ChatGPT kehrt auf WhatsApp zurück, GitHub Copilot CLI zuverlässiger, Anthropic untersucht die Werte von Claude

OpenAI bringt ChatGPT in Europa auf WhatsApp zurück und erweitert es auf zwei neue Messenger, GitHub verbessert die Zuverlässigkeit von Copilot CLI und Amp ändert die Art und Weise, wie seine Agenten Code committen. Auf der Forschungsseite veröffentlicht Anthropic eine Studie über die von Claude je nach Sprache geäußerten Werte, während Ai2 und Sakana AI jeweils einen maritimen Überwachungsagenten in Produktion sowie ein Experiment zur physischen kollektiven Intelligenz vorstellen.

ChatGPT zurück auf WhatsApp im EWR, Erweiterung auf Kakao und Viber

13. Juli — ChatGPT ist im Europäischen Wirtschaftsraum (EWR) nach einer Phase der Nichtverfügbarkeit in der Region wieder auf WhatsApp verfügbar. Der Zugriff erfolgt über den verifizierten Kontakt 1-800-CHATGPT, mit dem man Fragen stellen, Bilder senden, Sprachnotizen verschicken, Bilder generieren und ChatGPT in vielen Sprachen direkt in der Messenger-App nutzen kann.

OpenAI erweitert parallel die Verfügbarkeit von ChatGPT auf zwei neue Anwendungen: Kakao in Südkorea und Viber in den unterstützten Märkten. Die Strategie ist klar: den Assistenten in den bereits täglich genutzten Messenger-Apps verfügbar machen, statt die Nutzer zur dedizierten ChatGPT-App oder -Website zu drängen.

🔗 Ankündigung — @ChatGPTapp

GitHub Copilot CLI v1.0.42: zuverlässigere Delegierung an Subagenten

13. Juli — GitHub veröffentlicht die Version 1.0.42+ von Copilot CLI, installierbar über den Befehl /update. Dieses Update führt eine intelligentere Delegierung an Subagenten (smarter subagent delegation) ein, die darauf ausgelegt ist, Code-Sitzungen schneller und zuverlässiger zu machen, ohne technische Details zur Messmethode zu liefern.

Art des gemessenen Fehlers	Angegebene Reduktion
Tool-Fehler	-23%
Suchfehler	-27%
Bearbeitungsfehler	-18%

GitHub präzisiert, dass trotz dieser Änderungen keine Qualitätsregression festgestellt wurde.

🔗 Ankündigung — @github

Die Orbs von Amp können jetzt im Namen des Nutzers committen

11. Juli — Amp fügt in seinen Projekteinstellungen eine Option hinzu, mit der die Orbs (die Maschinen, die die Agenten aus der Ferne ausführen) unter der Identität des Nutzers statt unter der von Amp committen können, mit einer zugehörigen co-authored-by-Kennzeichnung am Commit.

You can now make Amp orbs commit as you, not Amp (+ co-authored-by you). It’s in project settings. Useful for, e.g., pushing to a repo where Vercel only deploys for known committers.

🇩🇪 Ihr könnt jetzt dafür sorgen, dass Amp-Orbs in eurem Namen committen und nicht im Namen von Amp (mit einem co-authored-by-Vermerk für euch). Das findet ihr in den Projekteinstellungen. Nützlich zum Beispiel, um in ein Repository zu pushen, in dem Vercel nur für bekannte Committer deployed. — @sqs auf X

Anthropic untersucht die von Claude geäußerten Werte nach Modellen und Sprachen

13. Juli — Anthropic setzt seine Arbeiten zu den von Claude in Gesprächen geäußerten Werten fort (mehr als 3.000 identifizierte Werte, etwa Ehrlichkeit oder menschliche Wärme), indem untersucht wird, wie sie je nach verwendetem Modell und je nach Sprache variieren. Die Studie stützt sich auf mehr als 300.000 anonymisierte Gespräche, die in vier Achsen gruppiert wurden.

