Gleich zwei Events hintereinander – und eines aufregender als das andere: OpenAI und Google haben in dieser Woche neue leistungsstarke KI-Assistenten gezeigt. Es sind Tools, die sich in Echtzeit mit Nutzern unterhalten können, die Umgebung per Live-Video analysieren oder Gespräche verzögerungsfrei übersetzen – alles Dinge, die zuvor deutlich mühsamer waren.

Der erste Aufschlag kam von OpenAI bereits am Montag, als der KI-Konzern sein neues Sprachmodell GPT-4o vorstellte. Bei der Live-Demonstration las das multimodale System Gutenachtgeschichten vor und half beim Lösen von Matheaufgaben per Kamera – und das alles mit einer Stimme, die unheimlich nach der KI-Freundin von Joaquin Phoenix im Science-Fiction-Film Her klang (eine Tatsache, die CEO Sam Altman keineswegs entgangen ist).

Tags darauf am Dienstag kündigte Google dann seine eigenen neuen KI-Werkzeuge an, darunter einen Sprachassistenten namens Gemini Live, der viele der gleichen Aufgaben übernehmen kann wie GPT-4o. Außerdem wurde bekannt, dass die Google-Tochter Deepmind mit Project Astra eine Art Alleskönner-KI-Agenten baut, der sich derzeit in der Entwicklung befindet, aber erst im Laufe des Jahres auf den Markt kommen wird.

Noch waren das alles nur Demonstrationen. Doch bald können wir selbst herausfinden, ob wir diese Tools in unserem Alltag so stark nutzen werden, wie die Hersteller hoffen. Alternativ könnte es ja auch nur ein Science-Fiction-Partytrick bleiben, der irgendwann seinen Reiz verliert. Im Folgenden erfahrt ihr mehr über den Zugang zu diesen neuen Werkzeugen, wofür sie verwendet werden können und was sie kosten werden.

Was es kann: Das neue Modell kann in Echtzeit mit dem Gegenüber sprechen, mit einer Antwortverzögerung von etwa 320 Millisekunden, was laut OpenAI einer natürlichen menschlichen Unterhaltung gleichkommt. Das Modell kann alles interpretieren, worauf die Smartphone-Kamera gerichtet ist. Es kann bei Aufgaben wie dem Programmieren oder der Übersetzung von Text helfen. Es kann auch Informationen zusammenfassen und Bilder, Schrift und 3D-Renderings erzeugen.

Wie man darauf zugreift: Zwar ist GPT-40 für Nutzer von ChatGPT Plus (20 Euro im Monat) bereits in der Weboberfläche und in der GPT-App aktivierbar. Doch das betrifft nur den Textmodus. Der neue Sprachassistent samt Video soll „in den kommenden Wochen“ als Alpha hinzukommen, ein genaues Datum nennt die Firma nicht. Entwickler können bereits Textfunktion und Bilderfassung über die API nutzen, doch der Sprachbot bleibt nur einer kleinen ausgewählten Gruppe vorbehalten.

Wie viel es kostet: Die Nutzung von GPT-4o wird künftig kostenlos sein, aber OpenAI wird eine Obergrenze für die Nutzung des Modells festlegen, bevor ein Upgrade auf einen kostenpflichtigen Plan erforderlich ist. Diejenigen mit Abo – als Einzelperson, Team oder Firma – werden mindestens fünfmal mehr Kapazität erhalten.

Was es kann: Es ist das Google-Produkt, das am ehesten mit GPT-4o vergleichbar ist – eine Version des KI-Modells Gemini des Unternehmens, mit dem man in Echtzeit sprechen kann. Google sagt, dass man das Tool „später in diesem Jahr“ auch für die Kommunikation per Live-Video nutzen können wird. Das Unternehmen verspricht, dass es sich dabei um einen nützlichen Sprachassistenten handeln wird, mit dem man sich beispielsweise auf ein Vorstellungsgespräch vorbereiten oder eine Rede einstudieren kann.

Wie man darauf zugreift: Gemini Live wird „in den kommenden Monaten“ über Googles Premium-KI-Tarif Gemini Advanced eingeführt.

Wie viel es kostet: Gemini Advanced bietet eine zweimonatige kostenlose Testphase und kostet danach 20 US-Dollar pro Monat.

Und was bitte ist Project Astra? Project Astra ist ein Projekt der Google-Tochter Deepmind zur Entwicklung eines KI-Agenten, „der alles kann“. Es wurde auch in dieser Woche auf der I/O-Konferenz von Google vorgestellt, soll aber erst später in diesem Jahr veröffentlicht werden. Die Demo erinnerte an GPT-4o.

Nutzer sollen Astra über ihr Smartphone und möglicherweise auch über Desktop-Rechner nutzen können. Aber das Unternehmen prüft auch andere Möglichkeiten, wie etwa die Einbindung in intelligente Brillen oder andere Geräte, so Oriol Vinyals, Vizepräsident für Forschung bei Deepmind, gegenüber MIT Technology Review.

Das ist noch schwer zu sagen, wenn man die Endkundenversionen dieser Modelle nicht selbst in der Hand hat. Google präsentierte Project Astra in einem Video, das angeblich live in zwei Teilen aufgenommen wurde, während OpenAI sich dafür entschied, GPT-4o in einer scheinbar authentischeren Demonstration vorzustellen – sogar mit einigen wenigen Fragen aus dem X-Publikum. Doch in beiden Fällen wurden die Modelle sicherlich aufgefordert, Dinge zu tun, die die Designer bereits eingeübt hatten. Der wirkliche Test wird kommen, wenn Millionen von Nutzern einzigartige Anforderungen stellen.

Vergleicht man jedoch die veröffentlichten Videos von OpenAI mit denen von Google, sehen die beiden führenden Tools sehr ähnlich aus, zumindest was die Benutzung angeht. Verallgemeinernd kann gesagt werden, dass GPT-4o im Audiobereich leicht die Nase vorn hat, indem es realistische Stimmen, einen Gesprächsfluss und sogar Gesang demonstriert. Project Astra hat hingegen offenbar fortschrittlichere visuelle Fähigkeiten. So wurde gezeigt, wie der Assistent eine Brille wiederfand, die er zuvor gesehen hatte. Die Entscheidung von OpenAI, die neuen Funktionen recht schnell auf den Markt zu bringen, könnte bedeuten, dass das Produkt von OpenAI anfangs die Nase vorn hat, bevor dann Google um die Ecke kommt. Es ist außerdem noch zu früh, um zu sagen, welches Modell weniger oft falsche Informationen „halluziniert“ oder mehr wirklich nützliche Antworten erzeugt.

Sowohl OpenAI als auch Google behaupten, ihre Modelle seien gut getestet worden. OpenAI betont, dass GPT-4o von „mehr als 70 Experten in Bereichen wie Fake News und Sozialpsychologie evaluiert“ wurde. Google sagt, dass Gemini „die umfassendsten Sicherheitsevaluierungen aller bisherigen KI-Modelle von Google“ durchlaufen habe, beispielsweise, um toxische Aussagen oder Bias auszuschließen.

Das Problem: Die Unternehmen arbeiten an einer Zukunft, in der KI-Modelle die Informationen der Welt für uns durchsuchen, überprüfen und auswerten müssen, um uns präzise Antworten auf unsere Fragen zu liefern. Mehr noch als bei einfacheren Chatbots ist es ratsam, skeptisch zu bleiben, was sie einem sagen – besonders wenn Sprachassistenten so überzeugend klingen.