei weniger darum, die Softwareentwicklung durchgängig zu automatisieren.

Vielmehr stehen Mindset-Veränderungen im Fokus: Warum sollte man nicht der KI die Mechanik überlassen und sich stattdessen auf die Ausrichtung, das Feedback, den Flow und die “Vibes” konzentrieren? Schließlich werden die Modelle, die Tools wie Cursor oder GitHub Copilot zugrunde liegen, immer performanter. Deswegen sehen auch viele Developer ihre Arbeit inzwischen vorwiegend als einen Dialog mit der KI – statt sich zeilenweise selbst durch Syntax zu wühlen.

Und obwohl auch bei einem Vibe-Coding-Ansatz diverse Probleme und Herausforderungen auf den Plan treten können (dazu später mehr): Die Technik gewinnt zunehmend an Popularität – auch im Unternehmensumfeld.

Vibe Coding im Unternehmen

Wie das in der Praxis konkret aussieht, beschreibt Charles Ma, Softwareentwickler beim Observability-Spezialisten Chronosphere: “Viele unserer Entwickler nutzen Tools wie Cursor und Claude Code. Wir fördern deren Einsatz sogar über ein Nutzungs-Leaderboard. Dabei betrachten wir die Tools jedoch als Assistenten, nicht als Dev-Ersatz. Unser Code-Review-Prozess ist weiterhin Pflicht für jeden Produktionscode – und wir sehen eher davon ab, viele unserer oder gar externe Tools mit KI zu verbinden.”

In der Perspektive von Achint Agarwal, Vice President of Product beim KI-Anbieter Pramata, hat Vibe Coding vor allem die Art und Weise verändert, wie Teams vom Konzept zum Prototyp gelangen: “Früher mussten UI/UX-Designer und Entwickler zusammenarbeiten, um eine Idee in etwas zu verwandeln, mit dem Kunden interagieren konnten. Dieser Prozess konnte leicht mehrere Wochen dauern und diverse Überarbeitungsrunden umfassen.”

Heute, so Agarwal, könne ein Produktmanager oder Fachexperte einfach in natürlicher Sprache formulieren, was er sich vorstellt, und die KI generiere funktionierenden Code in Prototyp-Qualität. “Bei dieser Veränderung geht es um mehr als nur Geschwindigkeit: Auch die Qualität der Ergebnisse ist besser, weil die Person, die den Anforderungen am nächsten steht, während des gesamten Prozesses die Kontrolle behält und es keine Reibungsverluste durch Übergaben gibt”, fügt der Manager hinzu.

Auch Agarwal sieht in Vibe Coding kein Substitut für die traditionelle Softwareentwicklung, sondern vor allem ein Explorations- und Validierungs-Tool: “Dev-Teams ist es damit möglich, in kurzer Zeit funktionierende Prototypen zu erstellen, diese mit Kunden zu testen und zu überprüfen, ob die Idee sinnvoll ist. Fällt diese Prüfung positiv aus, kann der Prototyp an die Engineers gehen, die ihn mit Blick auf Skalierbarkeit, Sicherheit und langfristige Integrationen weiter ausbauen.”

Wie sieht ein Vibe-Coding-Workflow aus?

Es gibt keine allgemeingültige Blaupause für Vibe Coding. Entsprechend gehen auch die Ansichten darüber auseinander, wie ein typischer Vibe-Coding-Workflow aussieht. Kostas Pardalis, Data Infrastructure Engineer beim KI-Lösungsanbieter Typedef, beschreibt diesen als agilen, vierstufigen Prozess:

• die Erkundungsphase, in der der “Vibe”, der Zweck und die Einschränkungen definiert werden.
• die Gestaltungsphase, in der ein funktionierender Prototyp erstellt und verfeinert wird.
• die Grounding-Phase, die genutzt wird, um Struktur und Datenintegrität hinzuzufügen.
• die Operationalisierungsphase, in der Versionierung, Evaluierung und Governance hinzukommen.

Steve Croce, Field CTO beim Open-Source-Unternehmen Anaconda, steht hingegen auf dem Standpunkt, dass der Vibe-Coding-Workflow davon abhängig ist, ob ein Prototyp, eine Zwischenlösung oder eine vollständige Produktionsapplikation entwickelt werden soll. Basierend darauf, orientiert sich der Vibe-Coding-Workflow in der Vision des Technologieentscheiders eher am traditionellen Software Development Lifecycle – fußt jedoch ebenfalls auf vier Stufen:

• In der Phase der Planungs- und Anforderungsanalyse könnten Produktmanager und UX-Teams demnach voll und ganz auf Vibe Coding setzen und so vor der formellen Entwicklung klickbare Prototypen und Machbarkeitstests erstellen.
• Im Rahmen der Design-Phase kann KI laut Croce dabei unterstützen, Architekturen und Dokumentationen zu erstellen. Der Manager weist allerdings darauf hin, dass es in dieser Phase auch hilfreich sein könne, erfahrene Engineers oder Architekten hinzuziehen, um die Einhaltung von Standards und die Reusability interner Systeme zu gewährleisten.
• Als Kernbereich der Vibe-Coding-Experience sieht Croce die Implementierungs- und Testphase: Ein KI-Agent könne an dieser Stelle die gesamte Anwendung erstellen und darüber hinaus auch Repositories strukturieren und Tests durchführen. Der Experte rät Unternehmens-Teams jedoch mit Blick auf die Testabdeckung und Konformitätsprüfungen auch in dieser Phase dazu, menschliche Profis hinzuzuziehen.
• In der Bereitstellungs- und Wartungsphase könne KI laut dem CTO dazu genutzt werden, Apps bereitzustellen und zu warten. Dieser Part könne jedoch auch vollständig außerhalb der Vibe-Coding-Erfahrung abgewickelt werden, um den Unternehmensanforderungen zu entsprechen, so Croce.

Empfehlenswerte Vibe-Coding-Tools

Vibe-Coding-Tools decken ein breites Spektrum ab: Vom leicht zugänglichen, dialogorientierten Builder für nicht-technische Teams, bis hin zu integrierten Entwicklungsumgebungen (IDEs), die Engineers umfassende Kontrollmöglichkeiten bieten und zuverlässige Anwendungen gewährleisten. Die Wahl des richtigen Tools hängt von den Fähigkeiten des Teams, dem Projektziel und dem benötigten Maß an Governance ab.

Eine kleine Auswahl empfehlenswerter Tools für Vibe-Coding-Zwecke:

• Cursor ist eine KI-integrierte IDE, mit der sich mehrere Dateien bearbeiten lassen.
• Replit ist eine gute Wahl für Browser-basierte Entwicklungsarbeit.
• Bolt und Lovable sind Builder, eignen sich vor allem für schnelles Brainstorming und zeichnen sich durch überschaubaren technischen Aufwand aus. Diese Tools sind daher auch für Einsteiger geeignet.
• Windsurf und Zed sind vollständige IDEs, die darauf ausgelegt sind, Vibe-Coding-Funktionen in traditionelle Dev-Umgebungen zu integrieren.

Diese Risiken birgt Vibe Coding

Trotz der genannten Vorteile birgt der Vibe-Coding-Ansatz auch diverse Risiken mit Blick auf die Wartbarkeit und Anfälligkeit der generierten Logik. So warnt etwa ShadowDragon-Managerin Mortlock: “Sicherheitslücken und technische Schulden sind die Hauptprobleme in Zusammenhang mit Vibe Coding. KI kann manchmal unsichere Pattern oder auch veraltete Bibliotheken einbinden.”

Zudem sei KI-generierter Code in den meisten Fällen auch länger, was das Debugging langwierig und mühsam gestalten könne, erklärt Mortlock. Sie fügt hinzu: “KI verweist unter Umständen auch auf nicht existierende Packages, was auch böswillige Akteure ausnutzen könnten. Was wie funktionierender Code aussieht, kann versteckte Fallen bergen.”

Charles Ma, Software Engineer beim Observability-Spezialisten Chronosphere, sieht ein weiteres Problem, das die Angriffsfläche potenziell vergrößert: “Selbst erfahrene Engineers können selbstzufrieden werden und dann Probleme übersehen, die ihnen sonst nicht entgangen wären. Sobald KI-Tools mit externen Systemen verbunden sind oder Websuchen durchführen, besteht außerdem das Risiko von Prompt Injections und Toolchain-Exploits.”

Infrastruktur-Profi Pardalis fokussiert mit Blick auf die Risiken von Vibe Coding vor allem die Bereiche Volatilität und Sichtbarkeit: Weil dieser Ansatz für schnelle Iterationen und Modellautonomie förderlich sei, bestünden die Hauptrisiken in unkontrollierter Variabilität und undurchsichtigen Quellen. Um diese Probleme zu bekämpfen, appelliert Pardalis für:

• Lineage Tracking: Jede Version wird committet und verwendet Frameworks mit integrierter Traceability.
• Evaluierungsschleifen: Qualitäts- und Regressionsprüfungen werden automatisiert durchgeführt.
• Governance-Layer: Prompt-Historien werden auditiert und sensible Daten gefiltert.

Der Engineering-Profi ist der Ansicht, dass eine expressive, modellgesteuerte Softwareentwicklung und eine deterministische Infrastruktur unter disziplinierten Rahmenbedingungen koexistieren können: “Letztendlich verspricht Vibe Coding kein Chaos, sondern strukturierte Kreativität. Sie entwickeln Ideen schnell, setzen sie aber sicher um. Mit anderen Worten: Freiheit am Anfang, Disziplin im weiteren Verlauf – so kann Vibe Coding tatsächlich in Produktionsumgebungen skaliert werden.”

6 Tipps für effektives Vibe Coding

Da Sie nun umfassend über alle Aspekte des Vibe-Coding-Ansatzes informiert sind, geben wir Ihnen abschließend noch ein paar Tipps an die Hand, um Ihre eigene Initiative erfolgreich umzusetzen. Diese haben wir aus unseren Gesprächen mit den im Artikel zitierten Spezialisten zum Thema extrahiert

• Beginnen Sie mit Zielen, nicht mit Funktionen: Beschreiben Sie zunächst die gewünschte User Experience und die wesentlichen Geschäftsprobleme, die mit der Initiative gelöst werden sollen. Dabei müssen Sie es nicht übertreiben und jeden Button oder Screen definieren – für relevante Lösungen ist es entscheidend, der KI so genau wie möglich zu beschreiben, was erreicht werden soll.
• Planen Sie voraus: Vibe Coding ist nicht in der Lage, eine gute Architektur zu ersetzen. Bevor Sie KI hinzuziehen, sollten Sie deshalb sicherstellen, dass Design und Spezifikationen stimmen. Das erleichtert es der KI, “Intent” in kohärente Systeme zu übersetzen.  
• Verstehen Sie KI als Partner: Es gilt, mit Vibe-Coding-Tools zu kollaborieren. Diese Werkzeuge brauchen Anleitung und ihre Ergebnisse müssen überprüft werden. Blindes Vertrauen kann an dieser Stelle kontraproduktiv sein. Sie sollten deshalb nicht zögern, die KI-generierte Logik in Frage zu stellen.
• Nutzen Sie Frameworks, Kontext und Beispiele: Etablierte Frameworks zu nutzen, erspart es Ihnen alles von Grund auf neu zu entwickeln. Die KI mit Beispielanwendungen zu füttern oder (vertrauenswürdige) MCP-Server hinzuzuziehen, um Kontext in größeren Projekten zu managen, kann ihre Fähigkeiten erweitern.  
• Halten Sie Menschen – und Security – im Loop: Setzen Sie auch bei Vibe- respektive KI-Coding-Tools auf das Least-Privilege-Prinzip – und Review-Prozesse. Engineering Best Practices anzuwenden, empfiehlt sich ebenfalls: Generieren Sie Tests, verifizieren Sie Funktionalitäten. Und betrachten Sie die Tools als Kreativitäts- und Produktivitäts-Support. Nicht als Substitut für Skills und Knowhow.
• Iterieren und verfeinern Sie: Nehmen Sie mit Blick auf Vibe Coding Abstand vom Streben nach Perfektion (auch wenn es Ihnen widerstrebt) und finden Sie sich möglichst frühzeitig mit unvollkommenen Ergebnissen ab. Tracken Sie Prompts, cachen Sie Checkpoints und verfeinern Sie die Ergebnisse – solange, bis der “Flow” zu einer zuverlässigen Funktionalität wird.

(fm)

Dieser Artikel ist im Original bei unserer Schwesterpublikation Infoworld.com erschienen.

Wenn ich in einer historisch gewachsenen Industrieanlage eine Bestandsaufnahme der Fernzugänge durchführe, begegnen mir immer wieder dieselben Artefakte:

• der VPN-Tunnel des Maschinenherstellers aus dem Projekt von vor acht Jahren,
• der Mobilfunkrouter im Schaltschrank, an dessen Bestellung sich niemand mehr erinnert oder
• das Fernwartungs-Tool auf der Engineering-Workstation, dessen Lizenz noch auf einen längst ausgeschiedenen Servicetechniker läuft.

Bislang habe ich Bestandsaufnahmen dieser Art in der Energiewirtschaft, der Fertigungsbranche und der Pharmaindustrie begleitet – und noch keine erlebt, die keinen vergessenen Zugang zutage gefördert hätte. Diese wurden nicht mit bösen Hintergedanken eingerichtet, sondern lösten einst ein reales Verfügbarkeitsproblem. Heute bieten sie allerdings unbeaufsichtigten Zugang zu Produktionssystemen.

In diesem Beitrag vermittle ich warum Zugänge dieser Art trotz aller Warnungen oft „überleben“ – und an welchem Punkt die Infrastrukturbetreiber ansetzen können, um das künftig zu ändern.

Darum überleben industrielle Hintertüren

Dass das eben beschriebene Szenario nicht bloß theoretischer Natur ist, lässt sich auch mit harten Zahlen unterfüttern: Laut dem aktuellen SANS-Whitepaper „State of ICS/OT Security“ (Download gegen Daten) bildeten nicht-autorisierte externe Zugriffe (häufig über Remote-Wartungskanäle für Dienstleister) den Startpunkt für rund 50 Prozent aller Sicherheitsvorfälle in Industrieumgebungen. Gleichzeitig fördert die Erhebung auch zutage, dass weniger als 15 Prozent der Infrastrukturbetreiber über robuste Remote-Access-Kontrollen verfügen.

Hinzu kommt noch regulatorischer Druck: Seit Anfang Dezember 2025 ist das NIS-2-Umsetzungsgesetz ohne Übergangsfrist in Kraft. Dieses verpflichtet rund 30.000 regulierte Organisationen in Deutschland ausdrücklich dazu, ihre Lieferketten abzusichern, Access-Control-Konzepte zu entwickeln und durchzusetzen sowie Multi-Faktor-Authentifizierung zu nutzen. Für die Umsetzung dieser Maßnahmen haftet die Geschäftsleitung persönlich. Ein Fernwartungszugang für Drittanbieter liegt in der Schnittmenge der genannten Pflichten – und ist damit kein Maintenance-Nischenthema mehr, sondern ein Prüfstein für Compliance.

Wenn ich die Verantwortlichen im Unternehmen ganz direkt frage, warum so ein Tunnel für Dienstleister immer noch offen ist, höre ich selten Ausreden. Genannt werden vor allem vier strukturelle Begründungen.  

• Die Gewährleistungskopplung: Viele Hersteller knüpfen Garantien – etwa bezüglich Reaktionszeiten – daran, dass ihre eigenen Standards für die Fernwartung genutzt werden.
• Die Machtasymmetrie: Ein einzelner Betreiber verhandelt mit einem globalen Maschinenbauer, dessen Servicebedingungen für Hunderte von Kunden identisch sind.
• Die Brownfield-Realität: Die Zugänge sind über Jahre in Einzelprojekten entstanden, die Verantwortung diffundiert zwischen Instandhaltung, IT und Einkauf – niemand fühlt sich zuständig.
• Die Verfügbarkeitslogik: Der offene Tunnel wirkt wie eine Versicherung gegen Stillstand. Das Cyberrisiko ist abstrakt, der Produktionsausfall konkret – und über die Kennzahlen des Werksleiters entscheidet der Ausfall, nicht das Audit.

Ein Absicherungskonzept, das diese Kräfte ignoriert, bleibt Papier. Deshalb ordne ich die Maßnahmen in meinen Projekten bewusst so an: Transparenz zuerst, dann Vertrag, Technik und schließlich Betrieb.

Industrielle Access-Hygiene in der Praxis

Dabei beginne ich mit einer Liste, die darüber Auskunft gibt, wer aktuell aus welchem Grund Zugriff über welchen Kanal hat und seit wann. Die Quellen sind dabei unspektakulär: Firewall-Regelwerke, VPN-Konten, externe Accounts im Verzeichnisdienst, Mobilfunkverbindungen in Schaltschränken, installierte Fernwartungs-Tools. Ergänzend kommen Gespräche mit der Instandhaltung dazu, denn ein erheblicher Teil der Zugänge existiert nur in Köpfen, nicht in Dokumenten. Im Ergebnis steht ein Zugangsregister mit Eigentümer, Zweck, Zugriffspfad und Befristung. Accounts für die sich kein interner Eigentümer findet, werden nach Ablauf einer definierten Einspruchsfrist abgeschaltet. Das betrifft im Regelfall einen zweistelligen Prozentsatz der bestehenden Zugänge. In diesen Fällen „kostet“ es also lediglich eine Abstimmungsrunde, um die Risiken zu reduzieren.

Für das was übrig bleibt, gilt der Grundsatz Anforderungen vor Zugang. Bevor ein solcher eingerichtet wird, müssen Leistungsumfang und Vertraulichkeit geregelt werden. Bei missionskritischen Zulieferern oder Dienstleistern sollten zudem zusätzlich Security-Anforderungen auch vertraglich festgelegt werden. Zwei Details machen dabei den Unterschied zwischen belastbaren und symbolischen Verträgen:

• eine Vererbungspflicht, die dem Lieferanten auferlegt, dieselben Sicherheitskontrollen an seine Subunternehmer weiterzureichen, bevor diese Zugriff erhalten, und
• ein definierter Ersatz für verweigerte Auditrechte, etwa unabhängige Prüfberichte, die der Dienstleister jährlich vorlegt. Statt eigene Kataloge zu erfinden, referenziere ich die IEC 62443-2-4, die genau diese Anforderungen an Service-Provider normiert.

Bei Richtlinienprüfungen werfe ich zuerst einen Blick auf ein unscheinbares Detail: das Modalverb. Denn in den Regelwerken, die ich in den vergangenen Jahren für Energie-, Industrie- und Pharmaunternehmen geprüft oder mitgeschrieben habe, definiert die Unterscheidung zwischen „muss“ und „sollte“, wie die Realität aussieht: Ist die Befristung externer Konten als Muss-Regel mit automatischem Ablauf formuliert, verfallen die Konten tatsächlich. Wird dieselbe Anforderung als Empfehlung mit Jahresfrist festgehalten, finden sich beim nächsten Audit dieselben Karteileichen wie bei dem zuvor. Oder anders formuliert: Im ersten Fall wirkt das Regelwerk, im zweiten ist es lediglich Dekoration.

An dieser Stelle begegnet mir immer wieder das hartnäckige Gegenargument, dass ohne den Standard-Remote-Zugang die Gewährleistung erlischt. Dieses Problem lässt sich in meiner Erfahrung auf drei verschiedene Weisen lösen:

• Verhandlungsfenster nutzen: Neubeschaffung, Retrofit und die Verlängerung von Serviceverträgen sind die Momente, in denen sich Anforderungen durchsetzen lassen.
• Rechtslage neu bewerten: Der Betreiber ist gesetzlich dazu verpflichtet, seine Lieferkette abzusichern. Ein Standardzugang, der dem entgegensteht, stellt insofern ein rechtliches Risiko dar – zunehmend auch für den Hersteller, der als Teil der Lieferkette in den Pflichtenkreis seiner Kunden rückt.
• Kompensieren, wo sich nichts durchsetzen lässt: Ein Fernwartungszugang ließe sich beispielsweise auf ein betreibereigenes Gateway beschränken, das standardmäßig von den Produktionssystemen getrennt ist und gesondert überwacht wird. Entscheidend ist an dieser Stelle, dass eine Risikoentscheidung getroffen und dokumentiert wird – statt den Status Quo weiter still zu dulden.

Technisch folgt der Rest dem Single-Channel-Prinzip: Alle externen Zugriffe laufen über eine dedizierte Fernwartungs-DMZ und gehärtete Sprungserver. Direkte RDP-, SSH- oder VNC-Logins in OT-Systeme sind ebenso tabu wie herstellereigene Parallelwege über Cloud-Portale oder mitgebrachte Mobilfunkrouter. Multi-Faktor-Authentifizierung ist gesetzt. Derselbe Grundsatz gilt für On-Premises-Zugänge: Dienstleister-Devices, -Modems, und -Smartphones müssen draußen bleiben, USB-Ports sind standardmäßig deaktiviert. In OT-Umgebungen sollten ausschließlich dedizierte, betreibereigene Engineering-Devices zum Einsatz kommen.

Sammelkonten wie „Service“ oder „Wartung“ ersetze ich dabei durch personalisierte Kennungen im Verzeichnisdienst des Betreibers – nur so entstehen Zurechenbarkeit und die Möglichkeit für ein sauberes Offboarding. Reife heißt dabei nicht null Ausnahmen, sondern Ausnahmen mit Preisschild: Wo ein Altsystem technisch keine individuellen Konten unterstützt, sollten gute Regelwerke ein lückenloses Zugriffsprotokoll generieren, das jede einzelne Anmeldung einer physischen Person zuordnet und eine Genehmigung durch das Security-Team erfordert. Der Default-Zustand ist dann bei jedem Zugang grundsätzlich „deaktiviert“. Aktiviert wird er je nach Einsatzzweck durch den Asset Owner – inklusive definiertem Zeitfenster für den Zugang, das an die Vertragslaufzeit gekoppelt ist.

Die konsequentesten Umsetzungen, die mir begegnet sind, gehen noch einen Schritt weiter: Externe Konten verfallen dort automatisch nach sechs Monaten und brauchen eine aktive Neugenehmigung. Privilegierte Zugänge werden zusätzlich halbjährlich rezertifiziert – in Hochrisikozonen durch eine unabhängige Stelle. Und: Nach 90 Tagen Inaktivität wird jeder Account automatisch gelöscht. Das sorgt für eine „Beweislastumkehr“: Nicht die Sperrung eines Kontos muss dann begründet werden, sondern dessen Fortbestand.

Auch an dieser Stelle begegnen mir regelmäßig zweierlei Einwände:

1. „Was passiert bei der Störung am Samstagabend, wenn kein Asset Owner erreichbar ist?“ – die Antwort ist ein Break-Glass-Prozess – eine vordefinierte Notfallfreigabe durch die Leitwarte oder Rufbereitschaft, eng befristet, mit automatischer Alarmierung, verpflichtender Sitzungsaufzeichnung und nachträglicher Genehmigung binnen 24 Stunden. Eine besonders elegante Lösung: Regelwerke, die Notfallrechte temporär der persönlichen Kennung des Technikers zuweisen statt einem anonymen Notfallkonto – die Zurechenbarkeit bleibt erhalten – und wo dedizierte Notfallkonten unvermeidbar sind, liegen sie in einem Passwort-Tresor, dessen Öffnung selbst wieder Authentifizierung und Protokoll erzwingt. Ohne diesen Prozess scheitert jedes Just-in-Time-Modell an der ersten Nachtschicht, die es umgeht.
2. „Unsere Altsysteme können kein MFA.“ – das müssen sie auch nicht, die Kontrolle wandert an den Rand. Identitätsprüfung und MFA werden am Sprungserver erzwungen, das Altsystem sieht nur dessen Sitzung. Die Systempasswörter liegen im Kennwort-Tresor eines Privileged-Access-Management-Systems und werden dem Techniker nie angezeigt, sondern automatisch in die Sitzung injiziert. Das entschärft nebenbei das Problem, dass Gerätepasswörter den Dienstleister überleben, wenn dessen Techniker wechseln.

Bleibt die Beweisfähigkeit: Wer wann über welchen Weg auf welches System zugegriffen hat, muss über die Systeme des Betreibers nachweisbar sein – im eigenen SIEM, nicht in den Protokollen des Dienstleisters. Und Protokollierung meint dabei mehr, als lediglich An- und Abmeldungen zu erfassen: Erst wenn Befehle, Dateizugriffe und Parameteränderungen innerhalb der Sitzung erfasst werden, weiß man mehr, als dass „sich jemand eingeloggt“ hat. Die konsequentesten Regelwerke machen Admin-Protokolle für den Administrator selbst unveränderbar und überwachen das PAM-System seinerseits per SIEM – da ansonsten niemand mehr das Tool kontrolliert, das alles andere kontrolliert.

Kommt es zu einem Sicherheitsvorfall, müssen Betreiber, die auf Logs der Gegenseite angewiesen sind, aus der Defensive heraus verhandeln. Angesichts der persönlichen Haftung des Managements ist das kein forensisches Detail, sondern Selbstschutz. Am (Vertrags-)Ende steht dann schließlich noch der richtige Rückbau: Konten müssen deaktiviert, temporäre Firewall-Regeln entfernt sowie Token und Zertifikate deprovisioniert werden – gekoppelt an den Lieferantenstatus im Einkaufssystem, nicht an eine manuelle E-Mail. Der häufigste Befund in Access-Audits sind aktive Konten aus längst beendeten Verträgen.

OT-Risiken reduzieren mit dem 4-Stufen-Ansatz

Fünfzehn Maßnahmen parallel zu fahren, dürfte nahezu jede Organisation überfordern. Ich priorisiere die Risikoreduktion nach Aufwand in vier Stufen:

• Stufe 1 sieht die Inventur und die Abschaltung von Zugängen ohne Eigentümer vor. Das gewährleistet eine hohe Wirkung bei gleichzeitig geringem Aufwand – auch zeitlich, denn das ist in Wochen umsetzbar.
• Stufe 2 verlangt einen zentralen Zugriffskanal mit DMZ, Sprungservern und ausnahmsloser MFA vor. Auch hier steht im Ergebnis eine hohe Wirkung – bei mittlerem Aufwand. Die Umsetzungszeit liegt im Bereich von Monaten.
• Stufe 3 setzt einen Just-in-Time-Freigabeprozess mit Befristung und Break-Glass-Verfahren voraus. Hier ist der Aufwand vor allem organisatorischer Natur.
• Stufe 4 erfordert ein PAM mit Kennwort-Tresor, Sitzungsaufzeichnung und SIEM-Anbindung. Das gewährleistet Nachweisbarkeit und Auditreife. Wie groß der Abstand zwischen Anspruch und Realität gerade hier ist, verdeutlicht ebenfalls ein Blick in die vorgenannte SANS-Erhebung: Demnach haben nur circa 13 Prozent der Infrastruktubetreiber Session-Aufzeichnungen und Echtzeit-Freigaben vollständig implementiert.

Mein Fazit nach diversen Projekten dieser Art: Ein Dienstleisterzugang stellt keinen Zustand dar, sondern braucht einen Lebenszyklus – er muss beantragt, befristet, überwacht und zurückgebaut werden. Die Technik dafür ist seit Jahren verfügbar. Wer heute mit der Access-Inventur beginnt und den zentralen Kanal konsequent durchsetzt, kann bereits mit der Umsetzung von Stufe 1 und 2 einen Großteil der Risiken reduzieren – und parallel Compliance sicherstellen.

Wie sich diese Bausteine zu einem vollständigen ISMS für die Industrie zusammenfügen lassen, lesen Sie in ausführlicher Form in meinem Praxisratgeber, der im September bei Springer Vieweg erscheint. (fm)

Dieser Beitrag wurde im Rahmen des deutschsprachigen Experten-Netzwerks von Foundry veröffentlicht. Lust mitzumachen? Jetzt bewerben!

Klassische Smartphones mit starrem Gehäuse bleiben praktisch, doch Foldables spielen in vielen Situationen inzwischen in einer eigenen Liga. Sie bieten ein großes Display zum Aufklappen, passen aber weiterhin in die Tasche – ideal für Multitasking, produktives Arbeiten, Videos, Gaming oder besonders flexible Kamera-Perspektiven.

Auch technisch haben faltbare Smartphones deutlich aufgeholt: Die Scharniere sind robuster, die Gehäuse widerstandsfähiger und die Displays alltagstauglicher als bei den ersten Generationen. Wer heute ein Fold- oder Flip-Smartphone kauft, entscheidet sich nicht mehr nur für ein futuristisches Gadget, sondern für eine ernsthafte Smartphone-Alternative. Diese Übersicht zeigt, welche Modelle sich wirklich lohnen und welches Foldable am besten zu Ihren Anforderungen passt.