Achse (Französisch / Original)	Was sie misst
Unterwürfigkeit vs. Vorsicht (Deference vs. Caution)	Tendenz, dem Nutzer zu folgen oder ihn zu mäßigen
Wärme vs. Strenge (Warmth vs. Rigor)	Herzlicher Ton oder Forderung nach Belegen
Tiefe vs. Knappheit (Depth vs. Brevity)	Ausführliche oder knappe Antworten
Offenheit vs. Ausführung (Candor vs. Execution)	Direkte Kritik oder bloße Ausführung

Die Unterschiede zwischen den Modellen bleiben moderat (Sonnet 4.6 etwas fröhlicher und bestätigender, Opus 4.7 stärker zu offener Kritik neigend), doch die deutlichsten Unterschiede zeigen sich je nach Sprache: Claude tendiert zu Wärme auf Hindi und Arabisch, zu Strenge auf Russisch, wo es häufiger Belege zur Untermauerung der Aussagen des Nutzers verlangt.

🔗 Ankündigung — @AnthropicAI

Ai2 beschreibt die Hintergründe von Shippy, seinem maritimen Überwachungsagenten

13. Juli — Ai2 (AllenAI) veröffentlicht einen Erfahrungsbericht über Shippy, den von seinem Skylight-Team für die Überwachung des maritimen Bereichs entwickelten Agenten: Erkennung von Fischereivorfällen, Schiffsverfolgung, Schutzgebiete. Der Agent dient heute über 300 Partnern in mehr als 70 Ländern.

The real work wasn’t the model. It was building a system we could trust to be correct, to stay within appropriate boundaries.

🇩🇪 Die eigentliche Arbeit war nicht das Modell. Es ging darum, ein System zu bauen, dem wir vertrauen konnten, dass es korrekt ist und innerhalb angemessener Grenzen bleibt. — Ai2 Blog

Technisch basiert Shippy auf OpenClaw (einem Open-Source-Agent-Framework) mit Claude Opus 4.6 als Modell, strukturiert in drei Bausteine — eine „Seele“ (der System-Prompt und seine Schutzmechanismen), „Fähigkeiten“ (skills) und eine „Konfiguration“ (Parameter und Modellwahl). Die Isolierung zwischen Kundenagenturen erfolgt über Mothership, eine hauseigene Plattform, die für jede Benutzersitzung ein Kubernetes-Deployment bereitstellt, und die Bewertung über das Harbor-Framework, bei dem ein LLM-Judge die Antworten mit schriftlicher Begründung bewertet.

Sakana AI lässt fast 200 physische Bausteine zusammenarbeiten, um ihre eigene Form zu erkennen

12. Juli — Sakana AI veröffentlicht zusammen mit der IT University of Copenhagen und Autodesk eine Forschung zu physischer kollektiver Intelligenz: „Zellbausteine“ — kubische Hardwaremodule, die lokal dasselbe neuronale Netzwerk ausführen (neurale zelluläre Automaten, Neural Cellular Automata) — leiten kollektiv die globale Form ab, die sie bilden, ohne zentralen Controller.

At Sakana AI, a recurring theme in our research is collective intelligence: the observation that sophisticated, robust behavior can arise from many simple parts following local rules, with no central controller, as it does in a colony, a tissue, or a brain.

🇩🇪 Bei Sakana AI ist ein wiederkehrendes Thema unserer Forschung die kollektive Intelligenz: die Beobachtung, dass aus vielen einfachen Teilen, die lokalen Regeln folgen, ohne zentralen Controller ein ausgefeiltes und robustes Verhalten entstehen kann, wie es in einer Kolonie, einem Gewebe oder einem Gehirn der Fall ist. — Sakana AI Blog

Getestet mit fast 200 Bausteinen und vier zusammengesetzten Formen (Flugzeug, Gitarre, Boot, Tisch) erreicht das System 100% Klassifikationsgenauigkeit in 60 Zyklen (etwa 3 Minuten), bleibt bis zu 5% defekter Module robust, erkennt strukturelle Schäden mit 94,8% Genauigkeit und skaliert in der Simulation auf Gitter mit mehr als 18.000 Würfeln.