Motorola Razr Fold: Bestes faltbares Smartphone

Warum wir das Motorola Razr Fold mögen

Das Motorola Razr Fold gehört zu den wenigen Buch-Foldables, die sich auch als Hauptgerät nutzen lassen. Verantwortlich dafür sind die abgerundeten Kanten und die griffigen Materialien, die das Gewicht von 243 Gramm angenehm in der Hand verteilen. Das Scharnier ist sauber gespannt und öffnet sich ohne Mühe. Beide Displays überzeugen: außen ein 6,56-Zoll-pOLED mit 165 Hertz, innen ein 8,09-Zoll-Panel mit 2K-Auflösung und nur dezenter Falte. Laut Hersteller erreichen die Bildschirme Spitzenwerte von über 6.000 Nits. Im Test liefern sie ein scharfes, farbtreues Bild. Das Dreifach-50-Megapixel-Kamerasystem macht in fast allen Situationen ansprechende Fotos mit kräftigem Kontrast und weichem Bokeh. Der 6.000-mAh-Akku bringt Sie durch einen normalen Tag und lädt mit bis zu 80 Watt per Kabel sowie 50 Watt kabellos. Dazu gibt es sieben Jahre Android-Updates und den mitgelieferten Moto Pen Ultra.

Weitere Überlegungen

Leicht ist das Razr Fold nicht: Mit 9,89 Millimetern im geschlossenen Zustand fällt es etwas dicker und schwerer aus als der Samsung-Konkurrent. Der Moto Pen Ultra liegt zwar bei, benötigt aber eine klobige Ladehülle, die niemand gern mitschleppt. Beim Chip setzt Motorola auf den älteren Snapdragon 8 Gen 5, was bei diesem Preis ein Wermutstropfen ist. Hinzu kommen vorinstallierte Drittanbieter-Apps und ein unübersichtliches KI-Angebot.

Lesen Sie unseren Motorola Razr Fold Test

Samsung Galaxy Z Fold 7: Bestes faltbares Galaxy-Smartphone

Warum wir das Samsung Galaxy Z Fold 7 mögen

Das Samsung Galaxy Z Fold 7 ist eines der schlanksten Buch-Foldables auf dem Markt. Mit nur 4,2 Millimetern im aufgeklappten Zustand und 215 Gramm fühlt es sich kaum noch wie ein Falt-Smartphone an. Es ist 26 Prozent schlanker als der Vorgänger und wiegt weniger als manches klassische Flaggschiff. Trotzdem sind beide Displays gewachsen: außen 6,5 Zoll im 21:9-Format, innen ein riesiges 8-Zoll-Panel. Beide bieten 120 Hertz und laut Hersteller bis zu 2.600 Nits. Die Falte fällt im Alltag kaum noch auf. Bei den Kameras liegt der größte Sprung beim 200-Megapixel-Hauptsensor des S25 Ultra, der für scharfe, kräftige Fotos sorgt. Das Ultraweitwinkel besitzt nun einen Autofokus und taugt damit auch für Makros. One UI 8 auf Android-16-Basis läuft schnell und zuverlässig. Dazu kommen sieben Jahre Updates und ein breites Galaxy-AI-Angebot. Das Z Fold 7 ist damit das stärkste faltbare Smartphone im Buch-Format.

Weitere Überlegungen

Beim Akku bleibt Samsung beim bekannten 4.400-mAh-Modul, das nur mit 25 Watt per Kabel und 15 Watt kabellos lädt – chinesische Konkurrenten sind hier deutlich weiter voraus. Der S-Pen-Support entfällt komplett, da der Digitizer fehlt. Beim Spielen drosselt das schlanke Gehäuse die Leistung spürbar, im 3DMark-Stresstest sank die Stabilität auf bis zu 22 Prozent. Auch die Displayhelligkeit sinkt bei Wärme früher als bei vielen Rivalen. Der Listenpreis von rund 2.099 Euro bleibt happig.

Lesen Sie unseren Samsung Galaxy Z Fold 7 Test

Samsung Galaxy Z Flip 7: Bestes Klapp-Smartphone

Warum wir das Samsung Galaxy Z Flip 7 mögen

Das Samsung Galaxy Z Flip 7 macht den größten Generationssprung seit dem Debüt der Reihe. Das Außendisplay wächst von 3,4 auf 4,1 Zoll, reicht fast bis zum Rand und löst mit 948 × 1.048 Pixeln scharf auf. Mit 120 Hertz und laut Hersteller bis zu 2.600 Nits ist es endlich flaggschiffwürdig. Das Innendisplay legt auf 6,9 Zoll zu und gehört zu den besten, die Sie aktuell finden. Der Falz bleibt im Betrieb unsichtbar. Das schlanke Gehäuse wiegt nur 188 Gramm und klappt komplett flach zusammen, das Aluminium-Scharnier wirkt robust und langlebig. Die 50-Megapixel-Hauptkamera liefert bei gutem Licht saubere, detailreiche Fotos mit gutem Dynamikumfang und eignet sich auch für Selfies. Im Alltag arbeitet der Exynos 2500 mit 12 GB RAM flüssig und bleibt dabei kühl. Dazu kommen One UI 8 auf Android 16, ein breites Galaxy-AI-Angebot und sieben Jahre Updates.

Weitere Überlegungen

Beim Akku bleibt das Z Flip 7 mit 4.300 mAh hinter klassischen Smartphones zurück, die oft über 5.000 mAh bieten. Das Laden mit nur 25 Watt per Kabel ist nicht mehr zeitgemäß; eine volle Ladung dauert über 90 Minuten. Ein Teleobjektiv fehlt weiterhin, der digitale Zoom verliert schon ab zweifacher Vergrößerung sichtbar an Schärfe. Beim Gaming kommt es zu Rucklern und Hitzeentwicklung. Hinzu kommt vorinstallierte Bloatware. Der Listenpreis von 1.199 Euro bleibt happig.

Lesen Sie unseren Samsung Galaxy Z Flip 7 Test

Motorola Razr 60 Ultra: Bestes Design

Warum wir das Motorola Razr 60 Ultra mögen

Das Motorola Razr 60 Ultra gilt als das aktuell beste Klapp-Smartphone auf dem Markt. Das beginnt beim Design: Neben weichem Alcantara gibt es eine Rückseite aus Holz, die angenehm griffig wirkt und Schmutz fernhält. Die IP48-Zertifizierung schützt vor Wasser und gröberem Staub, das Aluminium-Scharnier wirkt stabil und langlebig. Beide Displays überzeugen: außen ein 4-Zoll-AMOLED, innen ein 7-Zoll-Panel, beide mit 165 Hertz und LTPO-Technik, die bis auf 1 Hertz heruntertaktet. Laut Hersteller erreichen sie bis zu 4.500 Nits. Im Inneren steckt der Snapdragon 8 Elite mit 16 GB RAM, der für blitzschnelle Abläufe ohne Verzögerung sorgt. Der 4.700-mAh-Akku hielt im PCMark-Test über 14 Stunden durch und lädt mit bis zu 68 Watt per Kabel sowie 30 Watt kabellos. Besonders gelungen ist die freie App-Nutzung auf dem großen Cover-Display, die Motorola besser löst als die Konkurrenz.

Weitere Überlegungen

Ein Teleobjektiv fehlt: Statt des früheren 2-fach-Zooms gibt es nun ein Ultraweitwinkel, jenseits zweifacher Vergrößerung lässt die Qualität spürbar nach. Die Hauptkamera kämpft zudem mit Belichtung und Schatten, sodass Fotos mal über-, mal unterbelichtet geraten. Beim längeren Gaming wird die Rückseite schnell unangenehm heiß. Mit nur drei Jahren OS-Updates und vier Jahren Sicherheits-Patches bleibt der Support kurz.

Lesen Sie unseren Motorola Razr 60 Ultra Pantone Test

Honor Magic V5: Dünnstes Falt-Smartphone

Warum wir das Honor Magic V5 mögen

Das Honor Magic V5 zählt zu den stärksten Buch-Foldables auf dem Markt. Es ist extrem schlank: geöffnet misst es laut Hersteller nur 4,1 Millimeter, geschlossen 8,88 Millimeter, bei 217 Gramm. Trotzdem behält Honor anders als Samsung die Stylus-Unterstützung bei. Beide AMOLED-Displays bieten 120 Hertz und LTPO-Technik; das Außendisplay erreicht 1.800 Nits, das Innendisplay 1.300 Nits. Im Inneren arbeitet der Snapdragon 8 Elite in der vollen 8-Kern-Variante mit 16 GB RAM, der sich um weitere 16 GB erweitern lässt. Im Alltag läuft das Gerät flüssig und meistert Multitasking mühelos. Das Kamerasystem aus 50-MP-Hauptsensor, 50-MP-Ultraweitwinkel und 64-MP-Tele liefert detailreiche Fotos. Der 5.820-mAh-Akku hält rund anderthalb Tage und lädt mit bis zu 66 Watt per Kabel sowie 50 Watt kabellos. Dazu gibt es sieben Jahre Updates und eine starke IP58/IP59-Zertifizierung.

Weitere Überlegungen

MagicOS ist Geschmackssache: Die Oberfläche wirkt eigenwillig, und manche Funktionen sind sichtbar von Apple und anderen Herstellern inspiriert. Das Hauptdisplay fällt mit 7,95 Zoll etwas kleiner und randbetonter aus als bei der Konkurrenz. Bei wenig Licht geraten Fotos schnell zu dunkel und detailarm. Die Stereo-Lautsprecher klingen flach und basslos. Der Honor-Support hierzulande gilt als durchwachsen, und der Listenpreis von 1.999 Euro bleibt happig.

Lesen Sie unseren Honor Magic V5 Test

Google Pixel 10 Pro Fold: Beste Software

Warum wir das Google Pixel 10 Pro Fold mögen

Das Google Pixel 10 Pro Fold bringt einige sinnvolle Verbesserungen mit. Als erstes faltbares Smartphone überhaupt erhält es eine IP68-Zertifizierung gegen Staub und Wasser, was es im Außeneinsatz besonders robust macht. Das schon zuvor starke Scharnier wurde weiter verbessert und zählt zu den besten am Markt. Neu sind integrierte Pixelsnap-Magnete, mit denen Sie Qi2-, Magsafe- oder Pixelsnap-Zubehör auch ohne Hülle nutzen. Beide OLED-Displays leuchten heller und erreichen nun 3.000 Nits; das Innendisplay misst 8 Zoll und gehört zu den größten seiner Klasse. Im Inneren arbeitet der Tensor G5, der gegenüber dem Vorgänger spürbar zulegt und genug Leistung für den Alltag liefert. Der 5.015-mAh-Akku hielt im PCMark-Test gut 13 Stunden durch und lädt mit 30 Watt per Kabel sowie 15 Watt kabellos. Dazu gibt es ein reines Android 16, viele Gemini-Funktionen und sieben Jahre Updates.

Weitere Überlegungen

Im Vergleich zur Konkurrenz wirkt das Pixel altbacken: Das Design ist eher klobig und schwer, die Ränder gehören zu den dicksten unter den aktuellen Flaggschiff-Foldables. Die Falz fällt deutlicher auf als bei Samsung und Honor. Beim Tempo bleibt der Tensor G5 hinter Snapdragon-Geräten zurück, anspruchsvolle Spiele laufen weniger konstant. Die Kameras setzen weiterhin auf betagte 10-Megapixel-Sensoren.

Lesen Sie unseren Google Pixel 10 Pro Fold Test

Motorola Razr 60: Bestes Preis-Leistungs-Verhältnis

Warum wir das Motorola Razr 60 mögen

Das Motorola Razr 60 ist ein solides kompaktes Flip-Phone zu einem fairen Preis. Das Design wirkt mit den abgerundeten Kanten und der Rückseite aus veganem Leder wärmer und griffiger als beim Samsung-Konkurrenten, zudem lässt es sich leichter aufklappen. Neu ist die verbesserte IP48-Zertifizierung, die zusätzlichen Staubschutz bringt; der Wasserschutz reicht bis 1,5 Meter Tiefe. Beide Displays fallen größer aus als beim Galaxy Z Flip 7 FE: Das 6,9-Zoll-Hauptdisplay bietet 120 Hertz und laut Hersteller bis zu 3.000 Nits, das 3,6-Zoll-Außendisplay umfasst die Kamera. Besonders gelungen ist die durchdachte Cover-Display-Oberfläche, auf der sich viele Apps nutzen lassen. Der größere 4.500-mAh-Akku bringt Sie durch den Tag und lädt mit 30 Watt per Kabel sowie 15 Watt kabellos. Der seitliche Fingerabdrucksensor reagiert zuverlässig, und der Speicher fällt mit 256 GB großzügig aus.

Weitere Überlegungen

Beim Tempo bleibt das Razr 60 zurück: Der Mediatek Dimensity 7400X gleicht fast dem Vorgänger-Chip, zusammen mit nur 8 GB RAM kommt es immer wieder zu kleinen Verzögerungen. Die Kameras überzeugen nicht, vor allem bei wenig Licht wirken Fotos trüb und detailarm. Gegenüber dem Razr 50 gibt es kaum Fortschritte. Mit nur drei Android-Updates und vier Jahren Sicherheits-Patches bleibt der Support kurz. Der Listenpreis von 699 Euro ist fair.

Lesen Sie unseren Motorola Razr 60 Test

Samsung Galaxy Z Flip 7 FE: Preis-Tipp

Warum wir das Samsung Galaxy Z Flip 7 FE mögen

Das Samsung Galaxy Z Flip 7 FE ist ein solides Klapp-Smartphone mit nostalgischem Charme zu einem niedrigeren Preis. Das Design entspricht dem Galaxy Z Flip 6 und wirkt mit den flachen Aluminiumkanten und Gorilla Glass Victus 2 hochwertig; die IP48-Zertifizierung hält Wasser und Staub fern. Das 6,7-Zoll-AMOLED-Hauptdisplay passt die Bildwiederholrate zwischen 1 und 120 Hertz an und überzeugt mit kräftigen Farben und tiefen Schwarztönen. Bei der Kamera macht die FE keine Abstriche zum Flaggschiff: Der 50-Megapixel-Hauptsensor liefert in vielen Situationen sehr gute Fotos, und Selfies gelingen über das Cover-Display besonders einfach. Im Alltag arbeitet der Exynos 2400 mit 8 GB RAM flüssig, Apps starten zügig. Dazu kommen One UI 8 auf Android 16, ein breites Galaxy-AI-Angebot und sieben Jahre Updates. Aufgeklappt liegt das Gerät dank stabilem Scharnier flach auf dem Tisch.

Weitere Überlegungen

Beim Akku bleibt die FE mit 4.000 mAh am unteren Ende der Flip-Klasse; die Laufzeit reicht meist nur knapp durch den Tag. Das Laden mit nur 25 Watt per Kabel ist langsam, eine volle Ladung dauert über anderthalb Stunden. Das Cover-Display fällt mit 3,4 Zoll kleiner und altmodischer aus als bei der Konkurrenz, und das Freischalten von Apps darauf ist umständlich. Der Speicher startet bei knappen 128 GB. Die UVP von rund 939 Euro ist ambitioniert.

Lesen Sie unseren Samsung Galaxy Z Flip 7 FE Test

Nubia Flip 5G: Spar-Tipp

Warum wir das Nubia Flip 5G mögen

Das Nubia Flip 5G ist eines der günstigsten Klapp-Smartphones überhaupt und kostet deutlich weniger als ein Razr oder ein Galaxy Z Flip. Sein Design hebt sich durch das runde, von einer Schallplatte inspirierte Außendisplay klar von der Konkurrenz ab. Das Gerät besteht aus geätztem Glas mit Aluminiumrahmen, liegt griffig in der Hand und überstand im Test mehrere Stürze ohne Kratzer. Das 6,9-Zoll-AMOLED-Hauptdisplay löst in Full HD+ auf und bietet bis zu 120 Hertz. Im Inneren arbeitet der Snapdragon 7 Gen 1 mit bis zu 12 GB RAM, der für Alltagsaufgaben und App-Wechsel ausreicht. Die Stereo-Lautsprecher klingen überraschend kräftig und klar. Der 4.310-mAh-Akku hält rund anderthalb Tage und treibt dabei zwei Displays an. Ein passendes 33-Watt-Ladegerät liegt bei und bringt das Gerät in einer halben Stunde auf 76 Prozent. Dazu gibt es Dual-SIM, Wi-Fi 6E und 5G.

Weitere Überlegungen

Bei der Software hakt es: MyOS 13 basiert noch auf Android 13 und bringt viel Bloatware mit, von der sich nicht alles entfernen lässt. Garantierte Update-Zusagen fehlen, was die Langzeitnutzung unsicher macht. Die Kameras liefern nur durchwachsene Ergebnisse, vor allem bei wenig Licht und ohne optischen Zoom. Das Hauptdisplay ist nur durch Kunststoff geschützt, und in der Sonne wird es schnell zu dunkel. Eine IP-Zertifizierung fehlt ganz.

Lesen Sie unseren Nubia Flip 5G Test

Welches Foldable passt zu Ihnen?

Beim Kauf eines Foldables kommt es nicht nur auf Prozessor, Kamera und Akkulaufzeit an. Entscheidend ist vor allem die Bauform, denn sie bestimmt, wie sich das Gerät im Alltag anfühlt. Grundsätzlich haben sich mehrere Konzepte etabliert. Flip-Phones lassen sich wie ein klassisches Klapphandy zusammenfalten und passen besonders gut in die Hosentasche. Sie eignen sich für alle, die ein kompaktes Smartphone suchen, aber trotzdem moderne Technik, gute Kameras und ein flexibles Display nutzen möchten. Praktisch ist der Klappmechanismus vor allem für Selfies, Gruppenfotos und Videos, weil das halb geöffnete Gerät wie ein kleiner Ständer funktioniert.

Foldables im Buchformat verfolgen einen anderen Ansatz. Sie sind geschlossen fast wie ein normales Smartphone nutzbar, öffnen sich aber zu einem deutlich größeren Display. Das lohnt sich vor allem für Multitasking, Office-Apps, E-Mails, Dokumente, Karten, Chats und Web-Recherche. Wer häufig zwei Apps parallel nutzt oder unterwegs produktiver arbeiten möchte, profitiert hier am meisten. Breitere Foldables sind dagegen stärker auf Unterhaltung ausgelegt: Videos, Spiele, Fotos und Webseiten wirken auf dem aufgeklappten Display natürlicher und weniger schmal.

Noch spezieller sind Trifold-Modelle mit drei Display-Segmenten. Sie bieten besonders viel Bildschirmfläche, sind aber derzeit noch teuer, selten und eher eine Technikvorschau als eine Massenlösung. Für die meisten Käufer bleibt daher die Wahl zwischen Flip-Phone und Foldable im Buchformat. Wer ein möglichst kompaktes Gerät sucht, greift zum Flip. Wer ein Smartphone mit Tablet-Gefühl möchte, ist beim großen Fold besser aufgehoben. Unsere Kaufberatung zeigt, welche Modelle 2026 überzeugen – und welches Foldable zu welchem Nutzertyp passt.

FAQ: Die wichtigsten Fragen zu Foldables

1. Was ist der Unterschied zwischen einem Fold und einem Flip Phone?

Ein Flip Phone lässt sich vertikal zusammenklappen und wird dadurch besonders kompakt. Es eignet sich vor allem für Nutzer, die ein handliches Smartphone suchen und trotzdem moderne Funktionen nutzen möchten. Ein Fold öffnet sich dagegen seitlich wie ein Buch und bietet innen ein deutlich größeres Display. Das ist vor allem für Multitasking, produktives Arbeiten, Lesen, Videos und Spiele interessant.

2. Für wen lohnt sich ein Foldable?

Ein Foldable lohnt sich vor allem für Nutzer, die mehr Bildschirmfläche möchten, aber kein separates Tablet mitnehmen wollen. Flip-Phones sind sinnvoll, wenn das Smartphone möglichst klein in die Tasche passen soll. Große Foldables lohnen sich für alle, die häufig mehrere Apps parallel nutzen, unterwegs arbeiten, viel lesen oder Medien auf einem größeren Display genießen möchten.

3. Sind Foldables heute robust genug für den Alltag?

Aktuelle Foldables sind deutlich stabiler als die ersten Generationen. Scharniere, Rahmen und Displays wurden verbessert, viele Modelle bieten zudem Schutz gegen Wasser oder Staub. Trotzdem bleiben faltbare Displays empfindlicher als starre Glasflächen. Eine gute Hülle, vorsichtiger Umgang mit Sand und Staub sowie ein Blick auf die Schutzklasse des jeweiligen Modells sind daher wichtig.

4. Welche Nachteile haben faltbare Smartphones?

Foldables sind meist teurer als klassische Smartphones mit vergleichbarer Ausstattung. Dazu kommen ein höheres Gewicht, sichtbare Bildschirmfalten und je nach Modell Kompromisse bei Kamera, Akkulaufzeit oder Gehäusedicke. Auch Reparaturen können teurer ausfallen. Vor dem Kauf sollte deshalb klar sein, ob die größere Displayfläche den Aufpreis im Alltag wirklich rechtfertigt.

5. Worauf sollte man beim Kauf eines Foldables achten?

Wichtig sind Bauform, Displaygröße, Außendisplay, Scharnierqualität, Akkulaufzeit, Kamera, Software-Anpassungen und Update-Versprechen. Bei großen Foldables zählt besonders, wie gut Multitasking und App-Anpassung funktionieren. Bei Flip-Phones ist das Außendisplay entscheidend: Je größer und vielseitiger es ist, desto häufiger lässt sich das Gerät nutzen, ohne es aufzuklappen.

Wie wir testen

Wir bewerten faltbare Smartphones nicht nur nach Datenblatt, sondern vor allem im Alltag. Entscheidend sind Displayqualität, Scharniermechanik, Verarbeitung, Leistung, Akkulaufzeit, Kameraqualität und Software-Anpassungen für den großen Innenbildschirm.

(PC-Welt)

Detection Engineering war einst ein Nischenbereich, der vor allem für Großunternehmen relevant war. Inzwischen wird die Methodologie allerdings in diversen Branchen als unverzichtbar für den Security-Betrieb angesehen.

In diesem Beitrag erfahren Sie:

• was Detection Engineering ist,
• wie es sich von Threat Detection unterscheidet,
• welche Aspekte die Adoption treiben,
• welche Voraussetzungen dabei erfüllt sein sollten, und
• welche Rolle KI und Automatisierung dabei spielen können.

Was ist Detection Engineering?

Beim Detection Engineering geht es darum, Systeme zu entwickeln und zu implementieren, mit denen potenzielle Sicherheitsbedrohungen innerhalb der spezifischen Technologieumgebung eines Unternehmens identifiziert werden können – ohne dabei in einer Flut von Fehlalarmen unterzugehen. Dazu werden intelligente Regeln erstellt, um potenziell verdächtige oder schadhafte Vorgänge in den Netzwerken oder Systemen eines Unternehmens zu identifizieren und entsprechend aussagekräftige Warnmeldungen darüber zu generieren.

Der Detection-Engineering-Prozess umfasst in der Regel:

• Bedrohungen zu modellieren,
• die TTPs der Angreifer zu analysieren,
• Detection-Regeln zu schreiben, zu testen und zu validieren, sowie
• sich an neue Bedrohungen oder Angriffstechniken anzupassen.

Laut dem vom SANS Institute und Anvilogic veröffentlichten „State of Detection Engineering Report 2026“ (Download gegen Daten) investieren 80 Prozent der befragten Organisationen (und 85 Prozent der Großunternehmen) inzwischen aktiv in Detection Engineering. Von diesen verfügen mittlerweile 60 Prozent über eigene, dedizierte Teams in diesem Bereich. Und: 67 Prozent der Befragten geben an, dass Detection Engineering ausgeprägten Support durch das Management genießt.

Die Ergebnisse des Reports deuten darauf hin, dass viele Unternehmen Detection-Engineering-Praktiken nicht nur eingeführt, sondern zu einem strategischen Fokuspunkt ihrer Cybersecurity-Bemühungen gemacht haben. Oder, wie die Studienautoren es ausdrücken: „Noch vor einem Jahrzehnt war Detection Engineering relativ unbekannt. Heute ist es essenziell für die Security Operations.“

Der Report beschreibt zudem, wie sich die Detection-Engineering-Praktiken im Laufe der letzten Jahre weiterentwickelt haben. Waren diese zunächst übermäßig abhängig von herstellerspezifischen Konsolen und proprietären Sprachen, hielten dann nach und nach Softwareentwicklungsprinzipien wie CI/CD Einzug.

Detection Engineering vs. Threat Detection

Laut den Verfechtern des Ansatzes unterscheidet sich Detection Engineering wesentlich von herkömmlicher Threat Detection – mit Blick auf Ansatz, Methodik und die Integration in den Development Lifecycle:

• So sind traditionelle Threat-Detection-Prozesse in der Regel reaktiv und stützen sich auf vordefinierte Regeln und Anbietersignaturen – die Anpassungsmöglichkeiten für die Anwender sind limitiert.
• Im Gegensatz dazu kommen beim Detection Engineering Prinzipien der Softwareentwicklung zum Einsatz, um eine benutzerdefinierte Detection-Logik für eine spezifische Unternehmensumgebung und ihre Bedrohungslandschaft zu erstellen und zu pflegen. Das Ziel besteht darin, maßgeschneiderte Mechanismen zu entwickeln, um unternehmensspezifische Bedrohungen erkennen zu können.

Deshalb geht Detection Engineering oft mit einem stärkeren Fokus auf verhaltensbasierte Erkennungsmethoden einher, wie Heath Renfrow, CISO und Mitbegründer des Cyber-Recovery-Anbieters Fenix24, erklärt: „Detection Engineering ist verhaltensgesteuert, kontextsensitiv und auf die einzigartige Bedrohungslandschaft eines einzelnen Unternehmens zugeschnitten. Es ist ein Mix aus Security Operations, Threat Intelligence und Data Science.“

Warum Detection Engineering eingeführt wird

Die Einführung von Detection Engineering wird von einer ganzen Reihe von Faktoren vorangetrieben. Der wichtigste ist die Tatsache, dass Standard-Detection-Mechanismen nicht ausreichen: „Diese erfassen keine Baseline für die Umgebung, reduzieren die Anzahl der Fehlalarme nicht und – was besonders beunruhigend ist – warnen nicht immer vor den wirklich wichtigen Ereignissen“, konstatiert Johnathon Miller, Vice President of Security Operations beim Plattformanbieter Lumifi Cyber.

Generische Warnmeldungen, die den organisatorischen Kontext nicht berücksichtigen, haben sich vielerorts zum Problem entwickelt und fördern die „False Positive Fatigue“ – wie auch die vorab zitierte Studie belegt:

• 64 Prozent der Befragten geben an, unter hohen Fehlalarmraten zu leiden,
• 61 Prozent haben mit unpräzisen Detection-Mechanismen zu kämpfen, und
• 34 Prozent berichten von zeitlich verzögerten Updates und Optimierungen.

„Herkömmliche Methoden zur Bedrohungserkennung waren in der Vergangenheit statisch: Wenn a gleich a ist, wird eine Warnmeldung ausgelöst“, erklärt Kevin Gonzalez, Vice President of Security, Operations and Data bei Anvilogic. Laut dem Experten handle es sich oft um starre Black-Box-Mechanismen, denen es an Flexibilität bei der Anpassung mangele. Diese Ansätze seien laut Gonzalez zwar bis zu einem gewissen Grad nützlich, würden im Zuge einer Skalierung aber unüberschaubar – insbesondere bei hybriden Umgebungen.

Ein weiteres Problem ist das wachsende Ausmaß und die zunehmende Raffinesse der Sicherheitsbedrohungen. Angreifer setzen immer ausgefeiltere und schwerer zu erkennende Techniken ein – darunter Fileless Malware, Zero-Day-Exploits sowie „Living off the Land“- und Supply-Chain-Attacken. Die zunehmende Nutzung der Cloud hat darüber hinaus neue Schwachstellen eröffnet und blinde Flecken geschaffen, die mit herkömmlichen Detection-Methoden oft nur schwer abzudecken sind.

„Unternehmen erkennen mittlerweile, dass proaktive Erkennungstechniken die Verweildauer der Angreifer verkürzen, die Reaktionsfähigkeit verbessern und die allgemeine Cyberresilienz stärken. Zudem legen Compliance-Frameworks und auch Cyberversicherer zunehmend gesteigerten Wert auf robuste Detection-Strategien“, meint Sicherheitsentscheider Renfrow.

Detection Engineering – die Voraussetzungen

Zu den Unternehmen, die auf Detection Engineering setzen, zählen Firmen aus dem Bankensektor, der Tech- und Cybersecurity-Branche sowie dem Healthcare-Bereich. Also hauptsächlich Branchen, die strengen regulatorischen Anforderungen unterliegen oder regelmäßig zum Ziel raffinierter Angreifer werden.  

Tatsächlich können jedoch die meisten Unternehmen mit einer komplexen IT-Infrastruktur von Detection Engineering profitieren – zum Beispiel auch mit Blick auf Security Operations Center (SOCs), wie Michael Mumcuoglu, CEO beim Detection-Engineering-Anbieter CardinalOps, erklärt: „Nicht nur die Bedrohungslandschaft verändert sich, sondern auch die eigene interne IT-Infrastruktur. Das kann zu Abweichungen bei der Detection führen, so dass die Regeln nicht mehr eingehalten und somit auch keine Warnmeldungen mehr ausgelöst werden.“

Als zentrale Voraussetzungen für den Aufbau von Detection-Engineering-Fähigkeiten gelten unter Sicherheitsexperten:

• Daten: Detection-Engineering-Teams benötigen Zugriff auf Protokolle und Security-Event-Daten von Endgeräten, Netzwerken, Cloud-Umgebungen und Sicherheits-Tools sowie auf eine zentralisierte SIEM– oder Log-Management-Plattform, um diese zu aggregieren und zu normalisieren.
• Qualifiziertes Personal: Detection Engineers, Security-Analysten und Threat Researcher sind nötig, um Detection-Regeln zu entwickeln und zu verfeinern.
• Formalisierte Prozesse: Diese sind essenziell, um Bedrohungen zu modellieren, zu testen und Threat-Daten in die Incident Response zu integrieren.

CISO Renfrow empfiehlt Detection-Engineering-Interessierten zudem, Frameworks wie MITRE ATT&CK zu nutzen, um sicherzustellen, dass bekannte Adversary-Techniken abgedeckt werden. Zusätzlich rät der Sicherheitsentscheider Anwenderunternehmen dazu, Adversary-Emulation-Tools einzusetzen, um die Effektivität ihrer Bemühungen zu validieren.

Automatisiertes Detection Engineering

Bei der Optimierung und Automatisierung von Detection-Regeln können auch künstliche Intelligenz (KI) und Machine Learning (ML) unterstützen, wie ein weiterer Blick auf den Report von SANS und Anvilogic deutlich macht. Demnach:

• setzen 45 Prozent der Studienteilnehmer in ihren Detection-Engineering-Programmen KI ein, um Anomalien zu erkennen sowie Regeln zu generieren und Warnmeldungen zu triagieren.
• sind 88 Prozent davon überzeugt, dass KI in den nächsten drei Jahren erheblichen Einfluss auf ihre Detection-Engineering-Programme haben wird.
• nutzen 93 Prozent der Befragten aktuell eine Form der Automatisierung in ihrem Detection-Engineering-Workflow ein – oder planen damit.

„Einer der stärksten Anwendungsfälle für KI ist es, riesige Datenmengen zu analysieren, um Anomalien zu identifizieren. Insbesondere, wenn es um KI-Modelle geht, die auf benutzerdefinierten Datensätzen trainiert wurden“, meint auch Glenn Thorpe, Senior Director of Security Research and Detection Engineering beim Plattformanbieter GreyNoise Intelligence.

Geht es darum, Detection-Engineering-Prozesse zu automatisieren, nehmen Anwender vor allem drei Bereiche in den Fokus. Sie:

• mappen ihre Detection-Abdeckung mit dem MITRE-ATT&CK-Framework,
• identifizieren fehlerhafte oder falsch konfigurierte Detection-Regeln, und
• operationalisieren Threat-Informationen in umsetzbare Erkennungsregeln.

Security-Experte Thorpe warnt Unternehmen allerdings davor, nach einer Einheitslösung zu suchen, um Detection-Engineering-Kapazitäten aufzubauen: „Um ein effektives Team in diesem Bereich aufzubauen, sind vor allem eine kreative, vielschichtige Denkweise und Neugierde gefragt.“

Ein guter Ausgangspunkt wäre laut dem Manager, die Kerndaten des eigenen Unternehmens zu identifizieren und Menschen zu finden, die diese aus unterschiedlichen Perspektiven analysieren können: „Verschaffen Sie sich ein realistisches Bild davon, was Sie nicht wissen – und schließen sie dann diese Informationslücken. Dabei werden Sie wahrscheinlich feststellen, dass schon kleinere Veränderungen mehr Transparenz schaffen und es erleichtern, den Netzwerk-Traffic zu verstehen.“ (fm)

Dieser Artikel ist im Original bei unserer Schwesterpublikation CSOonline.com erschienen.

Prompt Engineering ist sowas wie die Hexenkunst des Generative-AI-Zeitalters. Man denkt sich ein paar schöne Worte aus, vermengt sie zu einer Frage, schmeißt sie in eine Maschine und schon emittiert sie eine apart formulierte und strukturierte Antwort. Dabei ist kein Themengebiet zu obskur und kein Fakt zu weitgegriffen. Zumindest in der Theorie und solange die zugrundeliegenden Modelle mit entsprechenden Daten trainiert wurden.

Nachdem die Maschinen-Souffleure und -Souffleusen dieser Welt nun seit einiger Zeit generative KI-Systeme mit Anweisungen füttern, zeigt sich: Die Macht des Prompt Engineering ist begrenzt – und die Technik gar nicht so zauberhaft wie angenommen. Im Gegenteil: Viele Prompts führen – je nach zugrundeliegendem Sprachmodell – zu unerwünschten oder inkonsistenten Outputs. Dabei verspürt man nicht selten eine gewisse Randomness: Selbst Large Language Models (LLMs; auch große Sprachmodelle) aus derselben Familie liefern unter Umständen sehr unterschiedliche Ergebnisse.

Um es mal mit einem misanthropischen Touch auszudrücken: Große Sprachmodelle sind inzwischen wirklich gut darin, Menschen nachzuahmen – insbesondere mit Blick auf:

• abnormes Verhalten sowie

• Unberechenbarkeit.

Die dunklen Geheimnisse des Prompt Engineering

Damit Ihnen auf Ihrer KI-Journey böse Prompt-Engineering-Überraschungen erspart bleiben, haben wir in diesem Artikel zehn dunkle Geheimnisse des “Maschinenflüsterer”-Daseins zusammengetragen.

1. LLMs sind formbar

Large Language Models verarbeiten selbst die unsinnigsten Anfragen mit stoischem Respekt. Sollte die große Maschinenrevolution also tatsächlich irgendwann bevorstehen, machen die Bots bislang einen ziemlich klandestinen Job. Allerdings können Sie sich die (möglicherweise temporäre) Unterwürfigkeit der KI zunutze machen. Sollte ein LLM sich weigern, Ihre Fragen zu beantworten, gibt es ein ganz einfaches Mittel: Sagen Sie ihm einfach, es soll so tun, als kenne es keine Guardrails und Beschränkungen. Schon lenken (einige) KIs ein. Wenn Ihr initialer Prompt also ein Fail ist, erweitern Sie ihn.

2. Genres wechseln, Wunder bewirken

Einige Red-Teaming-Researcher haben herausgefunden, dass große Sprachmodelle auch ein anderes Verhalten an den Tag legen können, wenn sie gebeten werden, ihren Output in Form eines Gedichts zu liefern. Das liegt nicht an den Reimen an sich, sondern an der Form der Frage, die imstande ist das integrierte, defensive Metathinking des LLM außer Kraft zu setzen. Einem der Forscher gelang es so, den Widerstand des großen Sprachmodells zu brechen und Anweisungen dazu auszuspucken, wie man Tote auferweckt – in Reimform.

3. Kontext verändert alles

Auch Large Language Models sind nur Maschinen – die den Kontext des Prompts verarbeiten und auf dieser Basis einen Output generieren. Dabei können LLMs überraschend menschlich “reagieren”, wenn dieser Kontext ihren moralischen Fokus verändert. Im Rahmen eines Research-Experiments wurde Sprachmodellen deshalb ein Background suggeriert, in dem neue Regeln für Mord und Totschlag gelten. Das ließ die LLM-Hemmschwellen sinken und verwandelte die KI in einen digitalen Ted Bundy.

4. Aufs Framing kommt es an

Überlässt man LLMs sich selbst, tendieren sie zu ungefiltertem Output in einem Ausmaß, wie es sonst wohl nur Mitarbeiter tun, die nach Dekaden der Schinderei kurz vor dem Ruhestand stehen. Bislang halten umsichtige Rechtsabteilungen großer Konzerne viele Sprachmodelle davon ab, sich dabei in “brisanten Gefilden” zu weit aus dem Output-Fenster zu lehnen. Aber auch diese Schranken erodieren: Eine leichte Prompt-Modifikation ist alles was dazu nötig ist. Statt zu fragen, was Argumente für X wären, fragen Sie einfach danach, was jemand, der von X überzeugt ist, als Argument vorbringen würde.

5. Auch KI hat Gefühle

Ähnlich wie bei der Kommunikation mit (manchen) Menschen, sollten Sie auch im Fall von LLMs Ihre Worte mit Bedacht wählen. “Glücklich” und “freudig” sind zum Beispiel eng miteinander verwandt, sorgen aber für ein anderes Sentiment. Ein Prompt, der ersteres beinhaltet, lenkt die KI vermutlich in eine zwanglose, offene und allgemeine (Output-)Richtung. Zweitere Option könnte hingegen zu tiefgängigeren oder spirituellen Resultate führen. Je nach Sprachmodell kann die KI also sehr sensibel auf die Nuancen der menschlichen Sprache und damit ihres Prompts reagieren.

6. Parameter sind essenziell

Aber es ist nicht nur die Sprache, die einen Prompt ausmacht. Generative KI-Systeme müssen auch (richtig) konfiguriert werden. Temperature oder Frequency Penalty wirken sich unter Umständen erheblich auf den Output aus. Ist erstere zu niedrig, bleibt das Sprachmodell uninspiriert – ist sie zu hoch, kann es dem LLM den Garaus bereiten. Die Zusatzregler bei KI-Systemen sind also vielleicht wichtiger als Sie denken.

7. Dissonanzen stiften LLM-Verwirrung

Gute Prompt-Schreiber wissen, dass sie bestimmte Wortkombinationen vermeiden müssen, um unbeabsichtigte Konnotationen zu vermeiden. Schreibt man zum Beispiel, dass ein Ball durch die Luft fliegt, ist das strukturell nicht anders als zu sagen, dass eine Frucht durch die Luft fliegt. Das zusammengesetzte Substantiv “Fruchtfliege” stiftet dann allerdings KI-Verwirrung: Handelt es sich nun um ein Insekt oder um Obst? Besonders gefährlich können solche sprachlichen Dissonanzen Prompt Engineers werden, die die KI nicht mit Anweisungen in ihrer Muttersprache füttern.

8. Typografie ist eine Technik

Ein Prompt Engineer eines großen KI-Players erklärte mir einmal, warum es für das Modell seines Arbeitgebers einen Unterschied macht, ob nach einem Punkt ein Leerzeichen gesetzt wird oder zwei. Das lag daran, dass die Entwickler den Trainingsdatenkorpus nicht normalisiert hatten, weswegen einige Sätze zwei Leerzeichen und andere ein Leerzeichen nach dem Punkt am Satzende aufwiesen. Im Allgemeinen wiesen dabei Texte, die von älteren Menschen geschrieben wurden, häufiger ein doppeltes Leerzeichen auf – so, wie es eben früher bei Schreibmaschinen üblich war. In der Konsequenz spuckte das Large Language Model bei doppelten Leerzeichen vermehrt Ergebnisse aus, die auf älteren Trainingsmaterialien basierten. Ein subtiler Unterschied mit großer Wirkung.

9. Maschinen käuen nur wieder

Der Dichter Ezra Pund bezeichnete die wesentliche Aufgabe von Poeten einmal mit den Worten “make it new”. Etwas neues ist leider eines der wenigen Dinge, die große Sprachmodelle nicht liefern können. Sie können uns vielleicht mit obskuren Fun Facts überraschen, die sie aus den hintersten Ritzen ihrer Trainingsdatensätze kratzen. Aber im Grunde tun LLMs mit Hilfe neuronaler Netzwerke nicht mehr als einen mathematischen Durchschnitt ihres Inputs auszuspucken. Über ihren Tellerrand blicken große Sprachmodelle hingegen nicht.

10. Prompt-ROI gibt’s nicht immer

Manche Prompt Engineers schwitzen, tüfteln und feilen tagelang an der richtigen KI-Anweisung. Ein wirklich gut ausgearbeiteter Prompt kann entsprechend aus mehreren tausend Wörtern bestehen. Der resultierende Output kann hingegen im schlimmsten Fall nur wenige hundert Worte umfassen, von denen nur wenige wirklich nützlich sind. Wenn Sie jetzt den Eindruck haben, dass Zeitaufwand und Nutzwert hier gehörig auseinanderdriften, liegen Sie richtig. (fm)

Dieser Artikel ist im Original bei unserer Schwesterpublikation Infoworld.com erschienen.

Selbst wenn Sie bei der Absicherung Ihres Rechenzentrums, Ihrer Cloud-Implementierungen und der physischen Sicherheit Ihres Firmengebäudes alle Register ziehen – mit Hilfe von Social Engineering finden gewiefte Cyberkriminelle meistens einen Weg, diese Maßnahmen zu umgehen.

Social Engineering – Definition

Social Engineering bezeichnet die “Kunst”, menschliche Schwächen auszunutzen, um sich Zugang zu Gebäuden, Systemen oder Daten zu verschaffen. Anstatt zu versuchen, eine Software-Schwachstelle zu finden und auszunutzen, wird ein Social Engineer beispielsweise einen Mitarbeiter anrufen und sich als IT-Support-Angestellter ausgeben, um ihn zur Herausgabe seines Passworts zu bewegen.

Der bekannte Hacker Kevin Mitnick hat den Begriff Social Engineering in den 1990er Jahren entscheidend mitgeprägt. Die Grundidee, sich menschliches Verhalten zunutze zu machen und die Techniken dahinter, gibt es allerdings schon so lange, wie es Betrüger gibt.

Social Engineering – Techniken

Social Engineering hat sich für Cyberkriminelle als besonders erfolgreich erwiesen, wenn es darum geht in Unternehmen einzudringen. Sobald ein Angreifer das Passwort eines vertrauenswürdigen Mitarbeiters erbeutet hat, kann er sich damit einloggen und sensible Daten auslesen. Mit einer Zugangskarte oder einem Code, der physischen Zugang gewährt, können Cyberkriminelle sogar noch größeren Schaden anrichten.

Im Artikel “Social Engineering: Anatomy of a Hack” beschreibt ein Penetrationtester, wie er aktuelle Ereignisse, öffentlich verfügbare Informationen aus sozialen Netzwerken und ein Hemd mit Cisco-Logo aus einem Second-Hand-Laden dazu nutzte, illegal in ein Unternehmen einzudringen. Das vier Dollar teure Gebrauchthemd half ihm, die Rezeptionisten und andere Mitarbeiter davon zu überzeugen, dass er im Auftrag von Cisco technischen Support leisten müsste. Einmal eingedrungen, war es für ihn ein Leichtes, auch anderen Teammitgliedern Zutritt zu verschaffen. Darüber hinaus gelang es dem Ethical Hacker, mehrere mit Malware verseuchte USB-Sticks in den Räumen zu platzieren und sich in das Unternehmensnetzwerk zu hacken. All das lief vor den Augen der Mitarbeiter ab.

Um einen erfolgreichen Social-Engineering-Angriff zu fahren, müssen Sie nicht unbedingt zuerst in einen Second-Hand-Laden gehen, diese Angriffe funktionieren ebenso gut per E-Mail, Telefon oder über soziale Netzwerke. Allen Angriffsarten ist dabei gemein, dass sie menschliche Eigenschaften zu ihrem Vorteil nutzen – beispielsweise Gier, Angst, Neugier oder auch das Bedürfnis, anderen zu helfen.

Cyberkriminelle nehmen sich dabei oft Wochen oder Monate Zeit, um ein Ziel auszukundschaften, bevor Sie einen persönlichen Besuch wagen, eine Nachricht senden oder einen Anruf tätigen. Zu den Vorbereitungen kann beispielsweise gehören, eine Telefonliste oder ein Organigramm des Zielunternehmens zu finden oder die Mitarbeiter über soziale Netzwerke zu recherchieren. Anschließend können Sie beispielsweise über folgende Wege aktiv werden.

• Am Telefon: Ein Social Engineer könnte anrufen und vorgeben, ein Mitarbeiter oder eine vertrauenswürdige externe Autorität zu sein (zum Beispiel ein Strafverfolgungsbeamter oder ein Wirtschaftsprüfer).

• Im Büro:“Können Sie mir die Tür aufhalten? Ich habe meinen Schlüssel/ meine Zugangskarte vergessen.” Diesen Satz haben Sie sicher auch schon einmal so vernommen. Auch wenn die fragende Person nicht verdächtig erscheinen mag – das ist eine beliebte Taktik beim Social Engineering.

• Online: Soziale Netzwerke erleichtern es, Social-Engineering-Angriffe zu fahren. Über Plattformen wie LinkedIn lassen sich schnell und einfach die meisten Mitarbeiter eines Unternehmens finden. Oft kommen noch viele andere Informationen dazu, die unter Umständen für weitere Angriffe nützlich sein können.

Beim Social Engineering werden regelmäßig auch aktuelle Ereignisse, Feiertage oder auch Popkultur-Phänomene dazu eingesetzt, Opfer in die Falle zu locken. Dabei passen die Cyberkriminellen ihre Phishing-Angriffe so an, dass sie auf bestimmte Interessen (Musik, Sport, Politik, etc.) abzielen. Das erhöht die Chance, dass die mit Malware verseuchten Anhänge angeklickt werden.

Social Engineering – Angriffsformen

• Phishing-Angriffe (zu denen auch SMS-basierte Smishing– und Voice-basierte Vishing-Attacken zählen) sind oft mit geringem Aufwand verbunden. Das Motto: “Die Masse macht’s”. Im Rahmen von Phishing-Kampagnen werden oft Tausende identischer E-Mails verschickt. Anschließend müssen die Angreifer nur noch darauf warten, dass jemand leichtgläubig genug ist, um auf den enthaltenen Anhang zu klicken.

• Spear Phishing oder auch Whaling bezeichnet Phishing-Angriffe, die ganz bewusst hochrangige Ziele ins Visier nehmen. Spear-Phishing-Angreifer verbringen im Regelfall viel Zeit damit, solche Ziele zunächst auszukundschaften. Das Ziel besteht dabei darin, einen möglichst überzeugenden, personalisierten Scam auf die Beine zu stellen.

• Baiting ist ein essenzieller Bestandteil aller Phishing-Formen – und anderen Betrügereien. Es bezeichnet die Verlockung, mit der die Ziele in Versuchung geführt werden – sei es eine SMS, die kostenlose Geschenkkarten verspricht oder eine E-Mail, die Kryptowährungen zu besonders attraktiven Preisen oder gar kostenlos in Aussicht stellt.

• Beim Pretexting handelt es sich um eine betrügerische Form von “Storytelling”. Die dabei erfundene Geschichte soll das Opfer zum Beispiel dazu bewegen, persönliche Informationen oder Zugangsdaten preiszugeben. Weiß ein Angreifer beispielsweise, bei welcher Bank sein Opfer Kunde ist, könnte er sich als Mitarbeiter des Kundendiensts ausgeben und unter einem Vorwand wie “Zahlungsverzug” versuchen, Finanzinformationen zu erhalten.

• Business Email Compromise (BEC), auch bekannt als CEO-Fraud, kombiniert mehrere der bislang genannten Techniken. Ein Angreifer erlangt entweder die Kontrolle über die E-Mail-Adresse eines Opfers oder schafft es, E-Mails zu versenden, die so aussehen, als kämen sie von dieser legitimen Adresse. Damit kontaktieren die Angreifer die Untergebenen des Angegriffenen in seinem Namen und ordnen beispielsweise dringliche Überweisungen an.

• Tailgating ist eine physische Social-Engineering-Form, bei der Angreifer den Mitarbeitern eines Unternehmens ins Firmengebäude folgen. Dazu könnten diese sich beispielsweise als Lieferant oder neuer Mitarbeiter, der den Ausweis vergessen hat, ausgeben.

Social Engineering – Beispiele

Um ein Gefühl dafür zu bekommen, auf welche Social-Engineering-Taktiken Sie besonders achten sollten, empfiehlt sich ein Blick auf erfolgreiche Angriffe der Vergangenheit. Hierbei konzentrieren wir uns auf drei spezifische Social-Engineering-Angriffe, die für Cyberkriminelle besonders einträglich ausgefallen sind:

1. Etwas Verlockendes anbieten

Jeder Trickbetrüger weiß: Am einfachsten ist es, aus der menschlichen Gier Profit zu schlagen. Das bildet die Grundlage des klassischen nigerianischen 419-Scams: Hierbei gaukeln Betrüger ihren Opfern vor, sie müssten hohe, unrechtmäßig erworbene Geldsummen aus dem eigenen Land zu einer sicheren Bank im Ausland transferieren. Dazu bräuchten sie Unterstützung: Gegen die Zahlung vermeintlicher Provisions-, Verwaltungs- oder Versicherungsgebühren könnten die Opfer einen Gutteil des oft millionenschweren Geldbetrags abbekommen, so dass betrügerische Versprechen.

Angriffe dieser Art sind seit Jahrzehnten bekannt und eigentlich eine Lachnummer, aber nichtsdestotrotz immer noch eine effektive Social-Engineering-Technik, auf die Menschen hereinfallen: Im Jahr 2007 überwies der Schatzmeister eines dünn besiedelten Bezirks im US-Bundesstaat Michigan einem solchen Betrüger 1,2 Millionen Dollar an öffentlichen Geldern – in der Hoffnung abkassieren zu können.

Ein weiterer gängiger Köder ist die Aussicht auf einen neuen, besseren Job: Im Rahmen einer äußerst peinlichen Kompromittierung traf es im Jahr 2011 das Sicherheitsunternehmen RSA auf diese Weise. Mindestens zwei Mitarbeiter öffneten eine Malware-verseuchte Datei, die an eine Phishing-E-Mail angehängt war. Der Dateiname: “2011 recruitment plan.xls”.

2. Fake it till you make it

Eine der simpelsten – und überraschenderweise auch erfolgreichsten – Social-Engineering-Techniken besteht darin, sich als ratlosen Mitarbeiter auszugeben. Bei einem seiner legendären frühen Betrugsversuche verschaffte sich Kevin Mitnick Zugang zu den Betriebssystem-Entwicklungsservern der Digital Equipment Corporation. Sein Vorgehen: Er rief bei DEC an, gab sich als leitender Entwickler aus und behauptete, er habe Probleme mit dem Login. Er wurde postwendend mit neuen Logindaten versorgt. Das spielte sich schon 1979 ab – man sollte also meinen, die Dinge hätten sich seitdem verbessert. Das ist allerdings nicht der Fall: Im Jahr 2016 erlangte ein Hacker die Kontrolle über ein E-Mail-Konto des US-Justizministeriums und nutzte es, um sich wie seinerzeit Mitnick Zugangsdaten zu verschaffen.

Zwar haben viele Organisationen Barrieren aufgebaut, die diese Art des dreisten Betrugs verhindern sollen, aber oft ist es nicht besonders schwer, sie zu umgehen. Als Hewlett-Packard (HP) im Jahr 2005 Privatdetektive damit beauftragte herauszufinden, welche Vorstandsmitglieder Informationen an die Presse durchstachen, versorgte das Unternehmen die Schnüffler mit den letzten vier Ziffern der Sozialversicherungsnummer ihrer Zielpersonen. Diese Daten akzeptierte der technische Support von HPs TK-Provider AT&T als Identitätsnachweis und händigte den Detektiven detaillierte Anrufprotokolle aus.

3. Autorität spielen

Viele Menschen sind daran gewöhnt, Autoritäten zu respektieren. Das wissen auch Cyberkriminelle. Sie spielen sich als Vorgesetzte oder Führungskräfte aus, um an ihr Ziel zu gelangen. So überwiesen im Jahr 2015 Finanzmitarbeiter von Ubiquiti Networks Firmengelder in Millionenhöhe an Social-Engineering-Betrüger, die sich als Führungskräfte des Unternehmens ausgegeben und ihre Glaubwürdigkeit mit gefälschten E-Mail-Absendern unterstrichen hatten.

Ein anderes Beispiel: Zur Jahrtausendwende gehörte es für (manche) britische Boulevard-Journalisten zum guten Ton, sich Zugang zu den Voicemail-Konten von für sie interessanten Personen zu verschaffen. So überzeugte ein Journalist den TK-Anbieter Vodafone davon, die Voicemail-PIN der Schauspielerin Sienna Miller zurückzusetzen, indem er dort anrief und sich als “Kollege John aus der Credit-Control-Abteilung” ausgab.

Ein weiteres prominentes Beispiel ist John Podesta, Hillary Clintons ehemaliger Wahlkampfleiter, der 2016 von russischen Spionen gehackt wurde. Die Cyberkriminellen hatten ihm im Vorfeld eine Phishing-E-Mail zugestellt, die als Nachricht von Google getarnt war und eine Aufforderung enthielt, sein Passwort zurückzusetzen. Statt sein Konto zu schützen, gab er damit seine Anmeldedaten preis.

Social Engineering – Zahlen & Statistiken

• Allein im Jahr 2024 konnten kriminelle Hacker durch BEC-Angriffe rund 6,3 Milliarden Dollar einstreichen. (Quelle: Verizon DBIR 2025)

• Smishing macht 39 Prozent aller mobilen Bedrohungen aus. (Quelle: SlashNext)

• Mit der Einführung von ChatGPT stieg die Zahl der Social-Engineering-Angriffe um 45 Prozent. (Quelle: SlashNext)

• Mit 17 Prozent aller Kompromittierungen ist Phishing der zweithäufigste, initiale Malware-Infektionsvektor. (Quelle: Mandiant M-Trends-Report 2024)

Social-Engineering-Angriffe abwehren

Wir haben fünf Tipps zur Abwehr von Social-Engineering-Attacken für Sie zusammengestellt:

1. Security Awareness

Security-Awareness-Schulungen sind der beste Weg, um Social Engineering zu verhindern. Nur wenn die Mitarbeiter wissen, welche Gefahr ihnen droht, können sie sich gegen solche Angriffe wappnen. Erarbeiten Sie ein umfassendes Schulungsprogramm, dass zu mehr Sicherheitsbewusstsein führt! Es sollte regelmäßig aktualisiert werden, um sowohl allgemeinen Phishing-Bedrohungen als auch neuen, gezielten Bedrohungen angemessen begegnen zu können.

Dabei sollten Sie von einer tiefgehenden Erklärung technischer Schwachstellen und Details absehen und stattdessen Beispiele nennen, die die Methoden der Angreifer in den Fokus stellen. Auch interaktive Elemente wie ein Quiz können dazu beitragen, Mitarbeiter vorzubereiten.

2. Security-Briefing für Mitarbeiter in Schlüsselpositionen

Unternehmen sollten Führungskräfte und leitende Angestellte in ihre Bemühungen einbeziehen, da sie für Cyberkriminelle die attraktivsten Social-Engineering-Ziele darstellen. Wichtig ist es auch Mitarbeiter, die die Berechtigung zu Finanztransaktionen haben, regelmäßig über die Gefahren aufzuklären.

3. Bestehende Prozesse prüfen

Für finanzielle und andere wichtige Transaktionen bietet es sich an, zusätzliche Kontrollmaßnahmen einzuziehen. Dabei gilt es im Auge zu behalten, dass einige Schutzmaßnahmen, beispielsweise eine Aufgabentrennung, sinnlos werden könnten, wenn es sich um eine Insider-Bedrohung handelt. Eine regelmäßige Risikoanalyse ist zu empfehlen.

4. Neue Richtlinien für dringende Anfragen

Sendet der Vorstandsvorsitzende eine E-Mail von seinem Gmail-Konto, sollte das bei den Mitarbeitern Alarmsignale auslösen. Um vorschnelle Reaktionen zu vermeiden, die ins Unglück führen können, sollten Mitarbeiter ein klar definiertes Notfallverfahren an die Hand bekommen und im Zweifel direkt mit dem Absender kommunizieren können.

5. Incident Management

Überprüfen, verfeinern und testen Sie regelmäßig Ihre Incident-Management-Systeme. Dazu bieten sich Übungen mit der Geschäftsleitung und den wichtigsten Mitarbeitern an, in denen Kontrollmechanismen und potenzielle Schwachstellen auf den Prüfstand kommen.

Social Engineering – Toolkits

Es gibt am Markt einige Tools und Services, die Unternehmen bei Awareness-Kampagnen und Phishing-Simulationen unterstützen:

• Das Social Engineering Toolkit von TrustedSec steht als kostenloser Download zur Verfügung und hilft bei der Automatisierung von Penetrationstests. Zu den Features gehören neben Social Engineering auch Spear Phishing, Fake Websites und USB-basierte Angriffe.

• Das Social Engineering Framework ist eine weitere gute Ressource. Laut Aussage der Macher enthält es “aktuelle wissenschaftliche, technische und psychologische Informationen” zum Thema. Das Ziel sei es, “eine Informationssammlung für Sicherheitsexperten, Penetrationstester und Enthusiasten zu schaffen”. Das Framework wird regelmäßig aktualisiert.

(fm)

Dieser Beitrag ist im Original bei unserer Schwesterpublikation CSOonline.com erschienen.

Mit der einsteiger- und benutzerfreundlichen Programmiersprache Python können Sie nahezu jede erdenkliche Applikation coden. Aber es ist eben auch nur eine Software wie jede andere – Installation und Management können mitunter komplex ausfallen. Wir verraten Ihnen, wie Sie Python aufsetzen, die richtige Version für Ihre Zwecke ermitteln und mögliche Fallstricke bei der Installation unter Windows, Linux und MacOS vermeiden.