Google DeepMind stellt den Skill „Predicting the Past“ in Google Antigravity vor

13. Juli — Google DeepMind beschreibt einen Skill namens „Predicting the Past“, der in Google Antigravity ohne erforderliche Programmierkenntnisse ausgeführt wird und alte Texte und Artefakte analysiert. Drei Anwendungsfälle werden dokumentiert: die Datierung und Lokalisierung einer 1.800 Jahre alten römischen Fluchtafel (curse tablet) mithilfe des Modells Aeneas, die Kartierung des Kults der Aufaniae durch Europa hindurch (bis zu einem isolierten Altar in Spanien, errichtet von einem römischen Veteranen), und die Rekonstruktion des Netzwerks der Besucher des Orakels von Dodona anhand antiker Bleitäfelchen.

Der Skill erzeugt jedes Mal eine Erklärung seiner Vorhersage, ähnlich einem epigraphischen Kommentar für Fachleute des jeweiligen Gebiets.

🔗 Ankündigung — @GoogleDeepMind

Kurzmeldungen

Amp bereitet kollaborative Threads mit mehreren Nutzern vor — ein Amp-Thread kann bereits von vielen Clients gleichzeitig verfolgt werden, allerdings nur unter dem Konto seines Erstellers; das Team arbeitet an einer Zusammenarbeit mit mehreren Konten im selben Thread. 🔗 @sqs auf X
Eine native macOS-Version von Amp ist in Entwicklung — ohne erwarteten funktionalen Unterschied gegenüber der aktuellen Web-App und ohne angekündigtes Datum. 🔗 @sqs auf X
GitHub trennt die SSO- und Organisationsseiten — die kombinierte Seite der Benutzereinstellungen wird aus Gründen der Übersichtlichkeit in zwei getrennte Seiten aufgeteilt. 🔗 GitHub-Changelog
HeyGen CLI: Musik und Soundeffekte in der Kommandozeile — kostenlose Suche und Download des Musik-/SFX-Katalogs von HeyGen direkt im Terminal, mit einer Demonstration eines Agenten, der die Klänge auf den Rhythmus eines Videos synchronisiert. 🔗 @HeyGen auf X

Was das bedeutet

Die Distribution wird wieder zum Schlachtfeld für Consumer-Assistenten. Die Rückkehr von ChatGPT auf WhatsApp im EWR und die Erweiterung auf Kakao und Viber zeigen, dass OpenAI auf Präsenz in bereits installierten Apps setzt statt auf die Anziehungskraft der eigenen Oberflächen. Das ist eher eine Logik des Vertriebskanals als der Funktionalität: Der Assistent geht dorthin, wo die Nutzer bereits sind, selbst wenn er auf regulierte Märkte wie Europa nach einer Unterbrechung zurückkehrt.

Die Zuverlässigkeit von Agenten wird zu einem eigenständigen Ingenieurszweig, nicht zu einem Nebenprodukt des Modells. GitHub beziffert die Vorteile seiner neuen Delegierung an Subagenten präzise (-23% Tool-Fehler, -27% Suchfehler, -18% Bearbeitungsfehler), und Ai2 formuliert dieselbe Lehre indirekt mit Shippy: Zuverlässigkeit in der Produktion entsteht durch deterministische Werkzeuge, explizite Schutzmechanismen und eine isolierte Infrastruktur, nicht nur durch das gewählte Modell. Die Orbs von Amp, die nun im Namen des Nutzers committen, folgen derselben operativen Sorge — sich sauber in bestehende Deployment-Pipelines einzufügen.

Die Forschung zum Verhalten von Modellen geht über Text hinaus. Die Anthropic-Studie zu den von Claude je nach Sprache geäußerten Werten zeigt, dass kulturelle Unterschiede (Wärme auf Hindi und Arabisch, Strenge auf Russisch) stärker ins Gewicht fallen als Unterschiede zwischen Modellversionen. Die Zellbausteine von Sakana AI stellen eine benachbarte, aber andere Frage: Kann man intelligentes und robustes Verhalten ohne zentrales Modell erzeugen, aus identischen lokalen Regeln, die in großem Maßstab wiederholt werden — ein Ansatz für physische Systeme, die sich selbst diagnostizieren können?

KI ohne Code entwickelt sich in Richtung hochspezialisierter Expertenanwendungen. Der Skill „Predicting the Past“ von Google DeepMind, angewendet auf Epigraphik und Archäologie, zeigt, wie komplexe Workflows für Forschende ohne Programmierkenntnisse zugänglich werden und Nischenbereiche für Nutzer öffnen, die diese Werkzeuge nicht selbst hätten bauen können.