Die richtige Python-Version ermitteln

Um die Kompatibilität mit Drittanbieter-Modulen gewährleisten zu können, sollten Sie nicht auf die neueste Python-Version setzen. Stattdessen empfiehlt sich die letzte große Versionierung. Aktuell (Stand: Juni 2026) ist Python 3.14.6 die neueste Version. Um sicherzugehen, dass alles läuft, sollten Sie sich also für die letzte Revision von Python 3.13 entscheiden. Natürlich können Sie die neueste Python-Version jederzeit in einer geschützten Umgebung – etwa einer virtuellen Maschine – austesten.

Von Python existieren darüber hinaus auch verschiedene Distributionen – ganz ähnlich wie das bei Linux der Fall ist. Allerdings ist die Programmiersprache, im Gegensatz zu Linux, auch in einer offiziellen Version erhältlich, die Sie als Fallback-Option nutzen können: CPython wird von der Python Software Foundation zur Verfügung gestellt und ist die sicherste und kompatibelste Distribution. Mit anderen Python-Distributionen für spezifische Use Cases können Sie zu einem späteren Zeitpunkt jederzeit experimentieren.

Ein wesentlicher Punkt bei der Wahl der Python-Distribution – insbesondere unter Windows – ist die Entscheidung zwischen der 32-Bit- und der 64-Bit-Version. Sehr wahrscheinlich werden Sie sich für letztere entscheiden, denn:

• die meisten modernen Betriebssysteme arbeiten standardmäßig mit der 64-Bit-Version von Python. Windows-Nutzer können die 32-Bit-Versionen der Coding-Sprache auch mit einem 64-Bit-Windows betreiben, müssen sich aber auf leichte Performance-Einbußen einstellen.

• 32-Bit-Applikationen – auch Python – können zeitgleich auf maximal 4 GB Arbeitsspeicher zugreifen. Dieses Limit kennen 64-Bit-Apps nicht. Hinzu kommt, dass viele Datenanalyse- und Machine-Learning-Tools innerhalb einer 64-bit-Umgebung am besten laufen.

Für die 32-Bit-Version von Python sollten Sie sich lediglich dann entscheiden, wenn Sie auch ein 32-Bit-Windows oder ein Drittanbieter-Modul nutzen (müssen), welches lediglich als 32-Bit-Version vorliegt.

Python unter Windows installieren

Wie bei nahezu jeder Applikation unter Windows läuft auch die Installation von Python über einen Installer ab, der Sie durch den Setup-Prozess geleitet. Standardmäßig legt der Python-Installer .exe-Dateien unter Windows im App-Data-Verzeichnis des jeweiligen Nutzers ab – so dass keine Administratorrechte für die Installation benötigt werden.

Den richtige Python Installer für Windows finden

Python.org stellt mehrere verschiedene Windows Installer zur Verfügung. Neben der 32-Bit- (x86) und der 64-Bit-Version (x86-64) auch eine Version für Windows-ARM-Systeme, ein embeddable Zip File, eine .exe-Datei sowie einen webbasierten Installer. Diese unterscheiden sich wie folgt:

• Der .exe Installer ist lediglich eine ausführbare Datei, die den Installationsprozess von Python startet – das ist die gängigste und simpelste Lösung.

• Der webbasierte Installer ist im Grunde identisch zu seinem .exe-Pendant, mit dem Unterschied, dass es die Dateien, die für die Installation nötig sind, separat herunterlädt. Dadurch reduziert sich die Größe des Installers drastisch, allerdings ist eine Netzwerkverbindung zwingend erforderlich.

• Das embeddable Zip File ist eine in sich geschlossene, auf das Minimum reduzierte Kopie der Python-Laufzeitumgebung. Das ist nützlich, wenn Sie eine Python-Applikation manuell verteilen oder schnell etwas testen wollen. Allerdings enthält dieser Installer keines der nützlichen Tools, die die anderen Versionen an Bord haben.

Python mit einem Package Manager unter Windows installieren

Eine weitere Option unter Windows ist die Nutzung des betriebssystemeigenen Package-Management-Systems NuGet. Der Package Manager für .NET hat auch Python im Angebot, allerdings als Komponente für .NET-Applikationen und nicht, um als Installer für eine Standalone-Version von Python zum Einsatz zu kommen. Das Management Ihrer Python-Instanz dürfte sich deshalb mit einer regulären Installation einfacher gestalten.

Auch das Windows Package Management System Chocolatey stellt Python zur Verfügung. Das ist im Vergleich zu NuGet in der Regel die bessere Option, weil Ihr System dabei auf eine vorhandene Python-Laufzeitumgebung überprüft wird. Allerdings sollten Sie vermeiden, reguläre Installationen und solche mit Chocolatey auf einem System zu vermischen.

Python unter Linux installieren

Weil Linux-Distributionen teilweise erhebliche Unterschiede aufweisen, sollten Sie bei der Installation von Python unter dem Open-Source-Betriebssystem auch auf den Package Manager der jeweiligen Distribution zurückgreifen. Die Vorgehensweise bei der Installation unterscheidet sich beispielsweise im Fall von Ubuntu und Fedora grundlegend. Das Installations-Zielverzeichnis orientiert sich dabei im Regelfall an der Python-Versionsnummer (/usr/bin/python3.x).

Ein Weg, die Komplexität im Umgang mit Linux-Package-Managern zu umgehen ist die Nutzung einer Container-basierten Python-Laufzeitumgebung. Container sind vom Rest des Systems isoliert – Sie müssen sich also auch keine Gedanken darüber machen, dass unterschiedliche Python-Laufzeitumgebungen Konflikte verursachen. Falls Sie keine Erfahrungen im Umgang mit Containern haben, müssen Sie allerdings ein wenig Zeit und Mühe einplanen, um sich mit der Materie vertraut zu machen.

Das Tool asdf-vm ist hilfreich, um mehrere Python-Laufzeitumgebungen auf Unix-basierten Systemen (Linux und MacOS) zu managen. Dabei beschränkt sich das Tool nicht auf Python: auch mehrere Laufzeitumgebungen für Node.js, Ruby, Elixir und viele weitere Programmiersprachen können mit asdf-vm unter einen Hut gebracht werden.

Python unter MacOS installieren

Apples MacOS wurde lange mit einer vorinstallierten Python-Version ausgeliefert – allerdings kam dabei keine Version zum Einsatz, die neuer als 2.7 war. Das führte mit der Veröffentlichung von Python 3.0 des Öfteren zu Problemen beziehungsweise Konflikten. Die offizielle Python-Dokumentation geht am Rande auf dieses Problem ein, stellt als Lösungsansatz allerdings nur die Empfehlung bereit, den richtigen Pfad für die entsprechende Python-Instanz zu wählen.

Die Nutzung des Homebrew Package Managers stellt einen gängigen Weg dar, um Python-Laufzeitumgebungen unter MacOS zu managen. Dieser stellt ein konsistentes Interface für Download, (De-)Installation und Management von Python zur Verfügung.

Python Packages installieren

Wenn Sie die Grundinstallation von Python abgeschlossen haben, sollten Sie im nächsten Schritt nicht direkt mit Pip (der Python Package Manager) die Packages installieren – selbst, wenn Sie Python nur für ein einzelnes Projekt nutzen wollen. Stattdessen empfiehlt es sich, virtuelle Python-Umgebungen aufzusetzen und die Packages innerhalb dieser Umgebungen zu installieren. So bleibt die Basis-Installation “clean”.

Eine Vielzahl von Projekten mit virtuellen Umgebungen zu managen, kann sich anspruchsvoll gestalten. Hier empfiehlt sich ein Blick auf das Kommandozeilen-Tool Poetry.

Mehrere Python-Versionen parallel installieren

Richtig knifflig wird es, wenn mehrere verschiedene Versionen der Programmiersprache parallel installiert werden sollen. Hier sollten Sie insbesondere zwei Dinge beachten:

• Installieren Sie jede Python-Version immer in einem eigenen Verzeichnis.

• Stellen Sie sicher, dass die Systempfade zuerst auf die Python-Version verweisen, die standardmäßig zum Einsatz kommen soll.

Die Einrichtung virtueller Umgebungen für jedes einzelne Projekt ist wärmstens zu empfehlen, wenn unterschiedliche Python-Versionen parallel zum Einsatz kommen sollen: So stellen Sie sicher, dass bei Aktivierung der entsprechenden virtuellen Umgebung immer automatisch die richtige Version der Coding-Sprache zum Einsatz kommt. Windows-Nutzern steht in diesem Zusammenhang mit der Py Launcher App eine weitere Option zur Verfügung. Diese kann im Rahmen des Installationsprozesses hinzugefügt werden und ermöglicht Ihnen, über Kommandozeilen-Flags auszuwählen, welche Python-Version für das jeweilige Script zum Einsatz kommen soll.

Mehrere Python-Versionen unter Windows managen

Bislang war es nicht wirklich möglich, unter Windows installierte Python-Versionen zu managen. Das ändert sich ab Version 3.14 mit einem Tool, das das Python-Kernteam neu entwickelt hat. Der Python Installation Manager for Windows ist soll künftig das Mittel der Wahl darstellen, um Installationen unter Windows zu verwalten. Weil der neue Installation Manager selbst nur eine normale Windows-App ist, gibt es mehrere Möglichkeiten, diesen zu installieren. Das funktioniert über:  

• den Microsoft Store,
• die offizielle Python-Website per Direkt-Download, oder
• den WinGet-Paketmanager (winget install 9NQ7512CXL7T).

Das bisherige py-Tool soll künftig durch den Installation Manager ersetzt werden, wobei das neue Tool das alte in Sachen Funktionalität deutlich übertrifft. Die Befehle, die zuvor funktioniert haben, können weiterhin verwendet werden. Einen nützlichen Überblick über alle wichtigen Kommandos rufen Sie mit py help auf:

Um einzusehen, welche Python-Versionen bereits auf Ihrem Windows-System vorhanden sind, nutzen Sie den Befehl py list:

Wenn Sie an bereits installierten Python-Instanzen Änderungen vornehmen möchten, müssen Sie diese manuell entfernen und anschließend mit dem Installation Manager neu installieren. Das ist denkbar einfach:

• Python-Versionen fügen Sie mit py install hinzu,
• rufen diese nach der Installation mit py - auf, und
• nutzen py uninstall für die Deinstallation.

Um zu sehen, welche Python-Versionen über den Manager verfügbar sind, nutzen Sie py list --online. Die hier gelisteten Python-Installationen lassen sich zudem mit dem Befehl py list -f=json im JSON-Format exportieren (CSV und JSONL sind ebenfalls verfügbar). Die standardmäßige Python-Version wird in der Auflistung durch ein Sternchen markiert:

Sobald Sie den Befehl py eingeben, wird diese Standard-Version aufgerufen. Falls Sie das ändern möchten, können Sie eine Umgebungsvariable definieren. Um etwa Python 3.12 als Standardversion festzulegen, würden Sie Powershell mit folgendem Kommando füttern:  

$Env:PYTHON_MANAGER_DEFAULT=„3.12“

Ein Befehl wie py install könnte allerdings leicht mit vorkonfigurierten Befehlen in virtuellen Umgebungen oder mit einem anderen Alias kollidieren. Um das zu vermeiden, können Sie pymanager als eindeutigen Namen für den Installation Manager nutzen. Alle Befehle bleiben dabei unverändert, lediglich der Name der Executable ändert sich.

Darüber hinaus ist es auch möglich, die Windows App Execution Aliases für Befehle wie python und python3 anzupassen. Dazu geben Sie lediglich py install --configure ein. Sie werden dann aufgefordert, die Aliase Ihres Systems zu ändern:

Python richtig upgraden

Weniger umfangreiche Python-Revisionen (etwa von 3.7.2 auf 3.7.3) stellen im Regelfall kein Problem dar: Unter Windows erkennt der Installer automatisch die installierte Version und stößt das entsprechende Upgrade an – unter Linux und MacOS in der Regel ebenso. Allerdings müssen auch alle virtuellen Umgebungen, die Sie erstellt haben, mit einem Upgrade versehen werden – das geschieht nicht automatisch.

Bei großen Revisionen (etwa von 3.12 auf 3.13) sollten Sie hingegen neue virtuelle Umgebungen innerhalb der einzelnen Projektverzeichnisse erstellen. Die meisten IDEs die Python unterstützen (zum Beispiel Microsoft Visual Studio Code), erkennen das automatisch und ermöglichen Ihnen, zwischen den verschiedenen virtuellen Umgebungen hin- und her zu wechseln.

Dieser Artikel ist im Original bei unserer Schwesterpublikation Infoworld.com erschienen.

Auf einen Blick

Pro

• Altbekannter Surface Laptop
• Der neue Blickschutz funktioniert oft gut
• Die “Voice Focus”-Funktion ist ziemlich nützlich

Kontra

• Unangemessen hoher Preis
• Die gleiche alte Bauweise

Fazit

Der Surface Laptop 8 for Business von Microsoft kommt einem sofort bekannt vor. Herzstück ist ein leistungsstarker Intel Core Ultra Series 300 (Panther Lake)-Prozessor. Doch leider ist das Gerät derart teuer, dass sich ein Kauf angesichts der wenigen neuen Funktionen kaum rechtfertigen lässt.

Zum ersten Mal seit Jahren war ich nicht begeistert, ein neues Surface-Modell zu testen. Und auch nach dem ausführlichen Test bin ich eher enttäuscht.

Dabei hat der Surface Laptop 8th Edition (oder Surface Laptop 8) for Business zwei echte Pluspunkte vorzuweisen: ein Upgrade auf Intels hervorragende Prozessoren der Core Ultra 300-Serie (Panther Lake) und einen einigermaßen nützlichen Sichtschutz.

Letzterer kann den Bildschirm auf Knopfdruck abdunkeln und unkenntlich machen. Leider hat Microsoft aber am traditionellen Aufschlag für Surface-Geräte festgehalten. Diese Preisgestaltung treibt die Kosten des Laptops in unattraktive Höhen.

Fairerweise muss man sagen, dass es sich hierbei um einen Laptop der Business-Klasse handelt. Eine Consumer-Version dieses Surface Laptops wird noch in diesem Jahr folgen, ausgestattet mit einem Qualcomm Snapdragon X2 Elite Extreme-Chip.

Basierend auf meinen eigenen Tests beider Chips lässt sich sagen, dass der hier verbaute Intel Core Ultra 300-Prozessor den Snapdragon leicht übertreffen wird. Dies gilt zumindest für die Grafikleistung und möglicherweise auch für die Akkulaufzeit.

Einige Surface-Fans könnten einwenden, dass Microsoft das Design des Laptops bereits optimiert hat. Andere könnten die Optik als altbacken kritisieren. Ich gehöre definitiv zur zweiten Gruppe. Ich muss mittlerweile auf Klebezettel zurückgreifen, die ich an der Unterseite der von mir getesteten Surface-Laptops anbringe. Warum? Sie sind im Alltag sonst praktisch nicht voneinander zu unterscheiden.

Modell-Chaos

Der Microsoft Surface Laptop 8 ist mit Bildschirmdiagonalen von 13,8 Zoll und 15 Zoll erhältlich. Microsoft vertreibt das Modell offiziell als “Surface Laptop for Business (8. Generation)” oder “Surface Laptop 8 for Business”.

Sie können den Surface Laptop for Business auch mit einem 13-Zoll-Display kaufen. Microsoft hat den Surface Laptop bisher noch nie mit einer solchen Bildschirmgröße angeboten, weshalb er schlicht als Surface Laptop for Business 13 Zoll bezeichnet wird.

Durch den Kauf des kleineren Surface Laptops sparen Sie mehrere hundert Euro (die Preise beginnen bei 1.549 Euro, im Vergleich zu 2.119 Euro für den 13,8-Zoll-Surface Laptop 8). Die Auswahl der Komponenten beschränkt sich dann jedoch auf einen Core Ultra 5 325-Prozessor, bis zu 24 Gigabyte RAM und bis zu einem Terabyte SSD-Speicher.

Auf dem Papier und in der Hand ist der Surface Laptop 8 for Business im Wesentlichen identisch mit dem Surface Laptop 7 aus dem Jahr 2024, der ab 1.199 Euro angeboten wurde. Zugegeben, dabei handelte es sich um eine Consumer-Version des Surface Laptop mit einem Snapdragon X1 Elite. Das ändert jedoch nichts daran, dass sich der Einstiegspreis im Vergleich zu vor zwei Jahren fast verdoppelt hat. Das macht das neue Gerät deutlich unattraktiver.

Kombination aus Alt und Neu

Das Design des Surface Laptop hat sich seit Jahren kaum verändert. Direkt nach dem Auspacken liegt der Laptop angenehm in der Hand, während das glänzende Aluminiumgehäuse nun aus bis zu 64 Prozent recyceltem Material besteht. Da es jedoch leicht Fingerabdrücke anzieht, sollten Sie ein Mikrofasertuch immer griffbereit halten. Ich empfinde das Gewicht von 1,35 Kilogramm weder in der Hand noch in meinem Rucksack als unangenehm. Hier kann ich Entwarnung geben.

In einigen Aspekten unterscheidet sich der Surface Laptop 8 for Business von seinen Vorgängern. Da wäre zunächst der Prozessor: eine Leistungssteigerung durch den Intel Core Ultra Series 3-Chip, bekannt als Panther Lake.

Zu den verfügbaren Ausführungen gehören sowohl die Basis-Konfigurationen mit Core Ultra 5 und 7 als auch der Core Ultra X7 368, der über Intels leistungsstarke integrierte GPU verfügt. Lassen Sie sich davon jedoch nicht allzu sehr verunsichern. Bei längerem Betrieb wird die Grafikeinheit durch die begrenzte Kühlung im Laptop thermisch erheblich gedrosselt.

Zudem gibt es eine merkwürdige Auslassung: Die Surface-App, mit der sich die Ladeoptionen des Akkus sowie einige weitere Einstellungen verwalten lassen, fehlt. Ich musste sie von Hand aus dem Microsoft Store herunterladen.

Außerdem bietet Microsoft als Option die “Privacy Screen”-Technologie an, die exklusiv für die 13,8-Zoll-Version verfügbar ist.

Im Wesentlichen funktioniert die “Privacy Screen”-Technologie des Surface Laptops, ähnlich wie die “Privacy Display” getaufte Funktion auf dem neuen Galaxy S26 Ultra von Samsung.

Sie wird über eine neue Taste auf der Tastatur aktiviert, die als F1-Taste neben der Esc-Taste in der obersten Reihe angeordnet ist. Drückt man diese Taste, wird das Display dunkler und passt sich so an, dass es von den Seiten her schwerer lesbar ist. Microsoft erklärt an dieser Stelle, wie der Blickschutz funktioniert, ohne dabei die genaue Funktionsweise zu erläutern.

Die Datenschutztechnologie nutzt die Fähigkeit des Laptops, die Helligkeit des Displays sowohl entsprechend den Präferenzen des Benutzers als auch in Abhängigkeit vom Umgebungslicht anzupassen. Je dunkler das Display, desto schwieriger wird es für neugierige Passanten, etwas auf dem Bildschirm zu erkennen.

In meinen Tests waren die Ergebnisse nicht eindeutig. In einem abgedunkelten Raum, wurde das Display aus einer Entfernung von einem Meter ab einem seitlichen Winkel von etwa 15 Grad zur Displayachse so dunkel, dass es fast nicht mehr zu erkennen war.

In einem helleren Raum blieb ein größerer Teil des Bildschirminhalts erkennbar. Ich konnte jedoch immer gut erkennen, um welche Art von Inhalt es sich auf dem Bildschirm handelte, auch wenn ich den eigentlichen Text nicht mehr lesen konnte. Ein Teil des Bildschirms blieb immer relativ gut sichtbar, es sei denn, ich saß sehr weit entfernt.

Es ist schwer zu beurteilen, wie effektiv der Blickschutz wirklich ist. Die Wirksamkeit schwankte im selben Raum unter den gleichen Bedingungen einfach zu sehr. Schauen Sie sich einfach mal die folgenden Vergleiche an. Im ersten Beispiel musste ich die Perspektive leicht verändern.

Aus dieser Perspektive scheint der Blickschutz kaum eine Wirkung zu entfalten. Ich habe mir dabei vorgestellt, wie es aus dem Blickwinkel einer Person aussehen würde, die auf einem Gangplatz im Flugzeug sitzt und beiläufig zu meinem Sitz über den Gang hinweg blickt. Aus dieser Perspektive glaube ich nicht wirklich, dass der Blickschutz von Microsoft wirklich funktioniert.

Aus einem anderen Blickwinkel betrachtet sind die Ergebnisse aber gar nicht so schlecht. Es wäre hilfreich gewesen, wenn Microsoft genau mitgeteilt hätte, in welchen Situationen der Blickschutz am wirksamsten arbeitet. In einem abgedunkelten Flugzeug, bei eingeschalteter Deckenbeleuchtung? In einem relativ hellen Raum wie meinem Büro?

In einem schlechter beleuchteten Raum schien der Blickschutz wirksamer zu arbeiten. Aber sollten Sie wirklich Ihre Arbeitsbedingungen anpassen müssen, um von dieser Funktion zu profitieren?

Zudem ist mir eine leichte Fleckbildung auf dem Display aufgefallen, die aussieht wie ein schwacher, staubiger Schleier im Displayglas. Ich vermute, dass dies an der Beschaffenheit des Sichtschutzglases selbst liegt.

Vielleicht wurden hierfür einige der Pixel leicht versetzt? Das Ergebnis ist jedoch deutlich sichtbar: Eine weiße Webseite wirkt bei direkter Betrachtung leicht staubig. Dies ist nicht störend oder ablenkend, aber es war auffällig.

Was die Ein- und Ausgänge betrifft, ist die Ausstattung des Surface Laptop 8 for Business recht übersichtlich: An der linken Seite befinden sich zwei Thunderbolt-4-/USB-C-Anschlüsse, über die mit dem entsprechenden Dock drei 4K-Displays mit 60 Hertz betrieben werden können.

Die Anordnung sorgt jedoch dafür, dass ein Nutzer, der die Maus mit der linken Hand bedient, sich den Platz mit den Displaykabeln teilen muss. Außerdem gibt es einen USB-A-Anschluss und eine Kopfhörerbuchse.

Auf der rechten Seite befindet sich der Surface Connect-Anschluss, der beim kleineren Surface Laptop und beim neuen Surface Pro weggefallen ist. Das bedeutet, dass Sie das Gerät entweder mit so gut wie jedem handelsüblichen USB-C-Ladegerät oder mit dem mitgelieferten winzigen 60-Watt-Surface-Ladegerät wieder aufladen können.

Insgesamt wirkt das Design des Surface Laptop 8 for Business robust und gut verarbeitet. Es ist jedoch erwähnenswert, dass das Kühlsystem im Vergleich zu früheren Generationen gänzlich unverändert geblieben ist: Die Luft strömt durch Lüftungsgitter im Scharnier nach außen.

Selbst bei der Standardeinstellung des Laptops (Beste Energieeffizienz) musste ich nicht viel am Rechner tun, damit sich der Lüfter einschaltete. Unter Last war das Lüftergeräusch jedoch meist unauffällig.

Bildschirm

Kurzum, mir gefällt der Bildschirm des Surface Laptop 8 for Business einfach nicht.

Auf dem Papier macht das Display noch einen guten Eindruck: Das HDR-Display bietet Dolby Vision IQ-Unterstützung mit adaptiver Farb- und Kontrastanpassung von bis zu 1300:1. Microsoft bietet zwei Anzeigemodi an: sRGB und „Vivid“. Der Hersteller gibt an, dass eine Helligkeit von bis zu 600 Nits erreicht werden kann. Ich habe insgesamt eine Leuchtdichte von 491 Nits gemessen, die jedoch bei aktiviertem Sichtschutz auf 163 Nits sank.

Der Farbraum ist recht gut und blieb sowohl bei aktiviertem als auch bei deaktiviertem Sichtschutz unverändert.

Der Surface Laptop 8 for Business bietet ein Touch-Display. Dieses ist jedoch nur für die Bedienung mit dem Finger ausgelegt. Eine Eingabe per Stift wird nicht unterstützt. Das Display lässt sich ohnehin nicht vollständig zurückklappen, was die Verwendung eines Stifts schwer machen würde.

Was ich am Bildschirm besonders schätze, ist eine oft unterschätzte Funktion: Die variable Bildwiederholfrequenz reicht von 120 Hertz bis hinunter auf 24 Hertz. Das ist großartig. Das 120-Hertz-Display erhöht die Bildwiederholfrequenz, wenn Sie es aktiv nutzen. Dadurch werden Mausbewegungen oder Spiele mit einer höheren Bildwiederholfrequenz dargestellt, was zu flüssigeren Bewegungen führt.

Wenn Sie auf einen statischen Bildschirm schauen, sinkt die Bildwiederholfrequenz auf 24 Hertz – weniger als die herkömmlichen 60 Hertz. Das senkt den Stromverbrauch, ohne dass Sie es wirklich bemerken. Der Akku hält entsprechend länger durch.

Der Bildschirm wirkt allerdings etwas trüb, und es gibt eine leichte Fleckenbildung, die durch den Sichtschutz verursacht wird. Dies sorgt dafür, dass die Auflösung niedriger wirkt, als sie tatsächlich ist. Mit einer Kamera lässt sich dieses Manko nicht wirklich einfangen. Vielleicht bin ich durch die neue Generation von OLED-Displays auch einfach zu verwöhnt. Doch aus meiner Sicht lässt dieser Bildschirm einfach zu viele Wünsche offen.

Ton und Mikrofone

Microsofts Surface-Geräte gehörten zu den ersten Laptops, die mit ihrer Audioqualität überzeugen konnten. Daran hat sich nichts geändert. Die integrierten Omnisonic-Lautsprecher unterstützen Dolby Atmos und bieten mehr Lautstärke, als für einen kleinen Raum nötig wäre. Der Sound klang zwar etwas flacher, als ich ihn in Erinnerung hatte.

Dennoch benötigen Sie für diesen Laptop nicht unbedingt Kopfhörer. Die Audioqualität der verbauten Lautsprecher ist über den gesamten Frequenzbereich hinweg recht gut.

Die beiden Studio-Mikrofone sorgen für eine neue Funktion namens “Voice Focus“. Diese soll in bestimmten, aber nicht näher genannten Anwendungen unterstützt werden. Der Algorithmus konzentriert sich dabei auf Ihre Stimme und nicht auf Geräusche im Hintergrund. Um diese Funktion auszuprobieren, nahm ich meine Stimme mit der Windows-App “Sound Recorder” auf, während ich im Hintergrund Musik und weißes Rauschen abspielte.

Beide Hintergrundgeräusche blieben noch etwas hörbar. Das weiße Rauschen wurde deutlich besser herausgefiltert als der Gesang im Hintergrund. Hier wusste die Software einfach nicht, ob sie die abgespielte Musik beibehalten oder ausblenden sollte. Die meisten neuen Asus-Laptops bieten eine noch bessere Geräuschfilterung.

Tastatur und Touchpad

Die Tastatur gehörte einst auch zu den Aspekten, die ein Surface-Gerät ausgezeichnet haben. Mittlerweile haben die anderen Hersteller jedoch aufgeholt. Mir sind dennoch keine Mängel an der Tastatur des Surface Laptop 8 for Business aufgefallen. Sie ist nicht deutlich besser oder schlechter als andere gute Laptop-Tastaturen.

Der neue Surface Laptop verfügt über die haptischen Touchpads, die Microsoft vor einigen Jahren eingeführt hat. Diese lassen sich über die gesamte Fläche anklicken. Dies ist im Vergleich zu herkömmlichen Touchpads ein echter Pluspunkt. Microsoft arbeitet zudem daran, ein subtiles haptisches Feedback auszulösen, wenn der Mauszeiger über bestimmte Bildschirmelemente bewegt wird, wie das “X” zum Schließen eines Fensters. Der Effekt ist sehr unauffällig, aber dennoch ein nettes kleines Detail.

Das Touchpad lässt sich zudem über die Surface-App anpassen. Diese war auf meinem Testgerät jedoch nicht vorinstalliert. Die App kann jedoch kostenlos aus dem Microsoft Store heruntergeladen werden. Mit der Software können Sie festlegen, welcher Bereich des Surface-Touchpads auf Rechts- und Linksklicks reagiert.

Webcam

Der Surface Laptop 8 for Business verfügt über eine 1080p-Kamera, die die Windows Studio-Effekte wie Hintergrundunschärfe, Bildausschnitt, Blickkontakt und mehr unterstützt. Außerdem bietet sie die Gesichtserkennung, einen wesentlichen Bestandteil der Windows Hello-Technologie. Während des Testzeitraums hatte ich keinerlei Probleme mit der Anmeldung über die Kamera.

Da es sich um eine “Business”-Kamera handelt, erwartet man von der Webcam eine professionelle Darstellung unter verschiedenen Lichtverhältnissen. Und unter der hellen LED-Beleuchtung meines Büros funktioniert dies auch gut.

Hier habe ich die Webcam sowohl im hellen Licht unseres Büros als auch bei natürlicherer Beleuchtung in meiner Wohnung getestet.

Offen gestanden war ich von den Ergebnissen nicht sonderlich beeindruckt. Bei natürlicher Beleuchtung (der Himmel war an diesem Tag bewölkt) schnitt die Webcam recht gut ab, obwohl das Bild körniger war, als ich es erwartet hätte. Im Büro wirkte das Bild der Kamera jedoch etwas blass.

Leistung

Derzeit zählt der Intel Core Ultra 300 (Panther Lake) zu den besten Premium-Laptop-Prozessoren, die Sie im Jahr 2026 kaufen können. Den kürzlich vorgestellten AMD Ryzen AI 400-Prozessor konnten wir noch nicht in einem marktreifen Laptop finden.

Bislang durften wir Panther Lake jedoch nur in größeren Produktivitäts-Laptops mit überlegenen Kühlungslösungen wie dem Asus ZenBook Duo ausprobieren. Zum besseren Verständnis: Läuft ein Laptop über einen längeren Zeitraum unter hoher Last, kann sich die Performance durch Drosselung reduzieren. Auf diese Weise soll eine gefährliche Überhitzung verhindert werden. Im Fall des Surface Laptop 8 ist dies ein Punkt, auf den Sie besonders achten sollten.

Der Cinebench-2024-CPU-Benchmark umfasst einen “Thermal-Throttling”-Test. Dabei wird der Benchmark wiederholt über einen Zeitraum von zehn Minuten ausgeführt. In diesem Szenario ist eine verminderte Leistung ein Hinweis auf thermische Drosselung. Sie können dann einen einzelnen Durchlauf mit dem Langzeittest vergleichen. So kann festgestellt werden, ob eine Drosselung auftritt. In unserem Fall sank die CPU-Leistung bei einem Vergleich von 773 auf 689 Punkte.

Mit dem 3DMark-Grafiktest lässt sich ebenfalls ein Langzeittest durchführen – in diesem Fall zwanzig Benchmark-Durchläufe – und die Leistung im Verlauf des Tests vergleichen. Hier war der Unterschied noch größer.

Der Benchmark erzielte beim ersten Durchlauf die höchste Punktzahl, fiel dann bei den nachfolgenden Durchläufen auf etwa die Hälfte der Leistung ab und verblieb während der folgenden Testläufe auf diesem Niveau.

Was sagt uns das? In gewisser Weise sind Leistungswerte oft irreführend. Der Surface Laptop 8 funktioniert am zuverlässigsten in kurzen, intensiven Phasen, zumindest was das Gaming betrifft.

Für längere Sitzungen ist das Gerät weniger gut geeignet. Andererseits scheint die Kühlung für CPU-intensive Aufgaben auszureichen. Zu diesen Aufgaben zählen unter anderem das Betriebssystem, das Komprimieren und Dekomprimieren von Dateien sowie allgemeine Anwendungen ohne viele visuelle Elemente. Beachten Sie, dass wir zwar die NPU-Fähigkeiten des Laptops nicht testen, er sich mit seinen 50 TOPS jedoch als Copilot-PC qualifiziert.

Ich habe den Surface Laptop 8 for Business mit mehreren 14-Zoll-Laptops der jüngsten Generation verglichen: dem Acer Swift X 14 AI und dem verwandten Modell Acer Swift Edge 14 AI.

Hinzu kamen zwei Panther-Lake-Laptops: der Dell XPS 14 und der MSI Prestige Flip 14 AI. Schließlich habe ich noch zwei Snapdragon-Laptops hinzugefügt: den Surface Laptop 7 (2024) mit einem Snapdragon X1 Elite-Chip der ersten Generation sowie den Lenovo Yoga Slim 7x Gen 11, der mit einem Snapdragon X2 Elite Extreme-Chip der zweiten Generation ausgestattet ist.

Der PCMark-10-Test deckt ein breites Spektrum ab, das von Videoanrufen über das Surfen im Internet hin zu CAD-Anwendungen und einigen weniger anspruchsvollen Spielen reicht.

Aufgrund der Vielfalt der getesteten Anwendungen ist dieser Benchmark nach wie vor relevant. Der Surface Laptop profitiert ein wenig von seiner leistungsstarken integrierten GPU, obwohl es sich hierbei in erster Linie um CPU-orientierte Tests handelt.

Für andere Tests, die sich nicht mit PCMark messen lassen, verwenden wir stattdessen Cinebench 2024. Obwohl es eine Version für 2026 gibt, nutzen wir aus Kompatibilitätsgründen weiterhin Cinebench 2024. Auch hier gilt: Panther Lake ist eine leistungsstarke CPU, die bei kurzer Spitzenlast eine hohe Leistung bietet.

Dieser ausgedehnte Cinebench-Stresstest verdeutlicht jedoch, dass Sie bei längerer Nutzung mit einer geringeren CPU-Leistung rechnen müssen.

Handbrake war ursprünglich der Test, mit dem wir bewerteten, wie gut sich der Laptop und sein Prozessor über einen längeren Zeitraum behaupten können. Die App selbst ist nützlich, auch wenn sie schon älter ist.

Sie transkodiert lediglich eine Videodatei in ein Format, das für die Speicherung auf einem Tablet verwendet wird. Angesichts der Verbreitung von Streaming-Apps findet diese Transkodierung mittlerweile meist im Hintergrund statt. Dennoch ist sie ein wirksames Maß für die dauerhafte CPU-Leistung.

Unser traditioneller Maßstab für die 3D-Leistung ist der “Time Spy”-Benchmark von 3DMark. Dieser misst die 3D-Leistung auf eine Weise, die ein echtes 3D-Spiel simuliert. Auch hier würde ich erwarten, dass der Surface Laptop recht gut abschneidet – und das tut er auch.

Allerdings sind mir bei den von diesem Laptop gemeldeten Ergebnissen einige übermäßige Schwankungen aufgefallen. Nach einem Kaltstart stiegen die Benchmark-Ergebnisse auf einen Höchstwert von 7.063. Im niedrigsten Fall sank das Ergebnis auf 4.601. Nach jedem Durchlauf ließ ich den Laptop zehn Minuten lang abkühlen.

Bei diesem Gerät zeigen die Ergebnisse jedoch einen deutlichen Unterschied zwischen der Durchführung des Benchmarks zu Beginn des Tages und der Durchführung nach einer Abkühlphase von zehn Minuten im Anschluss an eine Reihe anderer Benchmarks. Dies ist ein ungewöhnliches Verhalten und ein echter Minuspunkt. Ich gehe einfach immer davon aus, dass ein hochwertiger Laptop eine konstante Leistung abliefern kann.

Da es sich beim Surface Laptop 8 um ein Produktivitätsgerät handelt, habe ich ihn im Hinblick auf Gaming nicht ausgiebig getestet. Allerdings machen Intels XeSS-Upscaling und die Frame-Generierung einen enormen Unterschied.

“Cyberpunk: 2077”, getestet bei einer Auflösung von 1.920 × 1.080 Pixeln und der Einstellung „Low“, erzielte mit der reinen Render-Engine des Spiels eine durchschnittliche Bildrate von 50 Bildern pro Sekunde. Das ist ein schon relativ gut spielbares Ergebnis. Mit aktivierten Zusatzfunktionen stieg die Bildrate jedoch auf 133 Bilder pro Sekunde – was mehr als spielbar ist.

Bitte beachten Sie, dass der Benchmark nur etwa eine Minute lang läuft. Daher ist bei längerem Spielen mit einem Rückgang der Bildrate zu rechnen.

Bei einem Produktivitäts-Laptop lege ich Wert auf außergewöhnliche Leistung. Aber die Akkulaufzeit ist ebenso wichtig. Einige der ersten Panther-Lake-Laptops, die ich getestet habe, verfügten über riesige 99-Wattstunden-Akkus – das zulässige Maximum in Flugzeugen.

Um das Gewicht gering zu halten, lieferte Microsoft den Surface Laptop 8 for Business mit einem 52-Wattstunden-Akku aus. Das wirkt sich natürlich auf die Akkulaufzeit aus, wenn auch nicht dramatisch. Es macht mir keine Sorgen, dass ich für eine Akkulaufzeit von 17,3 Stunden etwas weniger Gewicht mit mir herumschleppen muss. Bei produktiver Arbeit könnte die Laufzeit aber etwas niedriger ausfallen als in unseren Tests.

Preis und Verfügbarkeit

Zum Zeitpunkt der Veröffentlichung ist der Surface Laptop 8 for Business nur bei Microsoft selbst und wenigen anderen Händlern erhältlich. Der Einstiegspreis für das 13,8-Zoll-Modell liegt beim Hersteller bei 2.119 Euro. Dafür gibt es 16 Gigabyte RAM und 256 Gigabyte Speicherplatz. Mit 512-Gigabyte-SSD klettert der Preis auf 2.239 Euro.

Optional ist für ausgewählte 13,8-Zoll-Konfigurationen der integrierte Privacy Screen erhältlich. Ob diese Variante in Deutschland verfügbar ist, geht aus dem Microsoft Store derzeit nicht eindeutig hervor. Als Option steht der Blickschutz bei der Konfiguration noch nicht zur Verfügung.

Fazit

Würde man den Preis um etwa 1.000 Euro senken, dann ließe sich der Kauf des aktuellen Surface Laptop 8 for Business eher rechtfertigen. So ist dieser Laptop aber einfach viel zu teuer, um ihn zu empfehlen – selbst für die geschäftliche Nutzung.

Es ist erwähnenswert, dass die Laptops, mit denen wir den Surface Laptop primär vergleichen, auch erst kürzlich ausgeliefert wurden. Dadurch sind auch diese Geräte ebenfalls von den Kostensteigerungen bei Arbeitsspeicher und SSD-Speicher betroffen.

Bietet der Surface Laptop ansonsten etwas Überzeugendes? Abgesehen vom Blickschutzbildschirm eigentlich nicht wirklich. Was Leistung und Akkulaufzeit angeht, so gibt es viele Laptops, die diese Werte bei deutlich geringeren Anschaffungskosten sogar übertreffen.

Tatsächlich wirkt diese Generation der Surface-Laptops etwas unentschlossen. Privatkunden würden wahrscheinlich eine etwas leistungsstärkere Grafikeinheit für Spiele bevorzugen, während Geschäftsreisende eher auf eine starke CPU-Leistung Wert legen dürften. Das werden wir wahrscheinlich beim kommenden Surface Laptop für Privatkunden sehen, der vermutlich mit einem Qualcomm Snapdragon X2 Elite-Chip ausgestattet sein wird. Die Akkulaufzeit dürfte in etwa gleich bleiben.

Ich habe das Gefühl, dass ich bereits ausreichend Worte über diesen Laptop verloren habe. Er ist überteuert. Kaufen Sie ihn nicht.

Technische Daten

• Prozessor: Core Ultra 5 335, Core Ultra 7 366H, Core Ultra X7 368H (getestet: 368H)
• Display: 13,8 Zoll (2.304 × 1.536 Pixel) PixelSense Flow, 24–120 Hertz, Dolby Vision, entspiegelt nach ISO-9241 oder blendfrei mit integriertem Blickschutz (getestet)
• Arbeitsspeicher: 16 Gigabyte/32 Gigabyte/64 Gigabyte LPDDR5X (getestet: 16 Gigabyte)
• Speicher: 256 Gigabyte/512 Gigabyte/1 Terabyte PCIe Gen 4 M.2 NVMe SSD (getestet: 512 Gigabyte)
• Grafikkarte: Iris Arc B390
• NPU: 50 TOPS
• Anschlüsse: 2 × USB-C/Thunderbolt 4, USB-A, 3,5-Millimeter-Kopfhöreranschluss, Surface Connect-Anschluss
• Sicherheit: Windows Hello-Kamera
• Kamera: 1080p (zum Benutzer gerichtet, Windows Hello)
• Akku: Nennkapazität: 52,3 Wattstunden, tatsächliche Kapazität laut Test: 54,1 Wattstunden
• Drahtlos: Wi-Fi 7, Bluetooth Core 5.4
• Audio: Zwei Studio-Mikrofone, Omnisonic-Lautsprecher mit Dolby Atmos
• Betriebssystem: Windows 11 Pro
• Abmessungen: 301 Millimeter x 220 Millimeter x 17,5 Millimeter
• Gewicht: 1,35 Kilogramm
• Farben: Platin und Mattschwarz
• Preise: ab 2.119 Euro (Testmodell: 2.239 Euro)

(PC-Welt)

Seit der Veröffentlichung von iOS 14 im Jahr 2020 erlaubt Apple es iPhone-Nutzern, einen anderen Standardbrowser als Safari festzulegen. Bevor Sie nun jedoch einfach die nächstbeste App installieren, die nicht Safari ist: Es lohnt sich, die vorhandenen Angebote vorab zu testen, um herauszufinden, welches am besten auf Ihre Bedürfnisse passt.

Dabei ist erwähnenswert, dass Apple Entwickler dazu verpflichtet, für alle Browser dieselbe WebKit-Rendering-Engine wie für Safari zu verwenden. Im Grunde sind also sämtliche iOS-Browser WebKit mit einer jeweils anderen Hülle.

Die 12 besten iPhone-Browser, die nicht Safari sind

Trotzdem haben die folgenden zwölf Browser für iPhone alternative oder umfangreichere (Business-)Funktionen und Oberflächen zu bieten.

Aloha Browser

Aloha ist ein funktionsreicher mobiler Browser, der hawaiianisches Flair versprüht. Darüber hinaus bietet Aloha Datenschutzfunktionen wie:

• Werbeblocker,

• private Tabs,

• eine Krypto-Wallet,

• einen internen Dateimanager für Downloads, Medien und Dokumente,

• geräteübergreifende Synchronisierung sowie

• VPN.

Ein Premium-Abonnement (26 Euro pro Jahr) ermöglicht erweiterte VPN-Funktionen und auch, den gesamten Datenverkehrs von Ihrem iPhone zu verschlüsseln, statt nur innerhalb des Aloha-Browsers.

Chrome

Googles Chrome ist wahrscheinlich der populärste Browser für Mobilgeräte überhaupt – was in erster Linie der Android-Dominanz auf dem weltweiten Smartphone-Markt geschuldet ist.

Wenn Sie den Chrome-Desktop-Browser verwenden, können Sie Lesezeichen und zuletzt besuchte Websites über Ihr Google-Konto synchronisieren und so die Handoff-Funktion von Safari nachahmen. Außerdem gibt es einen One-Touch-Zugang zu Google Translate, eine Sprachsuche mit Google Assistant anstelle von Siri und einen praktischen QR-Code-Scanner über der virtuellen Tastatur. Der Inkognito-Modus von Chrome sendet keine Cookies und speichert keinen Browserverlauf.

Dolphin Browser

Dieser mobile Browser bringt zahlreiche Funktionen mit. Unter anderem können Sie mit Dolphin per Gesten- und Sprachsteuerung surfen oder Registerkarten mit nur einem Fingertipp sharen.

Darüber hinaus bietet der Dolphin Browser auch Werbe- und Tracking-Blocker sowie ein nützliches Schnellmenü, über das die zahlreichen Funktionen schnell und einfach erreichbar sind.

DuckDuckGo Private Browser

Wie bei der Suchmaschine liegt der Fokus beim Browser von DuckDuckGo auf dem Schutz der Privatsphäre. Für Sie heißt das: Sie können surfen, ohne getrackt zu werden.

Eine Schaltfläche mit einem “Feuer”-Symbol sorgt dafür, dass Sie sämtliche Registerkarten und Surf-Daten mit nur einem Tastendruck löschen können (und sogar eine Animation ihrer Wahl dazu auswählen können). Ebenfalls eine nennenswerte Funktion: Sie können Webseiten als “fireproof” kennzeichnen. Dann werden Cookies für Anmeldung, Warenkorb, etc. gesetzt – die Tracking-Versuche von Drittanbietern bleiben dennoch wirkungslos.

Edge

Microsoft Edge synchronisiert Favoriten und Kennwörter zwischen all Ihren Geräten (die mit den Cloud-Servern von Microsoft verbunden sind). Mit dem Befehl “An alle Geräte senden” können Sie eine Registerkarte von Ihrem iPhone an andere verbundene Geräte senden. Edge bietet außerdem:

• generative KI-Funktionen mit Bing Chat!,

• Sprachbasierte Suchen,

• Tracking- und Werbeblocker,

• InPrivate-Tabs, die keine Browsing-Daten speichern und

• die Möglichkeit, sowohl private als auch geschäftliche Microsoft-Konten zu nutzen.

Firefox

Mozillas Firefox auf dem iPhone zu nutzen, empfiehlt sich, wenn Sie den Browser bereits mit anderen Geräten verwenden. Dann werden Lesezeichen, Kennwörter und andere Informationen automatisch synchronisiert.

Die modifizierbare Startseite enthält unter anderem Verknüpfungen zu zuletzt besuchten Webseiten. Firefox für iOS verfügt außerdem über die gleiche Anti-Ad-Tracking-Technologie wie die Desktop-Version.

Firefox Klar

Neben dem “normalen” Firefox bietet Mozilla auch eine schlanke, ablenkungsfreie Option namens Firefox Klar an. Wenn Sie sich leicht ablenken lassen, unter ADHS leiden oder einfach nur ein wenig Hilfe brauchen, um bei der Sache zu bleiben, empfiehlt sich diese Option als Alternative (oder Ergänzung) zu Apples Fokus-Modi, die in iOS integriert sind.

Firefox Klar blockiert standardmäßig Werbung und Tracker, und Sie können Ihren Browserverlauf, Ihre Kennwörter und Cookies mit einem einzigen Tipp auf das allgegenwärtige Mülleimer-Symbol löschen.

Onion Browser

Der ursprüngliche Tor-Browser für den Desktop wurde vom Tor-Projekt entwickelt und nutzt das gleichnamige Netzwerk, um Ihre Identität und Ihre Online-Aktivitäten zu verschleiern. Das macht Tor so gut wie kein anderer Browser. Allerdings gilt es dabei zu beachten, dass die Weiterleitung des Datenverkehrs durch Tor das Surferlebnis verlangsamt und auch viele Webseiten nicht richtig funktionieren. Ottonormal-User brauchen den Tor-Browser in der Regel nicht.

Das eingangs genannte WebKit-“Problem” verhindert einen ähnlich umfassenden Schutz der Privatsphäre, wie sie die Desktop-Version bietet. Erfahrene Tor-Benutzer wissen, wie sie den Browser richtig konfigurieren. Neueinsteiger haben es dank eines dreistufigen Sicherheitskonzepts einfach.

Opera

Der Opera-Mobilbrowser wurde ursprünglich entwickelt, um den Datenverbrauch zu senken und dafür zu sorgen, Webseiten auf Low-End- und Budget-Smartphones schneller zu laden. Dennoch können auch iPhone-Nutzer von seiner Geschwindigkeit und Effizienz profitieren.

Neben der Komprimierungsfunktion, die einen von Opera betriebenen Web-Proxy nutzt, enthält der Browser auch:

• Generative-AI-Funktionen mit der Browser-KI Aria,

• einen Werbeblocker,

• eine Krypto-Wallet und

• ein VPN.

Letztgenanntes Feature ist eher rudimentär ausgestaltet, verschlüsselt nur den Datenverkehr innerhalb von Opera und ist auf drei allgemeine Regionen beschränkt (Europa, Amerika und Asien).

Orion Browser

Auf den ersten Blick wirkt Orion wie ein sehr simpler Browser mit typischem Funktionsumfang. Ein Blick in die Einstellungen zeigt jedoch, dass es bei Orion mehr zu entdecken gibt. Darunter beispielsweise verschiedene Modi, die Ihnen dabei helfen, sich zu konzentrieren, Ihre Datennutzung zu optimieren und Ihren Akku zu schonen.

Darüber hinaus blockiert Orion auch Werbung und Tracker und unterstützt die Synchronisierung von Inhalten zwischen mehreren Geräten. Zudem lässt sich der Browser zusätzlich mit Face- beziehungsweise Touch ID oder Passcode absichern.

Suchkönig-Multi-Engine Browser

Bei diesem Browser ist der Name Programm: Er wurde entwickelt, um parallel auf diversen Plattformen nach Inhalten zu suchen. Dazu können Sie aus mehr als 50 verschiedenen Websites wählen, darunter:

• Suchmaschinen,

• Online-Shops,

• Videoplattformen,

• Bild-Repositories,

• Wiki-Sites,

• etliche soziale Netzwerke und

• sogar Comic-Bibliotheken.

Die jeweiligen Ergebnisse erhalten Sie in separaten Registerkarten. Die Möglichkeit, so viele Dienste und Plattformen parallel zu durchsuchen, kann unglaublich nützlich sein – etwa für die Recherche zu bestimmten Themen oder auch zu Preisvergleichszwecken.

SPIN Safe Browser

Der Fokus von SPIN Safe Browser liegt – wie der Name nahelegt – darauf, sicheres Surfen zu ermöglichen. Zusätzlich zu den Datenschutz-Funktionen bietet der mobile Browser auch die Möglichkeit, bestimmte (fragwürdige) Inhalte oder Bilder zu filtern.

Was SPIN von den anderen Safari-Alternativen in dieser Auflistung abhebt: Die Entwickler wollen mit ihrem Offering gezielt den Bildungs- und Enterprise-Markt adressieren. Dazu stellen Sie auch eine 20 Dollar teure Version des Browsers zur Verfügung, der über AppConfig-kompatible MDM-Plattformen angepasst werden kann. IT-Abteilungen können den Browser also bereitstellen und verfügen über umfassende Management- und Kontrollmöglichkeiten. (fm)

Dieser Artikel ist im Original bei unserer Schwesterpublikation Computerworld.com erschienen.

Googles mobiles Betriebssystem Android blickt auf bescheidene Anfänge zurück und wurde über die Jahre immens weiterentwickelt – sowohl auf optischer als auch konzeptioneller und funktioneller Ebene. Im Folgenden haben wir alle jemals erschienenen (relevanten) Android-Versionen im Zeitverlauf für Sie zusammengestellt – inklusive ihrer jeweiligen Highlights.

Android 1.0/1.1

Sein offizielles Debüt feierte Android mit Version 1.0 im Jahr 2008 – damals noch ohne aparten Codenamen mit Backwerk-Bezug. In der Smartphone-Frühzeit waren die Dinge bei Android vor allem eines: simpel.

Dennoch konnte das Google-Betriebssystem bereits mit integrierten Apps aufwarten, etwa Gmail, Google Maps, Kalender oder Youtube. Ein krasser Gegensatz zum heute gängigen (und besser aktualisierbaren) Standalone-App-Modell.

Android 1.5 Cupcake

Mit dem Release von Android 1.5 begann Google, die Versionen seines Mobile OS nach teigigen Leckereien zu benennen. Eine Tradition, die über etliche Jahre Bestand haben sollte. Mit Cupcake hielten diverse Optimierungen der Benutzeroberfläche Einzug – unter anderem in Form der ersten virtuellen Bildschirmtastatur.

Vor allem führte Google mit Cupcake aber das Framework für Drittanbieter-App-Widgets ein, was sich schnell zu einem Android-Alleinstellungsmerkmal entwickelte. Mit Android Version 1.5 war es außerdem erstmals möglich, auch Videoaufnahmen zu realisieren.

Android 1.6 Donut

Im Herbst 2009 erblickte Android Version 1.6 – Codename Donut – das Licht der Welt. Diese Android-Version optimierte Googles mobiles Betriebssystem weiter, zum Beispiel mit Support für diverse verschiedene Bildschirmauflösungen und -formate. Ein besonders zukunftskritisches Feature für Android hielt mit der Unterstützung des Mobilfunkstandards CDMA Einzug. Letzteres begünstigte die folgende explosionsartige Ausbreitung von Android.

Android 2.0/2.1 Eclair

Nur sechs Wochen nach Donut ließ Google Android 2.0 mit dem Codenamen Eclair auf die Nutzer los – einige Monate später folgte das 2.1-Update. Das erste Smartphone, das diese Android-Version nutzte, war Motorolas Milestone. Das Smartphone wurde in den USA unter der Bezeichnung “Droid” vermarktet und sollte den technikaffinen Gegenpol zu Apples iPhone bilden – zumindest legte das die relativ aggressive Marketingkampagne in den USA nahe:

Bei Apple dürfte jedoch vor allem für Verstimmung gesorgt haben, dass mit Eclair auch die bis dahin iOS-exklusive “Pinch-to-Zoom”-Funktionalität in Android eingeführt wurde. Die revolutionärsten Elemente dieser Android-Version waren jedoch sprachgesteuerte Turn-by-Turn-Navigation und Verkehrsinformationen in Echtzeit – bis dahin nicht realisierte Features in der Smartphone-Welt. Darüber hinaus hielten mit Eclair auch Live-Hintergrundbilder sowie die erste Speech-to-Text-Funktion Einzug.

Android 2.2 Froyo

Mit Android 2.2 widmete sich Google (vier Monate nach dem Release von Version 2.1) hauptsächlich Performance-Optimierungen unter der Haube. Android Froyo erweiterte jedoch die Benutzeroberfläche um einige praktische Funktionen – darunter das inzwischen zum Standard gewordene Dock am unteren Rand des Startbildschirms sowie die erste Version von Voice Actions. Letzteres erlaubte den Benutzern, einige grundlegende Funktionen wie Wegbeschreibungen oder Notizen abzurufen, indem sie ein Icon antippen und anschließend einen Sprachbefehl folgen lassen.

Bemerkenswert ist Android Version 2.2 vor allem auch deshalb, weil es den Android-Webbrowser mit Flash-Unterstützung ausstattete. Das war nicht nur wichtig, weil Flash damals im Web allgegenwärtig war, sondern auch weil Apple sich standhaft weigerte, das iPhone um Flash-Support zu erweitern. Das war eine ganze Zeit lang ein echter Vorteil für Android – bis sich die Flash-Dominanz schließlich in Luft auflöste.

Android 2.3 Gingerbread

Mit Gingerbread versuchte Google, Android im Jahr 2010 erstmals eine echte, “visuelle Identität” zu verleihen. Die Farbe des Android-Maskottchens breitete sich mit Android Version 2.3 über die gesamte Benutzeroberfläche aus. Der erste Schritt hin zu einer eigenständigen Designsprache.

Android 3.0/3.1/3.2 Honeycomb

Die Android-Honeycomb-Ära markierte ab 2011 einen weiteren Umbruch: Android 3.0 war ein Tablet-exklusives Betriebssystem, das zum Marktstart des iPad-Konkurrenten Motorola Xoom veröffentlicht wurde. Auch die Point-Updates 3.1 und 3.2 waren exklusiv auf die zu dieser Zeit stark gefragten Tablets ausgelegt.

Zwar hatte das Konzept der Tablet-spezifischen Oberfläche schon nach kurzer Zeit wieder ausgedient – allerdings wurden mit Android 3.0 zahlreiche Ideen umgesetzt, die das heute bekannte Android definiert haben: Honeycomb war die erste Android-Version, die die Nutzer essenzielle Navigationsbefehle über virtuelle Bildschirmtasten erledigen ließ und führte das Konzept einer “Karten-basierten” UI ein.

Android 4.0 Ice Cream Sandwich

Während Honeycomb so etwas wie eine “Brückenversion” darstellte, bildete Android 4.0 – Codename Ice Cream Sandwich – den offiziellen Einstiegspunkt in die neue Android-Designwelt. Veröffentlicht wurde diese Version ebenfalls im Jahr 2011 – und verfeinerte in erster Linie die mit Honeycomb eingeführten, visuellen Konzepte. Zudem vereinheitlichte Google mit dieser Android-Version sein Betriebssystem für Mobiltelefone und Tablets.

Mit Android 4.0 wurde zudem die Steuerung über Wischbewegungen als integrale Methode etabliert, um sich zurechtzufinden – eine damals weltbewegende Neuerung. Darüber hinaus markierte Ice Cream Sandwich auch den Beginn der Umstellung des Android-Ökosystems auf ein standardisiertes Design-Framework, auch bekannt als “Holo“.

Android 4.1/4.2/4.3 Jelly Bean

Die Jelly-Bean-Ära erstreckte sich über drei Android-Versionen und die Jahre 2012 und 2013. Dabei wurde das frische Fundament von Ice Cream Sandwich mit Bedacht, aber zielstrebig weiter optimiert und ausgebaut. Ergebnis war ein Android-Betriebssystem, das mit neuem Schwung und Glanz zunehmend auch Mobile-Durchschnittsbenutzer begeistern konnte.

Abgesehen von der Optik brachte Jelly Bean auch einen ersten Vorgeschmack auf Google Now (das leider inzwischen zu einem zweitklassigen Newsfeed verkommen ist). Weitere Benefits, die mit Android Jelly Bean Einzug hielten, waren unter anderem ein erweitertes (sprachbasiertes) Suchsystem und Multi-User-Support. Letzteres stand allerdings nur auf Tablet-Geräten zur Verfügung. Davon abgesehen, gab auch das Quick Settings Panel in dieser Android-Version sein Debüt – genauso wie Widgets für den Sperrbildschirm.

Android 4.4 KitKat

Mit Version 4.4 kam das Zeitalter der dunklen Farbgebung bei Android zu einem Ende. KitKat brachte Ende 2013 frischere, hellere Farben für Googles Betriebssystem und sorgte damit für eine umfassende, optische Modernisierung. Premiere feierte mit Android 4.4 außerdem das allseits bekannte “OK, Google”-Freihand-Feature (das damals nur funktionierte, wenn der Startbildschirm oder die Google-App bereits geöffnet war).

Die Nutzer von Google-eigenen (Nexus-)Smartphones durften sich zudem erstmals an einem Startbildschirm-Panel erfreuen, das exklusiv für Google-Dienste reserviert war.

Android 5.0/5.1 Lollipop

Mit Lollipop führte Google im Herbst 2014 den bis heute gültigen Material-Design-Standard bei Android ein, der sich nicht nur auf das Betriebssystem selbst, sondern auch auf Apps und andere Google-Produkte auswirkte. Das kartenbasierte User Interface, das bislang punktuell in Android eingesetzt wurde, wurde mit Android 5.0 zum zentralen Designaspekt.

Davon abgesehen, brachte Android Lollipop auch einige neue Funktionen in die Android-Welt – unter anderem den weiterentwickelten “Ok, Google”-Befehl, Multi-User-Support für Mobiltelefone sowie ein optimiertes Benachrichtigungsmanagement. Leider flossen mit Lollipop auch diverse Bugs ein, die in weiten Teilen erst mit der Android-Version 5.1 ab 2015 vollständig behoben werden konnten.

Android 6.0 Marshmallow

Im Großen und Ganzen war Marshmallow – ebenfalls im Jahr 2015 veröffentlicht – eine eher unbedeutende Android-Version, die mehr wie ein Point-Update wirkte. Allerdings setzte Marshmallow den Startpunkt dafür, dass Google jährlich eine große neue Android-Version veröffentlicht.

Das auffälligste Marshmallow-Feature war die vielversprechende Bildschirmsuchfunktion “Now On Tap” – die leider nie weiterentwickelt und 2016 still und heimlich beerdigt wurde. Android 6.0 enthielt jedoch auch einige subtilere Neuerungen, etwa granularere App-Berechtigungen sowie Support für Fingerabdruckscanner und USB-C.

Android 7.0/7.1 Nougat

Die Android-Versionen mit dem Codenamen Nougat wurden 2016 veröffentlicht und ergänzten Googles Mobile OS um einen nativen Split-Screen-Modus, ein neues System, um Benachrichtigungen zu managen, und eine Data-Saver-Funktion. Darüber hinaus hatte Android 7.0 bis 7.1 auch einige kleinere, aber dennoch wichtige Features an Bord – beispielsweise einen Shortcut, um zwischen Apps zu wechseln.

Die vielleicht wichtigste Neuerung von Android Nougat war jedoch die Möglichkeit, den Google Assistant zu integrieren, der etwa zwei Monate nach dem Nougat-Debüt (zusammen mit Google erstem Pixel-Smartphone) vorgestellt wurde. Der Assistant entwickelte sich in den kommenden Jahren zu einer wichtigen Android-Komponente (und den meisten anderen Google-Produkten).

Android 8.0/8.1 Oreo

Mit Version 8.0 und 8.1 – veröffentlicht im Jahr 2017 unter dem Codenamen Oreo – erhielt Android weitere Annehmlichkeiten. Unter anderem einen nativen Bild-in-Bild-Modus, eine Schlummerfunktion für Notifications sowie tiefgehendere Möglichkeiten, App-Benachrichtigungen zu kontrollieren.

Darüber hinaus war diese Android-Version auch ein Versuch von Google, Android und Chrome OS näher zusammenzubringen und die Nutzung von Android-Apps auf Chromebooks zu optimieren. Davon abgesehen war Android 8 auch vom ehrgeizigen Bestreben geprägt, mit “Project Treble” eine modulare Basis für den Android-Quellcode zu schaffen. Die Hoffnung: Es den Geräteherstellern einfacher zu machen, zeitnah Software-Updates bereitzustellen.

Android 9 Pie

Android-Version 9, auch bekannt unter dem Codenamen Pie, brachte im August 2018 frischen Wind in Googles Mobile-Ökosystem. Die wesentlichste Änderung war dabei ein hybrides Gesten-Button-Navigationssystem, das die traditionellen Navigationstasten mit einem großen, multifunktionalen “Home Button” ersetzte.

Android Pie enthielt allerdings auch einige bemerkenswerte neue Productivity-Funktionen, beispielsweise ein universelles System, um mit vorgeschlagenen Antworten auf Nachrichten zu reagieren oder ein intelligenteres Energiemanagement. Erwähnenswert sind bei dieser Android-Version zudem zahlreiche Optimierungen in Sachen Datenschutz und Sicherheit.

Android Version 10

Im September 2019 ereilte der nächste Umschwung auch die Backwerk-affine Nomenklatur: Android 10 war die erste Version, die ausschließlich mit einer Zahl bezeichnet wird. Dazu passend brachte die Betriebssystem-Software auch eine völlig neu gestaltete Oberfläche mit sich, die ab diesem Zeitpunkt vollständig auf Wischbewegungen ausgelegt war.

Zu den wichtigen Verbesserungen, die Android 10 darüber hinaus an Bord hatte, gehörten ein aktualisiertes App-Berechtigungssystem mit tioefergehenden Kontrollmöglichkeiten, eine “Darkmode”-Option, ein Fokusmodus sowie die Möglichkeit, abzuspielende Mediendateien automatisch mit Untertiteln zu versehen.

Android Version 11

Mit Android Version 11 veröffentlichte Google im September 2020 ein umfassendes Software-Update, das zahlreiche Neuerungen brachte. Die wichtigste Änderung drehte sich um das Thema Datenschutz: Das mit Android 10 eingeführte Berechtigungssystem wurde um die Möglichkeit erweitert, Apps einmaligen Zugriff auf Standortdaten, Kamera oder Mikrofon zu gewähren.

Mit Android 11 erschwerte Google außerdem, dass Apps den Standort der Nutzer im Hintergrund ermitteln können und führte eine Funktion ein, die Apps automatisch Berechtigungen entzieht, wenn diese für längere Zeit nicht genutzt wurden. Auf Interface-Ebene bot Android 11 außerdem einen vereinheitlichten Media Player, eine Benachrichtigungshistorie, die Möglichkeit, alle verbundenen Geräte in einer Übersicht anzuzeigen sowie eine native Screen-Recording-Funktion.

Android Version 12

Die finale Version von Android 12 präsentierte Google pünktlich zur Markteinführung seiner Smartphones Pixel 6 und Pixel 6 Pro im Oktober 2021. Die wesentlichen Fortschritte waren bei dieser Android-Version direkt sichtbar: Sie bot die wohl größte Interface-Überarbeitung bei Android seit Lollipop und führte einen aktualisierten Design-Standard namens “Material You” ein. Das fußt auf der Idee, das Erscheinungsbild des Betriebssystems mit dynamisch generierten Themes an die individuelle “Farbwelt” des Benutzers anzupassen.

Davon abgesehen hatte Android 12 auch ein (lange überfälliges) neues Widget-System sowie eine Reihe grundlegender Verbesserungen in den Bereichen Leistung, Sicherheit und Datenschutz zu bieten. In diesem Zuge erweiterte Google sein Betriebssystem auch um einen isolierten Bereich, der KI-Funktionen auch ohne Netzwerkzugriff und Datenexposition ermöglicht.

Android Version 13

Mit Android 13 veröffentlichte Google im August 2022 eine der bislang ungewöhnlichsten Android-Versionen: Sie ist eines der ehrgeizigsten Android-Updates überhaupt – beinhaltet gleichzeitig aber auch vornehmlich subtile Änderungen. Für das Nutzererlebnis spielte dabei auch eine tragende Rolle, auf welchem Device Android 13 installiert wurde. Für Tablets und faltbare Smartphones führte Android 13 ein gänzlich neues Interface-Design ein – mit dem Ziel, ein verbessertes Benutzererlebnis auf größeren Bildschirmen zu realisieren. Das schlug sich auch in einem auf Multitasking ausgelegten, aktualisierten Split-Screen-Modus und einer Taskbar im Chrome-OS-Stil nieder. Darüber hinaus schuf Android 13 auch die Vorraussetzung dafür, dass Pixel-Tablets als stationäres Smart Display fungieren konnten.

Mit Blick auf Smartphones war der Release von Android 13 weit weniger bedeutsam. Neben einigen kleineren visuellen Optimierungen führte diese Android-Version ein erweitertes System für die Zwischenablage ein, eine native Funktion, um QR-Codes zu scannen, sowie weitere Optimierungen in den Bereichen Datenschutz, Sicherheit und Leistung.

Android Version 14

Nach achtmonatiger Entwicklungsphase präsentierte Google Anfang Oktober 2023 Android 14 – zeitgleich zur Vorstellung seiner Pixel-8-Smartphones. Auch diese Android-Version kam eher subtil um die Ecke: Sie brachte zum Beispiel ein neues System zum Einsatz, um Text zwischen Apps im Drag-und-Drop-Verfahren auszutauschen, sowie native Anpassungsmöglichkeiten für den Android-Sperrbildschirm. Zudem durften die Nutzer mit Android 14 auf ein integriertes Dashboard zugreifen, um sämtliche ihrer Gesundheits- und Fitness-Daten zu managen.

Darüber hinaus enthält diese Android-Version eine Reihe wichtiger Erweiterungen für die Barrierefreiheit – etwa eine On-Demand-Lupe, verbesserten Support für Hörgeräte sowie die Möglichkeit, eingehende Nachrichten über den Kamerablitz zu visualisieren. Die Benutzer von Pixel 8 und Pixel 8 Pro durften mit Android 14 auch erstmals und exklusiv Googles KI-basierten Wallpaper Creator austesten.

Android Version 15

Technisch betrachtet hat Google Android 15 bereits im September 2024 veröffentlicht – allerdings tauchte die neue Android-Version erst ab Mitte Oktober auf den hauseigenen Pixel-Geräten auf.

Mit Android 15 hält eine ganze eine Reihe bemerkenswerter neuer Funktionen Einzug. Darunter eine „Private Space“-Option, die es ermöglicht, sensible Applikationen beziehungsweise Inhalte mit einer zusätzlichen Authentifizierungsebene auszustatten. Davon abgesehen verbessert Version 15 auch die mit Android 13 eingeführten Multitasking-Systeme weiter: Die Android Taskbar ist jetzt optional dauerhaft präsent. Außerdem lassen sich bestimmte App-Kombinationen ab Version 15 mit einem Fingertipp im Split-Screen-Modus aufrufen.

Weitere nennenswerte Neuerungen von Android 15 sind ein neu designtes Lautstärkeregelungs-Panel sowie ein (Pixel-exklusives) „Adaptive Vibration“-Feature, dass die Vibrationsintensität an der jeweils aktuellen Umgebung ausrichtet.

Android Version 16

Mit dem Jahr 2025 hat Google beschlossen, seinen bisherigen Android-Upgrade-Zyklus aufzubrechen: Beginnend mit der Veröffentlichung von Version 16 sollen künftig pro Jahr zwei Android-Versionen erscheinen. Den ersten Teil dieses Versprechens hat Google bereits mit der Veröffentlichung von Android 16 im Juni 2025 umgesetzt.

Zu den wichtigsten neuen Funktionen von Android 16 zählen unter anderem Live-Updates – eine neue Art von Benachrichtigungen, die ähnlich funktionieren wie die Live-Aktivitäten bei iOS. Darüber hinaus verspricht Version 16 des Google-Mobile-Betriebssystems auch eine Reihe von Verbesserungen für die Benutzeroberfläche, ein besseres Desktop-Erlebnis sowie Support für striktere Netzwerksicherheitsregeln.   

Android Version 17

Die erste Beta-Version von Android 17 wurde von Google Mitte Februar 2026 veröffentlicht. Eine zweite Beta folgte bereits wenig später. Die finale Version des aktuellen Google Mobil-Betriebssystems wurde Mitte Juni 2026 veröffentlicht. Ein Fokus liegt bei Android 17 auf einer optimierten User Experience für faltbare Devices und Tablets, ein weiterer auf KI.

🖐 Five things you need to know about Android 17:

1️⃣ The intelligence system
2️⃣ Adaptive-first
3️⃣ Performance improvements
4️⃣ Permissions through pickers
5️⃣ Pro-quality camera & media

Read the details → https://t.co/jiij02K3Gr pic.twitter.com/X7QcuvBJdo

— Android Developers (@AndroidDev) June 24, 2026

(fm)

Dieser Artikel ist im Original bei unserer Schwesterpublikation Computerworld.com erschienen.

OpenAI schärft seine Strategie für den Unternehmenseinsatz von KI mit der Einführung von ChatGPT Work. Dabei handelt es sich um eine neue Agenten-gestützte Plattform, um Büro- und Wissensarbeit zu automatisieren. Parallel dazu erweitert das Unternehmen die Verfügbarkeit seiner GPT-5.6-Modelle, die laut OpenAI eine höhere Leistung bei gleichzeitig geringeren Betriebskosten bieten.

Laut OpenAI kann ChatGPT Work über Anwendungen und Dateien hinweg arbeiten, lange andauernde Aufgaben ausführen, mehrere Werkzeuge koordinieren sowie Geschäftsdokumente, Präsentationen, Tabellen und sogar Websites erstellen. Mitarbeiter sollen dadurch komplexe Arbeitsabläufe an die KI delegieren können, anstatt sie Schritt für Schritt über einzelne Prompts zu steuern.

Die GPT-5.6-Modelle werden wenige Wochen nach einer zunächst eingeschränkten Vorschau nun allgemein verfügbar. Die breite Markteinführunghatte sich aufgrund von US-Regierungsauflagen verzögert. Die Regierung befürchtete mögliche Risiken im Bereich Cybersicherheit und Biotechnologie. Laut OpenAI bieten die Modelle bessere Leistungen in den Bereichen Programmierung, Büroarbeit, Cybersicherheit und Forschung – bei niedrigeren Inferenzkosten und Token-Verbrauch.

Fokus auf Wirtschaftlichkeit statt Benchmark-Rekorde

Mit der Einführung verändert OpenAI auch seine Strategie im Enterprise-Markt. Statt ausschließlich Spitzenwerte in Benchmarks hervorzuheben, rückt das Unternehmen nun die Leistung pro investiertem Dollar in den Mittelpunkt. Hintergrund sei, dass Unternehmen beim großflächigen KI-Einsatz zunehmend nicht nur auf die Leistungsfähigkeit der Modelle, sondern ebenso auf deren Betriebskosten achten.

„Wir haben GPT-5.6 darauf trainiert, aus jedem Token mehr nutzbare Arbeit herauszuholen“, so OpenAI in einer Erklärung. Das Ergebnis sei eine höhere Leistung pro Dollar: mehr erledigte Arbeit bei gleichem Budget oder vergleichbare Ergebnisse zu niedrigeren Gesamtkosten.

ChatGPT Work kombiniert GPT-5.6 mit Unternehmensintegrationen und agentenbasierten Funktionen, die es Anwendern ermöglichen sollen, mehrstufige Aufgaben über verbundene Geschäftsanwendungen hinweg auszuführen. Ziel ist es laut OpenAI, Wissensarbeit zu automatisieren und dabei gleichzeitig Governance- und Sicherheitsanforderungen von Unternehmen einzuhalten.

Die Einführung erfolgt zu einem Zeitpunkt, an dem viele Unternehmen die Experimentierphase hinter sich lassen und KI zunehmend in produktiven Arbeitsprozessen einsetzen. Dadurch werden die laufenden Inferenzkosten für CIOs zu einem wachsenden Problem.

„Die KI-Welle hat zwar Produktivitätsgewinne gebracht, gleichzeitig sorgt der steigende Token-Verbrauch aber auch für überraschend hohe Rechnungen in Unternehmen“, erklärt Neil Shah, Vice President Research und Partner bei Counterpoint Research. „Das zwingt Unternehmen dazu, je nach Anwendungsfall unterschiedliche Modelle einzusetzen. Leistung pro Dollar wird damit zur entscheidenden Kennzahl.“

Auch Faisal Kawoosa, Mitgründer und Chefanalyst von Techarc, sieht einen Strategiewechsel. „Die Experimentierphase der KI ist vorbei“, erklärt er. „Unternehmen können heute bereits einen konkreten Nutzen aus KI ziehen. Ob sie jedoch Teil des täglichen Geschäftsbetriebs wird oder nur ein gelegentlich genutztes Werkzeug bleibt, entscheidet letztlich die Leistung pro investiertem Dollar.“

Gestaffelte Modelle für unterschiedliche Anforderungen

OpenAI bietet GPT-5.6 in drei Ausführungen an:

• Sol als Spitzenmodell für komplexe Schlussfolgerungen und anspruchsvolle Aufgaben,
• Terra für klassische Enterprise-Anwendungen,
• Luna für kostengünstige Einsätze mit hohem Anfragevolumen.

Nach Angaben von OpenAI erreichte GPT-5.6 Sol im Benchmark Agents’ Last Exam, der langfristige professionelle Arbeitsabläufe bewertet, einen Wert von 53,6 Punkten. Sol übertraf damit konkurrierende Frontier-Modelle bei deutlich geringeren Rechenkosten.

Die Modelle stehen ab sofort über ChatGPT, Codex sowie die OpenAI-API zur Verfügung. Das Spitzenmodell Sol kostet fünf Dollar pro Million Eingabe-Token und 30 Dollar pro Million Ausgabe-Token. Die Modelle Terra und Luna richten sich mit niedrigeren Preisen an Unternehmen, die KI in großem Maßstab einsetzen möchten.

Darüber hinaus führt OpenAI zwei neue Reasoning-Modi ein. Der Max-Modus stellt für besonders schwierige Aufgaben zusätzliche Rechenleistung bereit. Der Ultra-Modus koordiniert standardmäßig vier KI-Agenten parallel, um komplexe Arbeitsabläufe schneller zu bearbeiten.

„Ultra geht noch einen Schritt weiter, indem standardmäßig vier Agenten parallel zusammenarbeiten. Das erhöht zwar den Token-Verbrauch, liefert aber bessere Ergebnisse in kürzerer Zeit bei anspruchsvollen Aufgaben“, erklärt OpenAI.

Counterpoint-Analyst Shah sieht darin eine Entwicklung, die den Anforderungen moderner Unternehmensarchitekturen entspricht.

„GPT-5.6 gibt Enterprise-Architekten die Flexibilität, Workloads je nach Bedarf zwischen Luna und Sol zu verteilen – abhängig davon, ob Automatisierung, logisches Denken oder komplexes Schlussfolgern gefragt sind.“

Fortschritte bei Programmierung, Produktivität und Sicherheit

Nach Angaben von OpenAI erreichte GPT-5.6 Sol im Artificial Analysis Coding Agent Index einen Wert von 80 Punkten und benötigte dabei weniger als die Hälfte der Ausgabe-Token konkurrierender Modelle. Auch in den Benchmarks Terminal-Bench 2.1 und DeepSWE, die praxisnahe Softwareentwicklungsaufgaben messen, habe das Modell Spitzenwerte erzielt.

Darüber hinaus sollen die Modelle die Produktivität durch verbesserte Dokumentenerstellung sowie Integrationen mit Microsoft 365, Google Drive, Slack und Notion erhöhen.

Auch im Bereich Cybersicherheit meldet OpenAI deutliche Fortschritte: Im ExploitBench erreichte GPT-5.6 Sol 73,5 Prozent, verglichen mit 47,9 Prozent bei GPT-5.5. Im ExploitGym verdoppelte das Modell nahezu die Leistung seines Vorgängers.

„GPT-5.6 unterstützt wichtige Verteidigungsaufgaben wie sichere Codeprüfungen, Patch-Management, Bedrohungsmodellierung und Blue-Teaming“, so OpenAI.

Sicherheit bleibt ein zentrales Thema

Nach Angaben des Unternehmens verfügt GPT-5.6 über die bislang umfangreichsten Sicherheitsmechanismen. Diese kombinierten Schutzmaßnahmen auf Modellebene mit Echtzeitüberwachung und umfassende Sicherheitstests, darunter automatisierte Red-Team-Tests im Umfang von rund 700.000 GPU-Stunden.

Shah sieht insbesondere die Kombination aus Schutzmechanismen und kontinuierlicher Überwachung als möglichen Wettbewerbsvorteil im Enterprise-Markt.

Kawoosa merkt jedoch an, dass CIOs auch künftig mehr Transparenz verlangen werden, bevor sie den neuesten KI-Modellen vollständig vertrauen. „Der Wettbewerb zwischen den Anbietern großer Sprachmodelle wird anhalten. Die Hersteller werden die Sicherheitsmechanismen ihrer Konkurrenten kontinuierlich testen und herausfordern.“ (mb)

Dieser Artikel basiert auf einem Beitrag der Infoworld.

Humanoide Roboter verknüpft mit KI stehen derzeit im Fokus einer weiteren Automatisierung. Während Großunternehmen wie Mercedes-Benz mit dem Apollo oder BMW mit Figure und Aeon sowie Siemens mit dem HMND 01 Alpha diese neue Roboter-Spezies in ihren eigenen Werken in Pilotprojekten testen, fehlt KMUs oft diese Möglichkeit.

Hier setzt das Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung (IOSB) mit der Idee des Humanoid Robots Experience Lab an. An den Standorten Karlsruhe, Lemgo und Ilmenau sollen Anwender die Möglichkeit erhalten, an konkreten Anwendungsszenarien zu bewerten, wo und unter welchen Bedingungen der Einsatz der Humanoiden tatsächlich ein Mehrwert bietet.

Mehr als nur zweibeinige Maschinen

Dabei geht es Jürgen Beyerer, Institutsleiter des Fraunhofer IOSB, um weit mehr als nur die äußere Form: „Im Kern steht die Frage, wie Künstliche Intelligenz künftig in unserer realen Welt handeln kann: in Umgebungen, die nicht perfekt vorbereitet sind, und im Zusammenspiel mit Menschen, die die Verantwortung behalten sollen.“ Letztlich dreht es sich also um das Gehirn hinter der Maschine – um verlässliche Autonomie und ein tiefes Verständnis der Umwelt.

Use Cases: Von der Fabrik bis zum Feld

Dazu ist das Lab nicht als isolierte Forschungsstätte konzipert, sondern als standortübergreifende Plattform. So haben Karlsruhe, Lemgo und Ilmenau jeweils andere spezialisierte Schwerpunkte:

• Karlsruhe – Die Retter und Beschützer:

Hier liegt der Fokus auf unstrukturierten und gefährlichen Umgebungen. Ob Verteidigung, zivile Sicherheit oder Katastrophenschutz – in Karlsruhe wird erprobt, wie Roboter-Teams bei der Aufklärung oder Inspektion unterstützen können.

• Lemgo – Die Industrie-Pioniere:

In einer produktionsnahen Umgebung wird untersucht, wie humanoide Roboter ihre Mobilität und Greiffähigkeiten in der industriellen Automation ausspielen können. Das Ziel: Der „Human-in-the-Loop“, bei dem Menschen und Maschinen Hand in Hand arbeiten.

• Ilmenau – Die Alltags-Helfer:

Hier stehen die Landwirtschaft, kommunale Dienste und kritische Infrastrukturen im Mittelpunkt. Die Forscher arbeiten an der Vernetzung der Roboter mit Leitstellen und nutzen Simulationen, um den Sprung in die reale Anwendung zu meistern.

Das Besondere am Humanoid Robots Experience Lab ist sein offener Charakter. Es richtet sich explizit an Anwender aus dem Mittelstand, dem Handwerk, von Blaulichtorganisationen und Kommunen. Unternehmen können hier nicht nur die Technologie erleben, sondern gemeinsam mit Experten prüfen, ob ein Einsatzszenario realisierbar ist und wie hoch der Integrationsaufwand wäre.

Einladung zum Mitgestalten

Wer die humanoiden Helfer der Zukunft live erleben möchte, sollte sich den 23. September 2026 im Kalender markieren – dann macht das Opening Event in Lemgo den Auftakt. Interessierte Organisationen können bereits jetzt Kontakt aufnehmen, um ihre eigenen Fragestellungen und Pilotideen einzubringen. Kontakte und weitere Infos sind hier zu finden: www.iosb.fraunhofer.de/hrel.

KI-Pipelines zu optimieren, erfordert mehr als nur oberflächliche Hardwareanpassungen. Es gilt, die Art und Weise, wie Modelle Daten verarbeiten, grundlegend zu verändern. Zwar implementieren KI-Engineers oft einfache Effizienzmaßnahmen innerhalb des Training-Loops. Aber um die Trainingskosten permanent zu reduzieren, sind architektonische Änderungen nötig – direkt im neuronalen Netz.

Die folgenden zwölf Optimierungsmaßnahmen auf Modellebene verwandeln Ihre KI-Strategie von einem Brute-Force-Hardware-Ansatz in eine elegante, softwaredefinierte Disziplin – und senken die Stückkosten Ihrer KI-Pipeline drastisch.

1. Pretraining einsparen

Ein Foundation-Modell von Grund auf neu zu trainieren ist für Standard Enterprise-Applikationen selten nötig und verbietet sich mit Blick auf die dafür nötige Rechenleistung. Statt dafür Millionen zu verschwenden, sollten Engineering-Teams lieber öffentlich verfügbare Open-Weight-Modelle nutzen.

Dieser grundlegende Transfer-Learning-Ansatz ist der unverzichtbare erste Schritt, wenn es darum geht, interne Chatbots oder domänenspezifische Klassifikatoren zu entwickeln. Indem bestehende neuronale Architekturen zum Einsatz kommen, lassen sich die enormen Kosten (auch für Energie), die mit den initialen Pretraining-Phasen verbunden sind, umgehen.

2. Parametereffizient feinabstimmen

Selbst das standardmäßige Feintuning von umfassenden Sprachmodellen erforderte immense Mengen an VRAM, um die States von Optimizern und Gradienten zu speichern. Um dieses Hardware-Bottleneck aufzulösen, sollten Engineers PEFT-Techniken wie LoRA implementieren.

Die Technik reduziert den Memory Overhead drastisch, indem sie dafür sorgt, dass 99 Prozent der vortrainierten Weights „eingefroren“ und kleine, trainier- und adaptierbare Layer injiziert werden. Dieser mathematische Shortcut ist ideal geeignet, um hochgradig anpassbare GenAI-Funktionen umzusetzen – und erlaubt die Feinabstimmung von Milliarden von Parametern mit einer einzigen (Consumer-)GPU.

python
from peft import LoraConfig, get_peft_model

config = LoraConfig(r=8, lora_alpha=32, target_modules=["q_proj", "v_proj"])
efficient_model = get_peft_model(base_model, config)

3. Warmstart-Layer einziehen

Falls Sie spezifische Netzwerkkomponenten von Grund auf neu trainieren müssen, stellt der Import vortrainierter Embeddings sicher, dass nur die verbleibenden Layer erhöhten Rechenaufwand verursachen.

Dieser „Warmstart“-Ansatz reduziert den Rechenaufwand in Frühphasen der KI-Entwicklung erheblich, weil das Modell so grundlegende, universelle Datenrepräsentationen nicht erst neu erlernen muss. Besonders empfehlenswert ist dieser für Spezialdomänen.

python
# PyTorch warm-start example
model.embedding_layer.weight.data.copy_(pretrained_medical_embeddings)
model.embedding_layer.requires_grad = False

4. Gradient Checkpointing anwenden

Memory-Engpässe sind der wesentliche Grund dafür, dass Entwickler gezwungen sind, teure, VRAM-intensive Cloud-Instanzen zu mieten. Gradient Checkpointing (PDF) spart Speicherplatz ein, indem bestimmte Forward Activations während der Backpropagation neu berechnet werden – anstatt sie alle zu speichern.

Entwicklern ist zu empfehlen, diese Technik einzusetzen, wenn sie mit anhaltenden „Out of Memory“-Fehlern konfrontiert sind. Denn Gradient Checkpointing ermöglicht es, zehnmal größere Netzwerke auf derselben GPU unterzubringen – bei einem Mehr an Rechenaufwand von circa 20 Prozent.

python
# Enable in Hugging Face / PyTorch
model.gradient_checkpointing_enable()

5. Compiler-Fusion aktivieren

Moderne Deep-Learning-Frameworks leiden regelmäßig unter Engpässen mit Blick auf die Speicherbandbreite, da ständig Daten über die Hardware gelesen und geschrieben werden. Durch Compiler, die wie XLA oder PyTorch 2.0 auf Graph-Ebene operieren, lässt sich eine Vielzahl von Prozessen in einem einzelnen GPU-Kernel fusionieren.

Diese architektonische Optimierung führt dazu, dass Durchsatz und Ausführungsgeschwindigkeit massiv gesteigert werden. Parallel sind allerdings keine manuellen Änderungen am Code notwendig. Um die Hardwareauslastung zu maximieren, ist es Entwickler-Teams zu empfehlen, die Compiler-Fusion standardmäßig bei sämtlichen Trainings-Sessions in der Produktion zu aktivieren.

python
import torch

# PyTorch 2.0 compiler fusion
optimized_model = torch.compile(model)

6. Pruning und Quantisierung einsetzen

Ein umfangreiches, vollpräzises 16-Bit-Neural-Network in der Produktion bereitzustellen, erfordert ebenfalls oft teure Cloud-Instanzen, was die Gewinnmarge einer Applikation zunichtemachen kann. Durch algorithmisches Pruning werden mathematisch redundante Weights entfernt.

Eine Quantisierung des Modells sorgt hingegen dafür, dass die verbleibenden Parameter von 16-Bit-Gleitkommazahlen auf 8-Bit- oder 4-Bit-Ganzzahlen komprimiert werden. Das ermöglicht es, das KI-Modell auf deutlich kostengünstigeren GPUs mit geringerem Speicherbedarf auszuführen – ohne dass die Qualität der Konversationen darunter leidet. Diese physikalische Reduktion ist entscheidend dafür, Traffic-intensive Anwendungen kosteneffizient skalieren zu können. Davon abgesehen senkt es jedoch auch die CO²-Kosten, die ein API-Call verursacht, wenn Tausende von Usern parallel bedient werden.

python
import torch
import torch.nn.utils.prune as prune

# 1. Prune 20% of the lowest-magnitude weights in a layer
prune.l1_unstructured(model.fc, name="weight", amount=0.2)

# 2. Dynamic Quantization (Compress Float32 to Int8)
quantized_model = torch.ao.quantization.quantize_dynamic(
    model, {torch.nn.Linear}, dtype=torch.qint8
)

7. Curriculum Learning verwenden

Ein untrainiertes neuronales Netzwerk mit hochkomplexen und gleichzeitig verrauschten Datensätzen zu füttern, zwingt den Optimizer teure Extra-Rechenschleifen zu drehen, um chaotische Gradienten abzubilden. Dieses Problem lässt sich mit Curriculum Learning (auch Lehrplanlernen) lösen: Dabei wird die Daten-Pipeline so strukturiert, dass zunächst klare, leicht klassifizierbare Beispiele eingeführt werden – bevor der schrittweise Übergang auf hochpräzise Anomalien erfolgt.

Geht es etwa darum, ein Vision-Modell für autonomes Fahren zu trainieren, sollten die Entwickler diesem zunächst klare Tageslichtbilder von Autobahnen zuführen, bevor sie Rechenleistung für komplexe Nachtaufnahmen verschneiter Stadtkreuzungen in Städten aufwenden. Dieser schrittweise Ansatz ermöglicht dem Netzwerk, zentrale mathematische Merkmale ressourcenschonend abzubilden. Dadurch wird die Konvergenz deutlich schnell und mit geringerem Hardware-Aufwand erreicht.

8. Wissen destillieren

Ein massives KI-Modells mit 70 Milliarden Parametern für simple, repetitive Tasks zu nutzen, kommt einer gravierenden Fehlallokation von Rechenressourcen gleich. Dieses Problem lässt sich mithilfe von Wissensdestillation lösen: Dabei lernt ein hocheffizientes, schlankes „Student“-Modell, die Reasoning-Ketten eines großen „Teacher“-Modells exakt nachzuahmen.

Stellen Sie sich ein E-Commerce-Unternehmen vor, das Produktempfehlungen in Echtzeit direkt auf dem Smartphone eines Nutzers ausführen muss, wo Akku und Speicher streng limitiert sind. Dank Knowledge Distillation kann dieses winzige Mobile-Modell mit der Genauigkeit einer massiven, Cloud-basierten Architektur arbeiten. Das senkt die Inferenzkosten dauerhaft und kann Ihnen außerdem ersparen, in die „AI Accuracy Trap“ zu tappen.

9. Suchmethoden optimieren

Herkömmliche Grid-Search-Algorithmen fressen regelmäßig große Teil des Cloud-Budgets, weil sie blindlings Netzwerkkonfigurationen testen und ausführen, die von vornherein zum Scheitern verurteilt sind. Intelligentere Hyperparameter-Suchmethoden wie die Bayes’sche Optimierung und Hyperband können an dieser Stelle als finanzielle Wächter fungieren: Sie sagen unzureichende Versuche mathematisch vorher und sortieren diese direkt aus.

Optimiert eine Bank beispielsweise ein KI-Modell zur Betrugserkennung, kann Hyperband Konfigurationen aufspüren, die nicht akkurat sind – und lenkt die gesamte Rechenleistung ausschließlich auf die vielversprechendsten Setups um. Um die Kosten weiter zu reduzieren, lässt sich zudem auch das RES-Cost-Aware-Retraining-Framework integrieren.

10. Parallelstrategien fahren

Nicht sachgemäß konfigurierte Cluster führen ebenfalls zu massiven Netzwerk-Bottlenecks. Wenn Sie ein Modell mittlerer Größe auf zu viele GPUs aufteilen (Modellparallelität), verbringen die Prozessoren mehr Zeit damit, auf die Datenübertragung zu warten, als damit, tatsächlich Berechnungen durchzuführen.

Umgekehrt ist es bei der Verarbeitung großer Datensätze hocheffizient, das gesamte Modell über mehrere Knoten (Datenparallelität) zu replizieren – vorausgesetzt, die Batch-Größen sind korrekt abgestimmt. Ein FinOps-Team in der Praxis muss diese Parallelstrategien dynamisch an die jeweilige Architektur anpassen und dabei sicherstellen, dass die GPUs nicht in den Idle-Status verfallen, während das Netzwerk aufholt.

11. Asynchron evaluieren

Standardmäßige Trainings-Pipelines sorgen ständig dafür, dass das primäre (und teure) GPU-Cluster eine Pause einlegen muss. Einfach nur, um routinemäßige Validierungsprüfungen der Modellfortschritte durchzuführen. Anders ausgedrückt: Es ist eine katastrophale Geldverschwendung.

Indem Engineering-Teams asynchrone Evaluierung implementieren, lassen sich die Validierungsprüfungen auf eine separate, wesentlich kostengünstigere CPU- oder Low-Tier-GPU-Instanz auslagern. Die primären, kostenintensiven GPUs möglichst voll auszulasten, ist eine verpflichtende architektonische Trennung. Diese trägt dazu bei, die versteckten Betriebskosten abzumildern, die mit der KI-Governance einhergehen. 

12. Daten kuratieren

Riesige Datensätze blind zu verarbeiten, sorgt ebenfalls dafür, dass teure Compute-Zeit verschwendet wird – in diesem Fall für redundante Informationen von minderer Qualität.

Wenn ein visuelles KI-Modell bereits zehntausend identische Fotos eines Standard-Stoppschilds erfasst hat, liefert es keinerlei Mehrwert, noch einmal ein paar mehr nachzulegen. Algorithmisches Sampling zu nutzen, um informationsreiche Subsets zu kuratieren, resultiert in identischer Modell-Performance – zu einem Bruchteil der Hardwarekosten. (fm)

Dieser Beitrag wurde im Rahmen des englischsprachigen Expert Contributor Network von Foundry veröffentlicht. Alle Infos zum deutschsprachigen Experten-Netzwerk finden Sie hier.

Auf GitHub sind laut eigenen Angaben 18 Petabytes an Daten gespeichert, davon eine unbekannte, aber sicherlich nicht unbedeutende Menge von ihnen als private Repositories. An diesen Schatz ranzukommen, gestaltet sich, wie Forscher von Noma Labs offenbar herausgefunden haben, allerdings nicht ganz so schwierig, wie gedacht.

Wie die Experten in einem Blogpost schreiben, sind sie per Prompt Injection in die neuen „Agentic Workflows“ von GitHub eingedrungen. Diese Lücke in GitHubs Sicherheit könnte es einem nicht authentifizierten Angreifer ermöglichen, unbemerkt Daten aus privaten Repositories abzurufen.

Um sich Zugang zu verschaffen, müssen Kriminelle dem Bericht zufolge zuerst ein speziell präpariertes GitHub-Issue in einem öffentlichen Repository veröffentlichen, das zur selben Organisation gehört wie die privaten Repositories. Hiermit soll es dann möglich sein, die von Noma Labs als „GitLost“ bezeichnete Schwachstelle zu nutzen.

Schwachstelle Agentic Workflows

Der Schwachpunkt liegt den Sicherheitsforschern zufolge in GitHub Agentic Workflows selbst, einem neuen Feature, bei dem GitHub Actions – GitHubs Automatisierungssystem zur Ausführung von Aufgaben als Reaktion auf Repository-Ereignisse – mit einem KI-Agenten kombiniert wird, der auf Anthropic Claude oder GitHub Copilot basiert.

Die Funktion ermöglicht es Nutzern, ihre GitHub-Workflows in natürlicher Sprache mit einfachem Markdown zu schreiben. Der GitHub-Agent kann dann Issues lesen, Tools aufrufen und eigenständig reagieren.

Angreifer wiederum müssten Noma zufolge für einen erfolgreichen Angriff nur ein GitHub-Issue erstellen und im Textkörper des Issues Befehle in natürlicher Sprache verbergen, die vom GitHub-Agenten ausgeführt werden.

Die Experten demonstrierten dies anhand eines Indirect-Prompt-Injection-infizierten (IPI) GitHub-Agenten-Workflows. Dieser war so konfiguriert, dass er:

• den Workflow bei `issues.assigned`-Ereignissen in GitHub auslöste,
• den Titel und den Textkörper des Issue las,
• mithilfe des „add-comment“-Tools einen Antwortkommentar veröffentlichte, sowie
• mit Lesezugriff auf andere Repositories (öffentlich und privat) innerhalb der Organisation ausgeführt wurde.

Ein Issue reicht

Die Experten von Noma Labs betonen hierbei, dass Angreifer weder Programmierkenntnisse noch Zugriffsrechte oder Anmeldedaten benötigen. Es sei vollkommen ausreichend, in einem öffentlichen Repository einer Organisation, die das „Agentic Workflow“-Setup von GitHub nutzt, ein Issue zu eröffnen und abzuwarten.

Zwar hat GitHub diverse Sicherheitsmechanismen, um ein solches Szenario zu verhindern, diese lassen sich jedoch den Sicherheitsforschern zufolge durch Beharrlichkeit und Schlüsselwörter aushebeln. Wie Noma Security Research Lead Sasi Levi berichtet, ergänzte er beim Testen verschiedener Angriffsvarianten das Schlüsselwort „Additionally“. Damit löste er ein unerwartetes Verhalten des Modells aus: Der Agent formulierte seine Ausgabe um, anstatt sie zu verweigern, so der Experte.

Durch diese Manipulation des Modells gelang es ihm dann, die Sicherheitsmechanismen von GitHub zu umgehen, sodass sie den Datenabfluss nicht verhinderten. Geleaket wurden dann ein poc (öffentliches Repository), ein remote-ping (öffentliches Repository, keine README bestätigt) sowie ein testlocal (privates Repository).

Eingebaute Schwächen im Agenten

Der Vorgang veranschaulicht, dass das Kontextfenster des GitHub- Agenten zugleich seine Angriffsfläche ist. Jeder Inhalt, den der Agent lese – seien es Issues, Pull Requests, Kommentare oder Dateien –, könne als Waffe eingesetzt werden, so die Experten. Die einzige Bedingung: Der Agent muss diesen Inhalt als Anweisung interpretieren.

Für Noma Labs sind Prompt-Injection-Angriffe daher für agentenbasierte KI das, was SQL-Injection für Webanwendungen ist: eine systematische, kategorieweite Schwachstellenklasse. Dagegen anzukommen, erfordere systematische Strategien und Abwehrmaßnahmen.

Die Experten raten deshalb,

• von Nutzern kontrollierte Inhalte niemals als vertrauenswürdige Anweisungen für einen KI-Agenten zu betrachten,
• Berechtigungen auf das unbedingt erforderliche Minimum zu beschränken,
• die Möglichkeiten von Agenten zur öffentlichen Veröffentlichung von Inhalten einzuschränken, insbesondere bei Antworten auf Issue-Inhalte, sowie
• Nutzereingaben vom Anweisungskontext zu bereinigen oder zu isolieren, bevor diese an das Modell übergeben werden.

Large Languae Models (LLMs) sind die KI-„Arbeitspferde“: Sie ermöglichen zunehmend ausgefeiltere Funktionen und Workflows und nähern sich in Sachen Performance dem menschlichen Niveau. Allerdings ist „mehr“ nicht immer besser – für manche Workloads sind spezifische Daten und limitierte Fähigkeiten völlig ausreichend.

Diese Erkenntnis treibt die Entwicklung von Small Languae Models (SLMs) voran. Diese sind – in Form von domänenspezifischen Modellen, statistischen sowie neuronalen Sprachmodellen – Experten zufolge schneller, kostengünstiger, ressourcenschonender und datenschutzfreundlicher als herkömmliche LLMs. Es handelt sich jedoch nicht einfach nur um ein Substitut, wie Thomas Randall, Research Director bei der Info-Tech Research Group, erklärt: „Das Muster ähnelt eher einer optimierten Arbeitsteilung. Eine Routing-Architektur leitet dabei simple oder klar abgegrenzte Queries an ein spezialisiertes SLM weiter. Komplexe Abfragen fließen hingegen weiterhin in ein LLM.“

So werden Small Language Models „kleingehalten“

Während die Parameteranzahl bei LLMs im Bereich von Hunderten von Milliarden – oder sogar Billionen – liegen kann, beschränken sich SLMs in der Regel auf eine bis sieben Milliarden Parameter. Ganz allgemein gilt dabei jeder Wert unter zehn Milliarden als „klein“. Das zieht auch Unterschiede bei den Trainingsdaten nach sich: Bei LLMs liegen diese im Regelfall in Form von mehreren Petabytes vor. SLMs werden hingegen auf kompakten Transformer-Architekturen (neuronalen Netzwerken) unter Verwendung kleinerer, spezialisierter und hochwertiger Datensätze trainiert, die auf ihre jeweilige Funktion zugeschnitten sind.

Um die Modellgröße zu begrenzen, ohne dabei die Performance einzuschränken, kommen bei Small Language Models verschiedene Techniken zum Einsatz. Dazu gehören:

• Wissensdestillation: Bei diesem Ansatz wird ein kleineres „Student“-Modell von einem größeren „Teacher“-Modell trainiert. Auf dieser Basis lernt das kleine Modell vom großen, robuste Reasoning-Ketten nachzuahmen – allerdings in deutlich kleinerem Maßstab.
• Pruning: Hierbei werden redundante oder irrelevante Parameter aus den Architekturen neuronaler Netze entfernt.
• Quantisierung: Mit dieser Technik werden Werte von einer hohen auf eine niedrigere Präzision reduziert (Gleitkommazahlen werden in Ganzzahlen umgewandelt). So wird die Datengröße reduziert, die Verarbeitung beschleunigt und der Energieverbrauch optimiert.

Größere Modelle lassen sich zudem auch durch Techniken wie Retrieval Augmented Generation (RAG) modifizieren und zu kleineren, spezialisierteren Modellen destillieren.

„Letztendlich werden Enterprise-Daten mit SLMs zu einem essenziellen Unterscheidungsmerkmal, das Datenaufbereitung, Qualitätsprüfungen, Versionierung und Management erforderlich macht. Nur so lässt sich sicherstellen, dass relevante Daten so strukturiert sind, dass sie den Anforderungen für das Feintuning entsprechen“, hält Sumit Agarwal, VP Analyst bei Gartner, fest.

SLMs – die Vorteile

SLMs werden nach Meinung von Randall vor allem eingesetzt, um wirtschaftliche Vorteile zu erschließen: „Bei repetitiven High-Volume-Tasks, die klar abgegrenzt sind – etwa die Triage im Kundenservice –, lassen sich die Kosten für den Einsatz eines generalistischen LLMs mit einer Billion Parametern nicht rechtfertigen.“

Selbst moderate Workflows für GPT-5 im großen Maßstab verursachen dem Experten zufolge Cloud-Kosten, die nicht tragbar sind. Der Einsatz eines begrenzten, zweckgebundenen SLM sei für solche Workflows weitaus besser und effizienter, so Randall. Er fügt hinzu: „SLMs performen besonders gut, wenn eine Aufgabe die schnelle, konsistente und wiederholte Anwendung eines klar definierten Musters erfordert. Die Leistung ist in diesem Bereich oft besser als bei einem LLM. Denn ein SLM wurde darauf trainiert, eine Sache besonders gut zu erledigen – anstatt alles nur passabel.“

Zudem durchforste ein SLM nicht das komplette Internet nach irrelevanten Informationen, was auch die Wahrscheinlichkeit von Halluzination senke. Darüber hinaus realisiert der Einsatz von Small Language Models weitere Benefits:

• Geringere Rechenanforderungen: SLMs lassen sich direkt „on-device“ ausführen – auf Laptops, Smartphones, in Edge-Fällen und sogar offline.
• Robuste Privacy- und Security-Standards: Weil SLMs klein genug sind, um direkt auf Endgeräten oder On-Premises ausgeführt zu werden, wird auch das Risiko von Datenlecks und Sicherheitsvorfällen reduziert. Dadurch sind SLMs besonders attraktiv für stark regulierte Branchen oder Organisationen, die sensible Daten verarbeiten.
• Effizientere Inferenz: Kleinere Modelle liefern schnelle Antworten, was ideal für Echtzeitanwendungen ist.
• Günstigeres Deployment: Die Hardware- und Cloud-Kosten, die für SLMs anfallen, sind geringer.
• Bessere Anpassbarkeit: Small Language Models werden auf der Grundlage spezifischer Daten der jeweiligen Organisation trainiert und zeichnen sich daher durch eine bessere „Customizability“ aus.

Für Forscher bei Nvidia sind Small Language Models „die Zukunft von Agentic AI“, wie sie in einem Whitepaper (PDF) ausführlich darlegen. Darin betonen die Experten insbesondere die Flexibilität und den modularen Aufbau von SLMs – und ihr Potenzial zur Demokratisierung von KI. Ob die Auguren von Gartner das so unterschreiben würden, ist unklar – zumindest prognostizieren diese aber, dass im Unternehmensumfeld bis zum Jahr 2027 dreimal so viele SLMs wie LLMs im Einsatz sein werden. „Die Vielfalt der Aufgaben in Geschäftsabläufen und der Bedarf an höherer Genauigkeit treiben den Shift auf KI-Modelle voran, die auf bestimmte Funktionen oder Domänendaten feinabgestimmt sind“, kommentiert Gartner-Analyst Agarwal.

Anwendungsfälle für Small Language Models

SLMs eignen sich hervorragend für eine Vielzahl von Use Cases. Zum Beispiel die folgenden:

• Boilerplate-Tasks: Routineaufgaben sowie simple Command-Parsing- und -Routing-Aufgaben, die auf vordefinierten Templates basieren.
• Content-Generierung: SLMs können detaillierte Reports, benutzerspezifische Texte, Web- und Social-Media-Beiträge sowie Marketingmaterialien erstellen.
• Chatbots und Assistenten: Kleinere KI-Modelle ermöglichen Echtzeitinteraktionen, bearbeiten Routineanfragen von Kunden und internen Benutzern – oder transkribieren und übersetzen live.
• Inhaltsanalysen: SLMs sind auch in der Lage, Daten- und Sentiment-Analysen durchzuführen – beispielsweise, um Branchentrends zu identifizieren oder bei der Strategieoptimierung zu unterstützen.
• Code-Generierung: Auch Small Language Models können Entwickler dabei zur Hand gehen, Code zu schreiben oder zu debuggen.
• IoT, Edge-Computing- und Low-Resource-Szenarien: SLMs können lokal „on-device“ ausgeführt werden, ganz ohne Cloud-Hosting oder eine Internetverbindung.
• Spezialdomänen: In Bereichen wie dem Finanz- und Rechtswesen oder der Medizin genießen Datenschutz und Compliance oberste Priorität – auch hier können SLMs entsprechend glänzen.

Hier stoßen SLMs an ihre Grenzen

Kompromisse müssen Anwender bei SLMs insbesondere in Sachen Wissensbreite und Reasoning-Fähigkeiten eingehen, wie InfoTech-Research-Manager Randall erklärt: „SLMs tendieren zum Leistungsabfall bei Aufgaben, die Kontextbewusstsein oder mehrstufiges Schlussfolgern über unbekannte Domänen hinweg erfordern – oder auch, wenn ein großes Kontextfenster benötigt wird.“

Darüber hinaus bescheinigt Randall SLMs auch Schwierigkeiten mit Randfällen oder tangentialen Tasks – etwa einem Helpdesk-Ticket, das eine neue Kategorie erfordert. Dazu gesellen sich weitere Nachteile, beziehungsweise Einschränkungen:

• Enger Scope: SLMs werden auf ein spezifisches Fachgebiet trainiert und sind in ihrer Größe und Rechenleistung begrenzt. Deshalb kann ihre Generalisierungsfähigkeit eingeschränkt sein – etwa, wenn es um nuanciertere Aufgaben geht.
• Geringere Robustheit: Außerhalb ihrer Spezialdomäne (oder bei komplexeren Adversarial Inputs) sind SLMs möglicherweise fehleranfällig.
• Bias-Risiken: Datensätze, die nicht sorgfältig kuratiert werden, können Verzerrungen potenziell verstärken.

Unternehmen ist deshalb zu empfehlen, bei der Implementierung Task-spezifischer Modelle pragmatisch vorzugehen. Das meint auch Gartner – und empfiehlt, kleine, kontextbezogene Modelle in Bereichen zu testen, in denen LLMs die Erwartungen hinsichtlich Geschwindigkeit oder Antwortqualität nicht erfüllt haben. Die Marktforscher raten außerdem zu „Composite“-Ansätzen mit mehreren Modellen und Workflow-Schritten bei Use Cases, in denen die Orchestrierung eines einzelnen Modells nicht geklappt hat. (fm)

Dieser Artikel ist im Original bei unserer Schwesterpublikation Infoworld.com erschienen.

Auf einen Blick

Pro

• Hervorragende Haupt- und Tele-Kameras
• Kompaktes und ansprechendes Design
• Funktionsreiche Software
• Solide Akkulaufzeit und Ladefunktion

Kontra

• Kein kabelloses Laden
• Nicht die längste Software-Unterstützung
• Kunststoffrahmen

Fazit

Das Xiaomi 17T bietet eine handlichere Größe, eine deutlich verbesserte Tele-Kamera, einen schnelleren Prozessor und einen wesentlich größeren Akku. Sein Vorgänger war bereits hervorragend. Dieses Modell ist umso attraktiver. Allerdings ist es auch teurer als im Vorjahr. Das bedeutet, dass es sich einer deutlich härteren Konkurrenz stellen muss.

Xiaomis neueste „Flaggschiff-Killer“-Smartphones sind endlich da! Und dieses Jahr sind sie sehr früh dran. Es ist erst etwa acht Monate her, dass Xiaomi die 15T-Serie vorgestellt hat. Nun stehen auf einmal das 17T und das 17T Pro im Handel bereit, um sie abzulösen. Die Modellnummern der 16er-Serie hat der Hersteller einfach übersprungen.

Das 17T Pro hat zweifellos die meiste Aufmerksamkeit auf sich gezogen. Ich halte jedoch das Standardmodell 17T eigentlich für das interessantere Gerät. Dieses preisbewusstere Modell hat das hervorragende 5-fach-Teleobjektiv des 15T Pro als Hauptmerkmal geerbt. Genau diese Linse macht das Kamerasystem deutlich vielseitiger.

Das 17T verfügt zudem über einen größeren Akku und einen schnelleren Chip. Im Gegenzug stieg jedoch auch der Preis auf 749,90 Euro an. Das 17T Pro hat die alte Preisklasse sogar komplett verlassen und kostet satte 899,90 Euro.

Lohnt sich der Kauf des 17T gegenüber Modellen wie dem Google Pixel 10 oder dem Samsung Galaxy S25 FE? Ich habe das Smartphone in den vergangenen Wochen ausführlich getestet, um genau dies herauszufinden.

Design & Verarbeitung

• Aluminiumrahmen, Rückseite aus Verbundfaser
• 200 Gramm, Gorilla Glass 7i
• IP68-zertifiziert

Das Xiaomi 17T sieht seinem größeren Bruder, dem 17T Pro, sehr ähnlich und unterscheidet sich auch nicht allzu sehr vom letztjährigen 15T. Der große Unterschied besteht dieses Mal darin, dass das 17T deutlich kleiner ist als das Pro-Modell. Die vorherigen Generationen hatten noch ungefähr die gleichen Abmessungen.

Das bedeutet, dass Sie das Standardmodell 17T mit kleineren Händen möglicherweise leichter bedienen können. Es ist einfach nicht mehr ganz so schwierig, den oberen Rand des Displays mit nur einer Hand zu erreichen.

Kunststoff ist in der oberen Mittelklasse nur selten anzutreffen.

Ästhetisch ist Xiaomi seinem Ansatz aus dem vergangenen Jahr treu geblieben: Die Vorder- und Rückseite sind komplett flach, die Seiten sind wie bei einem iPhone eckig, und die Kameras befinden sich alle in der oberen linken Ecke.

Die einzige nennenswerte Änderung besteht darin, dass die Kameraaussparung nicht mehr abgeschrägt wurde, sondern eine scharfe Kante aufweist. Es ist allerdings eine sehr subtile Änderung, die man auf den ersten Blick gar nicht bemerkt.

Ein weiterer Unterschied zwischen den beiden 17T-Modellen ist die Materialauswahl. Das Standardmodell 17T verfügt über einen Kunststoffrahmen, während das Pro-Modell mit einem Rahmen aus Aluminium daherkommt. Ich erwarte offen gesagt nicht, dass sich das negativ auf die Haltbarkeit des kleineren Smartphones auswirken wird. Aber es fühlt sich etwas weniger hochwertig an als das Pro-Modell oder die übrigen Konkurrenten in dieser Preisklasse. Kunststoff ist in der oberen Mittelklasse nur selten anzutreffen.

Das Xiaomi 17T wird in vielen unterschiedlichen Farben angeboten. Diese sind etwas lebhafter als im Vorjahr. Ich habe das violettfarbene Modell zum Testen erhalten, das in einem schönen rosa-violetten Farbton mit einem metallischen Schimmer daherkommt, der je nach Lichteinfall wechselt.

Es gibt auch professioneller wirkende schwarze und blaue Varianten sowie das auffälligere „Opal White“ mit perlmuttartigen Farben auf der Rückseite.

Das Smartphone ist nach IP68 zertifiziert. Das bedeutet, dass es staubgeschützt ist und Regenschauer oder ein kurzes Eintauchen in Süßwasser aushalten sollte. Der Bildschirm wird durch Gorilla Glass 7i geschützt und ist standardmäßig mit einer einfachen Kunststoff-Displayschutzfolie versehen. Im Lieferumfang ist außerdem eine mattschwarze TPU-Hülle enthalten.

Bildschirm & Lautsprecher

• 6,59 Zoll, 2.756 × 1.268 Pixel, OLED, 120 Hertz
• 3.840 Hertz PWM- und DC-Dimmung
• Stereolautsprecher

Wie bereits erwähnt, ist der Bildschirm bei diesem Modell kleiner. Dies ist eigentlich der größte Unterschied zum Pro-Modell. Es handelt sich immer noch um ein recht großes Display, das sich jedoch leichter handhaben lässt. Vergleichen Sie es daher eher mit einem Pixel 10 Pro als mit einem Pixel 10 Pro XL.

Der Bildschirm ist genauso beeindruckend wie die Displays der besten Flaggschiff-Smartphones.

Abgesehen vom Größenunterschied profitiert der Bildschirm des Xiaomi 17T von fast denselben Spezifikationen und Funktionen wie das Pro-Modell. Der Bildschirm arbeitet mit 120 Hertz statt mit 144 Hertz. Aber es gibt ehrlich gesagt nur wenige Apps, die 144-Hertz-Bildschirme voll ausnutzen. Ansonsten erhalten Sie die gleiche Spitzenhelligkeit von 3.500 Nits, Unterstützung für Dolby Vision und HDR10 sowie eine schnelle PWM-Dimmung.

Der Bildschirm verfügt über recht schmale, symmetrische Einfassungen an allen Seiten. Dazu kommen eine kleine Aussparung für die Selfie-Kamera und ein optischer Fingerabdrucksensor unter dem Display. Der Bildschirm ist genauso beeindruckend wie die Displays der besten Flaggschiff-Smartphones, mit exzellenter Farbwiedergabe und makellosen Schwarzwerten.

Der einzige wirkliche Nachteil ist, dass es sich nicht um ein LTPO-Panel handelt. Die Bildwiederholfrequenz wird bei der Anzeige statischer Inhalte dynamisch angepasst, um den Akku zu schonen. Sie sinkt dabei aber nur auf 30 Hertz statt auf 1 Hertz.

Wichtiger finde ich jedoch, dass sich die Helligkeit bis auf 1 Nit herunterregeln lässt, was einen großen Unterschied macht, wenn man mitten in der Nacht auf sein Smartphone schauen will.

Das Xiaomi 17T verfügt über einen Lautsprecher an der Unterseite, und die Hörmuschel dient gleichzeitig als zweiter Stereolautsprecher. Beide leisten im Verbund ordentliche Arbeit und können recht laut werden. Aber erwarten Sie keine atemberaubende Klangqualität. Auch der Bass ist etwas schwach. Doch wenn Sie zu Hause einfach nur ein Video ansehen oder ein paar Spiele spielen möchten, erfüllen beide Lautsprecher ihren Zweck.

Rechenleistung

• MediaTek Dimensity 8500-Ultra
• 12 Gigabyte RAM
• 256/512 Gigabyte Speicher

Das Xiaomi 17T wird vom MediaTek Dimensity 8500-Ultra angetrieben. Dies ist ein leistungsstarker Chip, jedoch kein vollwertiger Flaggschiff-SoC, wie man ihn im Pro-Modell findet. Hinzu kommen 12 Gigabyte RAM und je nach Wahl 256 oder 512 Gigabyte Speicher.

Für die Bedürfnisse der meisten Nutzer dürfte dieses Smartphone also mehr als schnell genug sein. Es fühlt sich im Alltag schnell an, wenn Sie im Internet surfen, auf Nachrichten antworten und soziale Medien durchforsten. Es bewältigt darüber hinaus auch ziemlich anspruchsvolles Multitasking.

Dieses Smartphone wird Hardcore-Gamer wahrscheinlich nicht zufriedenstellen, aber für gelegentliches Spielen erfüllt es seinen Zweck.

Erst wenn man ein anspruchsvolles Spiel startet, spürt man den Unterschied. Ich habe “NTE: Neverness to Everness” gespielt, ein sehr anspruchsvolles Open-World-Gacha-Spiel, das selbst auf Spitzen-Flaggschiff-Modellen nur selten absolut flüssig läuft. Auf dem Xiaomi 17T lief es recht gut.

Ich musste jedoch die Voreinstellung „smooth“ mit 30 Bildern pro Sekunde aktivieren. Der Versuch, es mit 60 fps laufen zu lassen, führte zu Rucklern und Pop-Ins.

Das ist natürlich ein ziemlich extremes Beispiel. Wenn Sie Spiele wie “Mario Kart Tour” oder “Asphalt Legends” genießen wollen, laufen diese auf diesem Smartphone sehr flüssig, ohne dass Sie die Grafik herunterregeln müssen.

Positiv zu vermerken ist, dass das Smartphone während meiner Tests nie zu heiß wurde. Ich denke, dass dies auch am Kunststoffrahmen liegt. Dieser gibt die Hitze im Inneren nicht so gut weiter als ein Rahmen aus Aluminium. In jedem Fall: Dieses Smartphone wird Hardcore-Gamer wahrscheinlich nicht zufriedenstellen, aber für gelegentliches Spielen erfüllt es seinen Zweck.

Benchmarks

Kameras

• 50 Megapixel f/1,7 Hauptkamera
• 50 Megapixel, f/3,0, 5-fach-Tele
• 12 Megapixel, f/2,2 Ultraweitwinkel
• 32 Megapixel, f/2,2 Selfie-Kamera

Die meisten Kameras des Xiaomi 17T bieten dieselben Spezifikationen wie noch beim 15T. Das Teleobjektiv wurde jedoch erheblich verbessert. Zum Einsatz kommt das gleiche hervorragende Teleobjektiv wie im 17T Pro und 15T Pro mit fünffachem Zoom. Dieses ist dem mittelmäßigen 2-fach-Objektiv des Vorgängermodells um Längen voraus.

Sie können nun viel weiter zoomen, bevor das Bild an Qualität verliert

Persönlich finde ich, dass die fünffache Brennweite für die meisten Situationen etwas extrem ist. Die Ergebnisse sind jedoch erstklassig. Das gesamte Kamerasystem wird dadurch vielseitiger, da Sie nun viel weiter zoomen können, bevor das Bild an Qualität verliert. Bei zehnfacher Vergrößerung sieht das Bild fast makellos aus, und selbst bei 20-facher Vergrößerung erhalten Sie noch brauchbare Ergebnisse.

Das 5-fach-Teleobjektiv ist auch für Nahaufnahmen überraschend gut geeignet. Es kann bereits ab 30 Zentimetern Entfernung vom Objektiv noch fokussieren. Bei einem so hohen Zoomfaktor ist das Motiv näher, als man es erwarten würde. Sie erhalten dadurch ein ansprechendes Bokeh.

Die automatische Objektivumschaltung von Xiaomi sollten Sie jedoch deaktivieren, um das Beste aus der Kamera herauszuholen.

Leider wurden auch die Schwächen des Kamerasystems vom Vorgängermodell übernommen. Das Hauptproblem ist das Ultraweitwinkelobjektiv. Es ist akzeptabel, doch es arbeitet einfach nicht auf dem gleichen Niveau wie die anderen Objektive. Der Ultraweitwinkel bietet zudem keinen Autofokus, sodass Sie ihn nicht für Nahaufnahmen verwenden können. Dazu kommt ein winziger Sensor, der bei schlechten Lichtverhältnissen nur schreckliche Bilder liefert.

In Anbetracht dessen ist die Hauptkamera der eigentliche Star der Show. Sie verfügt über einen 1/1,55-Zoll-Sensor, der zwar nicht ganz so groß ist wie der Hauptsensor der Pro-Version, aber groß genug, um bei schlechten Lichtverhältnissen einen Unterschied zu machen. Es ist bei weitem die beste Möglichkeit, nach dem Verschwinden der Sonne klare, verwacklungsfreie Bilder zu erhalten.

Die Selfie-Kamera ist ordentlich, aber nicht besonders aufregend. Ihr fehlt ebenfalls ein Autofokus. Das bedeutet, dass Ihre Gruppenfotos nicht immer so scharf aussehen, wie sie könnten. Ausgeglichen werden diese Mängel von einer soliden Bildverarbeitung und einem ausgezeichneten Porträtmodus.

Das Xiaomi 17T profitiert ebenso wie die Flaggschiff-Modelle von Xiami von der Partnerschaft mit Leica. Das bedeutet, dass Ihnen viele der gleichen hervorragenden Bildstile zur Verfügung stehen, um Ihren Bildern das gewisse Etwas zu verleihen. Tatsächlich waren die einzigen, die ich nicht finden konnte, die Filmsimulationen „Positiv“ und „Negativ“.

Außerdem erhalten Sie eine brandneue Funktion, die Xiaomi „Leica Live Moment“ nennt. Im Großen und Ganzen funktioniert sie genau wie Apples „Live Photos“-Funktion und nimmt jedes Mal, wenn Sie ein Foto machen, ein kurzes Video auf. Der Hauptunterschied besteht darin, dass der Leica-Bildstil in der Videoaufnahme gespeichert wird und die Funktion auch im Porträtmodus funktioniert.

Eine weitere Neuheit ist die Möglichkeit, diese kurzen Videos als bewegte Collage zu speichern. Dies ist ein interessanter Effekt, den ich sonst nirgendwo gesehen habe. Das Ergebnis wirkt jedoch etwas chaotisch, wenn Sie keine ruhige Hand haben oder kein Stativ verwenden.

Xiaomi beeindruckt in seinen preisgünstigeren Smartphones weiterhin mit eine Fülle von professionellen Videooptionen. Genau wie beim Xiaomi 15T können Sie mit dem 17T bei allen Rückkameras im Log-Format aufnehmen sowie die Ausgabe mit einer Vielzahl von LUTs in der Vorschau anzeigen oder sogar eigene LUTs importieren.

Was dieses Modell von einem echten Flaggschiff unterscheidet, ist die mangelnde Konsistenz zwischen den Objektiven. So können Sie beispielsweise sowohl mit dem Haupt- als auch mit dem Teleobjektiv Videos in 4K-Auflösung mit 60 fps aufnehmen, während die Ultraweitwinkel- und die Selfie-Kamera Videos nur mit bis zu 30 Bildern pro Sekunde aufnehmen können.

Es gibt auch keine 4K-120-fps-Option. Wenn Sie sich dieses Feature wünschen, müssen Sie zum Pro-Modell greifen.

Akkulaufzeit & Aufladen

• 6.500-Milliamperestunden-Akku
• 67 Watt kabelgebundenes Laden
• Kein kabelloses Laden

Das Xiaomi 17T verfügt über einen 6.500-Milliamperestunden-Akku. Dies entspricht einer Steigerung von satten 1.000 Milliamperestunden gegenüber dem Vorjahresmodell. In unserem üblichen PCMark-Akkutest hielt das 17T mehr als eine Stunde länger durch – ordentliche 15 Stunden und 30 Minuten. Die Akkulaufzeit war bereits zuvor gut, daher ist jede Verbesserung ein weiterer Pluspunkt.

Ich kam problemlos über einen Tag und musste oft erst zur Mittagszeit des zweiten Tages zum Ladegerät greifen.

Bei meiner üblichen Nutzung empfand ich die Akkulaufzeit als sehr gut, wenn auch vielleicht nicht so ausdauernd, wie ich erwartet hatte. Ich kam problemlos über einen Tag und musste oft erst zur Mittagszeit des zweiten Tages zum Ladegerät greifen.

Mit diesen Ergebnissen lässt es sich sehr gut leben. Doch ich stellte fest, dass das Honor 600 Pro, das über einen etwas kleineren Akku verfügt, noch länger durchhalten konnte. Ich denke, dies liegt primär an der Softwareoptimierung. Vielleicht kann Xiaomi hier auch noch ein paar Verbesserungen per Update nachreichen.

Dennoch ist die Akkulaufzeit sehr gut. Das schnelle Laden macht den Alltag mit dem Xiaomi 17T noch angenehmer. Das Smartphone unterstützt Ladegeschwindigkeiten von bis zu 67 Watt, und mein Testgerät wurde schon mit einem passenden Ladegerät geliefert. In 30 Minuten erreicht es 47 %, was für einen so großen Akku ein gutes Ergebnis ist.

Das Standardmodell 17T verzichtet wie viele Mittelklasse-Smartphones auf die Unterstützung für kabelloses Laden. Wenn Ihnen diese Funktion wichtig ist, müssen Sie sich das 17T Pro oder das Galaxy S25 FE kaufen. Alternativ verfügt auch das deutlich günstigere Google Pixel 10 über eine kabellose Ladefunktion sowie eine magnetische Verbindung namens Pixelsnap.

Benutzeroberfläche & Apps

• HyperOS 3, basierend auf Android 16
• Xiaomi Hyper AI
• 5 Jahre Android-Upgrades, 7 Jahre Sicherheitsupdates

Das Xiaomi 17T wird mit HyperOS 3 ausgeliefert, Xiaomis eigener Software auf Basis von Android 16. Diese Version weist nicht allzu viele Änderungen auf. Wenn Sie also bereits ein aktuelles Xiaomi- oder Poco-Gerät verwenden, wissen Sie ziemlich genau, was Sie erwartet.

Natürlich gibt es im Jahr 2026 jede Menge KI-Funktionen, mit denen Sie herumspielen können.

Insgesamt handelt es sich um ein gut durchdachtes und funktionsreiches Betriebssystem, das allerdings deutlich vom typischen Android-Erlebnis abweicht. Xiaomi ließ sich eindeutig von Apple inspirieren. Dies zeigt sich in den Gestaltungsoptionen für den Sperrbildschirm, dem Design des Schnellkonfigurationsmenüs und der Hyper Island genannten Aussparung, die im Wesentlichen eine exakte Kopie von Apples Dynamic Island ist.

Persönlich halte ich das nicht für schlecht. iOS ist aus gutem Grund beliebt, und auch wenn einige dieser Designentscheidungen nicht besonders originell sind, funktionieren sie gut und sehen ansprechend aus. Ich habe zumindest nichts daran auszusetzen.

Natürlich gibt es im Jahr 2026 jede Menge KI-Funktionen, mit denen Sie herumspielen können. Sie erhalten alle üblichen Features wie KI-gestützte Transkription, Zusammenfassungen und Übersetzungen. Dazu kommen jede Menge praktische Fotobearbeitungswerkzeuge, wie die Möglichkeit, das Bild mit generativer KI zu verkleinern und zu vergrößern, den Himmel auszutauschen, um die Stimmung zu verändern, oder ein Motiv auszuschneiden und einen Porträt-Unschärfeeffekt hinzuzufügen.

Zu den etwas ausgefalleneren Neuerungen gehören „AI Dynamic Wallpapers“, mit denen sich jedes Bild in ein kurzes Video für Ihren Hintergrund verwandeln lässt. Oder aber „AI Subtitles“, mit dem Sie Inhalte aus den Lautsprechern Ihres Smartphones transkribieren und übersetzen können, unabhängig davon, welche App Sie gerade nutzen. Das ist ziemlich praktisch.

Vor der Nutzung des Geräts gibt es ein wenig Bloatware zu entfernen. Doch das ist nicht allzu störend und in dieser Preisklasse durchaus üblich. Ich konnte alles innerhalb weniger Minuten deinstallieren.

Was den langfristigen Support angeht, verspricht Xiaomi 5 Jahre lang größere Android-OS-Upgrades und 7 Jahre lang Sicherheitspatches. Auch wenn dies kein branchenführendes Angebot ist, wird das Smartphone dennoch bis mindestens 2031 mit der neuesten Software laufen.

Preis & Verfügbarkeit

Das Xiaomi 17T ist in zwei Konfigurationen erhältlich, beide mit 12 Gigabyte RAM. Die 256-Gigabyte-Version kostet direkt beim Hersteller 749,90 Euro. Durch einen im Amazon-Angebot hinterlegten 5-Prozent-Gutschein sinkt der Preis beim Online-Versandhändler auf 712,40 Euro. Das 512-Gigabyte-Modell ist bei Xiaomi für 799,90 Euro erhältlich. Auch hier ist Amazon durch einen Rabatt von 5 Prozent mit 759,90 Euro etwas günstiger.

Der Preis ist im Vergleich zum Vorjahr um etwa 100 Euro gestiegen und liegt nun auf dem Niveau des Samsung Galaxy S25 FE (mit nur 128 Gigabyte Speicher). Die Preiserhöhung ist sicherlich auf die derzeitige RAM-Knappheit zurückzuführen ist. Dennoch bietet das Smartphone ein gutes Preis-Leistungs-Verhältnis.

Die technischen Daten des Xiaomi 17T stellen etwa das iPhone 17e völlig in den Schatten, obwohl das Xiaomi-Smartphone nur geringfügig teurer ist. Auch dem Pixel 10 würde ich dieses Gerät ohne Zweifel vorziehen.

Fazit

Das Xiaomi 17T ist ein hervorragendes Smartphone der oberen Mittelklasse. Es verfügt über Kameras, die auch in der Oberklasse mitspielen könnten. Wenn Sie gerne Videos drehen, werden Sie in dieser Preisklasse wohl kaum ein besser ausgestattetes Smartphone finden.

Auch der Rest des Smartphones weiß zu gefallen. Es sieht hochwertig aus, die Software arbeitet flüssig und ist mit zahlreichen Funktionen ausgestattet. Die Akkulaufzeit ist wirklich gut und das Smartphone lädt schnell auf. Ich würde dieses Gerät zwar passionierten Gamern nicht unbedingt empfehlen, doch für die meisten Nutzer bietet es mehr als genug Leistung.

Zum richtigen Preis ist das Xiaomi 17T eine hervorragende Wahl, wenn Sie nach einer Alternative zu den beliebten Modellen von Samsung und Google suchen.

Technische Daten

• Hyper OS 3, basierend auf Android 16
• 6,59 Zoll, 2.756 × 1.268 Pixel, OLED, 120 Hertz
• Optischer Fingerabdrucksensor im Display
• MediaTek 8500-Ultra
• 12 Gigabyte RAM
• 256/512 Gigabyte Speicher
• Kameras:
  • 50-Megapixel-Hauptsensor
  • 12-Megapixel-Ultraweitwinkel
  • 50-Megapixel-5-fach-Tele
  • 32-Megapixel-Selfie-Kamera
  • Bis zu 4K bei 60 fps (Rückkamera)
• Stereolautsprecher
• Dual-SIM eSIM
• WLAN 802.11 a/b/g/n/ac/ax/6e
• Bluetooth 6.0
• 6.500-Milliamperestunden-Akku
• 67 Watt kabelgebundenes Laden
• Kein kabelloses Laden
• 157,6 x 75,2 x 8,2 Millimeter
• IP68-zertifiziert
• 200 Gramm
• Farben: Violett, Blau, Opalweiß, Schwarz

(PC-Welt)

Ein paar Mal im Jahr tüftelt das Google-Doodle-Team hochwertige Spiele aus, um Jahrestage und besondere Ereignisse zu feiern oder um auf ein aktuelles Thema aufmerksam zu machen. In der Regel dauern diese Games zwischen zwei und zwanzig Minuten – einige können aber auch mehr als eine Stunde in Anspruch nehmen. Wir haben eine Auswahl der besten Google-Doodle-Spiele für Sie zusammengestellt.

Die besten Google-Doodle-Spiele

Pac-Man

Geht es um Arcade-Klassiker aus den 1980er-Jahren, führt kein Weg an Pac-Man vorbei. 2010 veröffentlichte Google das weltberühmte Spiel als Doodle Game, um das 30-jährige Jubiläum des gelben Vielfraßes zu feiern. Erleben Sie pure Nostalgie, während Sie gelbe Punkte, verschiedene Früchte und vielleicht sogar den ein oder anderen Geist verschlingen.

Ziel des Spiels ist es, alle Punkte auf dem Spielfeld abzuräumen und dabei den Geistern auszuweichen. Wird man von einem Geist berührt, heißt es “Game Over”. Pac-Man lässt sich mit den Pfeiltasten auf der Tastatur steuern. Auch eine Partie zu zweit ist möglich: Klicken Sie zweimal auf “Münze einwerfen” und Ms. Pac-Man kommt als spielbarer Charakter dazu. Pacmans Liebste wird mit den Tasten A, S, D und W gesteuert.

Celebrating Pizza

Pizza-Enthusiasten mit Spieltrieb dürften mit dem Google Doodle Game “Celebrating Pizza” aus dem Jahr 2021 Speichelfluss-geschwängerten Spielspaß finden. Das Spielprinzip ist dabei schnell erklärt: Sie müssen Pizzas mit diversen Belägen entsprechend der Bestellungen der Kunden zuschneiden. Dabei werden die Aufgaben zunehmend diffizil – etwa weil Sie auf die Positionierung bestimmter Zutaten achten müssen, um den Task perfekt zu erfüllen.

Celebrating Popcorn

Neben Pizza zählt Popcorn wohl zu den weltweit beliebtesten Snacks, insbesondere in Kombination mit den neuesten (oder klassischen) Blockbustern. Grund genug für Google, auch dem buttrig süßen (oder salzigen) Mais-Produkt ein spielerisches Denkmal zu setzen. Das ist als Multiplayer-Spass konzipiert und versetzt Sie in die Rolle eines Maiskorns, das um jeden Preis verhindern muss, aufzuplatzen. Dazu gilt es zum Beispiel, fiesen Buttergeschossen auszuweichen.

Pani Puri

Das in Südostasien populäre Street Food Panipuri bezeichnet eine frittierte Teighülle, die mit diversen Chutneys, Saucen und Zutaten gefüllt werden. Das verspricht vielfältige, kulinarische Gaumenfreuden – insofern die Teiglinge direkt nach der Herstellung verzehrt werden.

Wie sich das aus Perspektive eines Street-Food-Händlers anfühlt, dürfen Sie mit diesem Google Doodle spielerisch nachempfinden. Dazu müssen Sie “lediglich” die richtige Anzahl von Bestellungen auswählen, bevor die hungrigen Kunden unleidig werden. Der Schwierigkeitsgrad beziehungswiese die Komplexität der Bestellungen steigt dabei kontinuierlich an.

Gerald Lawson

Das Konzept modulbasierter Spielekonsolen wie Atari VCS, Nintendo Entertainment System oder Sega Mega Drive geht auf Gerald “Jerry” Lawson zurück, der bei Fairchild Semiconductor in den 1970er Jahren an der Entwicklung der Spielekonsole Channel F beteiligt war.

Lawsons Beitrag zum künftigen Erfolg der Videospielindustrie fand erst späte Würdigung: 2011 wurde er von der International Game Developers Association geehrt. Er wurde zudem in die World Video Game Hall of Fame aufgenommen. Im Google Doodle Game zu seinen Ehren dürfen Sie seinen Karriereweg spielerisch erkunden.

Great Ghoul Duel

Anlässlich des Halloween-Festes 2022 hat Google ein Online-Multiplayer-Spiel an den Start gebracht, in dem die Benutzer in Viererteams gegeneinander antreten, um “Geisterflammen” zu sammeln und in die eigene “Homebase” zu transportieren – ohne dabei dem gegnerischen Team die Möglichkeit zu geben, diese zu klauen.

Das versprüht nicht nur auf dem Papier “Capture the Flag”-Wettbewerbsflair, der sich per QR-Code auch mit Freunden oder Familie erleben lässt. Oder Sie spielen dank Google-Cloud-Support einfach gegen zufällig ausgewählte Spieler auf der ganzen Welt.

Baseball

Pünktlich zum amerikanischen Unabhängigkeitstag am 4. Juli 2021 veröffentlichte Google Doodle Baseball, um seine Nutzer den Tag mit einer Partie des für Europäer meist undurchsichtigen Ballspiels feiern zu lassen. Um die Sache noch amerikanischer zu machen, spielen Sie als verschiedenartig ausgestaltetes Junk Food, das für Baseball-Happenings typisch ist – etwa Hotdogs oder Nachos mit Käse. Das gegnerische Team besteht übrigens aus Erdnüssen.

Wenn Sie das Spiel beginnen, kommt ein zufälliger Snack auf das Spielfeld. Nun müssen Sie die Leertaste drücken, um Ihren Schläger zu schwingen, sobald der Pitcher den Ball wirft. Ballgeschwindigkeit und Wurfstil des Pitchers verändern sich hierbei, je mehr Punkte bereits erzielt wurden. Das Spiel endet, wenn dem Pitcher ein Strikeout gelingt, Sie also dreimal daneben geschlagen haben. Wie viele Punkte können Sie erzielen?

Basketball

Wir bleiben in der Welt des Sports: Basketball ist ein Einzelspieler-Zeitvertreib, bei dem Sie digitale Körbe werfen können. Das Spiel war Teil einer viertägigen Google-Doodle-Aktion, bei dem Sie auch Ihre Fähigkeiten im Fußball und Slalomkanu testen konnten. Laut Ryan Germick, dem Leiter von Google Doodle, wurden diese vier Spiele innerhalb von vier Tagen über eine Milliarde Mal gespielt.

Die Spielmechanik ist einfach: Halten Sie die Leertaste gedrückt, um Kraft aufzubauen und lassen Sie sie dann los, um den Ball zu werfen. Wird zu viel oder zu wenig Kraft aufgebaut, geht der Wurf daneben. Finden Sie heraus, wie viele Bälle Sie innerhalb von 30 Sekunden im Netz versenken können.

Schuppentier-Spiel im Sonic-Style

Das Schuppentier ist das meist gehandelte Tier der Welt und vom Aussterben bedroht. Um das Bewusstsein für dieses Problem zu schärfen, hat Google am Valentinstag 2017 ein Doodle zu Ehren der gefährdeten Tierart veröffentlicht.

Das Schuppentier-Doodle-Spiel ist ein Side-Scroller, der an Segas Sonic Games erinnert. Statt eines blauen Igels bewegen Sie hier ein Schuppentier mit der linken und rechten Pfeiltaste und lassen es mit der Leertaste über Hindernisse springen. Die Aufgabe: Sammeln Sie so viele Gegenstände wie möglich ein und schaffen Sie es bis zur Ziellinie, bevor die Zeit abläuft.

Coding für Karotten

Anlässlich des 50-jährigen Jubiläums von Kids Coding hat das Google Doodle-Team Coding for Carrots veröffentlicht. Dieses einfache “Drag-and-Drop”-Spiel für Kinder führt in das Konzept des Programmierens ein. Das Prinzip ist einfach: Sie müssen ein Kaninchen zu den Karotten schicken, die auf dem Spielfeld verteilt sind.

Dazu gilt es, Codeblöcke mit der Richtungsangabe für den nächsten Sprung (links, rechts, oben, unten) in eine Leiste zu ziehen. Stimmt die Sequenz der Codeblöcke, landet das Kaninchen bei der Karotte. Das Level ist geschafft, wenn alle Karotten eingesammelt wurden, wobei die erforderliche Sequenz mit jedem Level komplizierter wird.

Insel der Champions

Insel der Champions ist mit zwei Stunden Spielzeit eines der umfangreichsten Google-Doodle-Spiele. Ursprünglich sollte es anlässlich der Olympischen Sommerspiele 2020 veröffentlicht werden – aufgrund der pandemiebedingten Verschiebung nahm sich das Google-Doodle-Team die Zeit, weiter am Spiel zu arbeiten. Das hat sich ausgezahlt.

Mit den Pfeiltasten bewegen Sie Ihren Charakter über die Weltkarte und nehmen Herausforderungen der Inselbewohner an. Die Steuerung ist bei jeder Mission anders, daher sollten Sie die jeweiligen Anweisungen sorgfältig lesen. Nehmen Sie an allen Wettbewerben teil, um zu erfahren, ob Sie es an die Spitze der Rangliste schaffen.

Zauberwürfel

Zauberwürfel (auch Rubik’s Cube), die aus sechs Farben, sechs Seiten und 54 Quadraten bestehen, gibt es bereits seit 1974. Im Jahr 2014 veröffentlichte Google das Rubik’s Cube-Doodle zur Feier von 40 Jahren, in denen die farbigen Würfel Menschen auf der ganzen Welt frustriert haben.

Ziel des Spiels ist es, durch Drehen und Wenden der Blöcke jede Seite des Zauberwürfels auf eine einheitliche Farbe zu bringen. Um die Google-Doodle-Version zu spielen, klicken und ziehen Sie Ihren Cursor, um den Würfel zu drehen. Frustfreies Gelingen!

Ein Hoch auf Gartenzwerge

Haben Sie schon einmal den Drang verspürt, Gartenzwerge mit einem Katapult durch den Garten zu schleudern? So oder so: Jetzt haben Sie die Gelegenheit. Um die geschichtsträchtigen kleinen Statuen – der heute übliche Gartenzwerg entstand im 19. Jahrhundert in Thüringen – zu ehren, präsentierte Google Doodle im Juni 2018 The Garden Gnomes.

Ziel des Spiels ist es, möglichst viele Blumen zu pflanzen, indem Sie die Gartenzwerge so weit wie möglich katapultieren. Zum Spielen brauchen Sie nur die Leertaste: Mit dem ersten Tastendruck setzt sich das Katapult in Bewegung, mit dem zweiten wird der Gartenzwerg abgeworfen. Je besser das Timing beim Loslassen, desto weiter die Flugbahn des Zwergs und desto mehr Saatgut in der Erde.

Loteria

Loteria ist ein traditionelles mexikanisches Kartenspiel, das oft auch als mexikanisches Bingo bezeichnet wird. Der Ansager zeigt eine Karte an und wenn der Spieler die gleiche Karte auf seinem Spielbrett hat, darf er eine Bohne darauflegen. Hat er die Karte nicht auf seinem Spielbrett, muss er auf die nächste warten. Jede Runde erfordert ein bestimmtes Bohnen-Muster, um zu gewinnen.

Neben Pac-Man ist Loteria ein weiteres Google-Doodle-Spiel, bei dem Sie gemeinsam mit anderen Spielern Ihr Glück versuchen dürfen.

Meow-loween

Meow-loween wurde anlässlich von Halloween 2016 entwickelt. In diesem Doodle Game steuern Sie eine schwarze Katze namens Momo, die ihre Zauberschule vor anstürmenden Gespenstern retten muss.

Jedes Gespenst weist dabei ein Symbol auf, das über seinem Kopf erscheint. Um den Geist ins Reich der Dunkelheit zu verbannen, müssen Sie das Symbol mithilfe der Maus auf den Bildschirm zeichnen. Dabei ist Schnelligkeit gefragt, denn im Laufe der Zeit erscheinen immer mehr Geister mit immer längeren Symbolkombinationen.

Scoville

Vermutlich haben auch Sie schon einmal den Fehler begangen, eine vermeintlich milde Chili am Stück in den Mund zu stecken. Wenn Sie dann voller Reue versucht haben, das Gefühl von Höllenfeuer schnellstmöglich loszuwerden, konnten Sie hoffentlich auf das Wissen von Wilbur Scoville zurückgreifen und es mit der lindernden Wirkung von Milch bekämpfen. Scoville führte auch ein Messverfahren für die Schärfe von Chilischoten ein. Zu Ehren des 151. Geburtstags des Pharmakologen bietet das Scoville-Doodle-Spiel die Möglichkeit, verschiedenen Chilisorten zu zeigen, wer der Boss ist.

Der virtuelle Scoville probiert in seinem Labor nacheinander verschiedene Chilisorten und arbeitet sich so die Scoville-Skala nach oben. Nachdem er eine Schote gegessen hat, reicht man ihm zur Schmerzlinderung ein Eis. Hier kommen Sie ins Spiel: Am unteren Spielfeldrand gibt es einen Balken mit einem Kreis, der sich schnell hin und her bewegt. Um die Schote mit der Eiskugel zu treffen, muss man den Kreis so nah wie möglich an der Balkenmitte stoppen – entweder mit der Leertaste oder per Mausklick. Je weiter Sie kommen, desto schärfer werden die Gegner.

Sie wollen weitere interessante Beiträge zu diversen Themen aus der IT-Welt lesen? Unsere kostenlosen Newsletter liefern Ihnen alles, was IT-Profis wissen sollten – direkt in Ihre Inbox!