Claude Sonnet 5 auf allen Plänen verfügbar, Claude Science in Beta, Amp startet die Orbs

Der 30. Juni 2026 markiert einen ereignisreichen Tag für das KI-Ökosystem: Anthropic veröffentlicht gleichzeitig Claude Sonnet 5 — sein bislang agentischstes Sonnet-Modell, jetzt standardmäßig in den Free- und Pro-Plänen mit einem nativen Fenster von 1 Million Tokens — sowie Claude Science, eine spezialisierte Arbeitsumgebung für wissenschaftliche Forschende, die das BioNeMo Agent Toolkit von NVIDIA integriert. Auf der Entwicklerwerkzeug-Seite rollt Amp die Orbs aus, dedizierte Cloud-Maschinen für die Ausführung unbeaufsichtigter Agenten, während Google den Entwicklern Nano Banana 2 Lite und Gemini Omni Flash bereitstellt. OpenAI veröffentlicht seinerseits GeneBench-Pro, einen Benchmark auf Forschungsniveau für Computational Biology.

Claude Sonnet 5 — Standardmodell für Free und Pro, Kontext von 1 Million Tokens

30. Juni — Anthropic veröffentlicht Claude Sonnet 5, sein neues Modell aus der Sonnet-Familie, das als bislang agentischstes Modell konzipiert ist. Sonnet 5 schließt die Lücke zu Opus 4.8 bei agentischen Benchmarks (BrowseComp, OSWorld-Verified) bei gleichzeitig niedrigeren Preisen und wird ab dem Starttag zum Standardmodell für die Pläne Free und Pro.

Eigenschaft	Wert
API-Kennung	`claude-sonnet-5`
Kontextfenster	1 Million Tokens (nativ)
Eingabepreis (Promo)	$2 pro Million Tokens
Ausgabepreis (Promo)	$10 pro Million Tokens
Standardpläne	Free, Pro
Verfügbarkeit	API, alle Claude-Pläne

Zu den hervorgehobenen Fähigkeiten zählen autonome Planung, mehrstufige Werkzeugnutzung, die Ausführung komplexer Aufgaben auf Legacy-Code (brownfield code) und eine bessere Einhaltung von Code-Konventionen. In Sachen Sicherheit weist Sonnet 5 insgesamt eine geringere Rate unerwünschten Verhaltens als Sonnet 4.6 auf, zeigt jedoch leicht erhöhte Fähigkeiten bei bestimmten Cybersicherheitsaufgaben ohne spezifisches Training; deshalb wird es mit Echtzeit-Schutz über das Cyber Verification Program veröffentlicht. Die vollständige System Card ist auf anthropic.com verfügbar.

Erweiterte Verfügbarkeit: Sonnet 5 ist außerdem allgemein verfügbar in GitHub Copilot (Pläne Pro, Pro+, Max, Business und Enterprise, mit Null-Datenspeicherung für Business und Enterprise, auswählbar in VS Code, JetBrains, Xcode, CLI, github.com, iOS und Android) sowie in Microsoft Foundry auf NVIDIA-GB300-NVL72-GPU.

🔗 Ankündigung von Anthropic — Claude Sonnet 5

Claude Code v2.1.197 — Sonnet 5 als Standardmodell

30. Juni — Die Version 2.1.197 von Claude Code begleitet den Start von Sonnet 5, indem sie es im CLI-Tool zum Standardmodell macht. Das native Kontextfenster von 1 Million Tokens ist direkt in Claude-Code-Sitzungen zugänglich. Die Promo-Preisgestaltung von $2/$10 pro Million Tokens gilt bis zum 31. August 2026. Ein Upgrade auf Version 2.1.197 ist erforderlich, um dieses Standardmodell zu nutzen.

🔗 Release v2.1.197 — Claude Code

Claude Science — wissenschaftlicher Workbench in Beta mit NVIDIA BioNeMo

30. Juni — Anthropic kündigt die Beta-Verfügbarkeit von Claude Science an, einer KI-Arbeitsumgebung, die speziell für wissenschaftliche Forschende entwickelt wurde. Die Anwendung vereint in einem einzigen Raum die sonst fragmentierten Werkzeuge: spezialisierte Datenbanken, Jupyter, R, HPC-Cluster-Terminals, GPU-Ausführung auf Abruf.

Funktionalität	Beschreibung
Orchestrierender Agent	+60 vorkonfigurierte Skills und Connectoren (Genomik, Einzelzell-, Proteomik-, Strukturbiologie, Cheminformatik)
Reproduzierbare Artefakte	Abbildungen und Manuskripte mit exaktem Code, Umgebung und vollständiger Historie
Rechenmanagement	Laptop, HPC-Cluster via SSH oder GPU auf Abruf (Modal) — von 1 bis zu Hunderten von GPUs
Lektorat-Agent	Prüft Zitate, validiert Berechnungen, korrigiert Fehler in Echtzeit
Sitzungs-Fork	Vergleicht zwei Ansätze, ohne den ursprünglichen Faden zu verlieren
Native wissenschaftliche Darstellung	3D-Proteinstrukturen, genomische Tracks, chemische Strukturen

Verfügbarkeit: offene Beta für die Pläne Pro, Max, Team und Enterprise unter macOS und Linux (https://claude.com/science). Ein vergünstigter Team-Plan ist für akademische Labore und gemeinnützige Organisationen vorgesehen.

Integration des NVIDIA BioNeMo Agent Toolkit: Claude Science ist die erste Umgebung, die das BioNeMo Agent Toolkit produktiv integriert und Forschenden über natürliche Sprache Zugriff auf die GPU-beschleunigten Werkzeuge von NVIDIA ermöglicht:

BioNeMo-Werkzeug	Leistung
NVIDIA Parabricks	Genomanalyse: Stunden → Minuten
RAPIDS-singlecell	1,3 Millionen vorverarbeitete Zellen in 25 Sekunden (statt 52 Min ohne GPU)
nvMolKit	Cheminformatik 3.000× schneller (Ähnlichkeit, Konformere)
BioNeMo open models	Evo 2, Boltz-2, OpenFold3
BioNeMo NIM	Produktionsreife Inferenz-Microservices

Beta-Feedback: Das Allen Institute (Jérôme Lecoq) verfasst wissenschaftliche Übersichten von über 100 Seiten mit Actor-Critic-Agenten und verkürzt den Zeitraum von 2 Jahren auf wenige Wochen. Das UCSF Brain Tumor Center (Stephen Francis) bestätigt eine 10×-Beschleunigung bei epidemiologischen Gliomanalysen.

IA for Science Grants-Programm: Bis zu 50 ausgewählte Projekte erhalten jeweils bis zu $30.000 an Claude-Guthaben sowie bis zu $2.000 an Modal-Compute für bestimmte Projekte. Bewerbungen bis zum 15. Juli 2026, Benachrichtigung der Gewinner vor dem 31. Juli.

🔗 Ankündigung von Anthropic — Claude Science

Amp: Agents in Orbs — Cloud-Maschinen für die Ausführung unbeaufsichtigter Agenten

30. Juni — Amp startet die Orbs, dedizierte Cloud-Maschinen, die dafür konzipiert sind, Coding-Agenten ohne Aufsicht auszuführen, auch wenn die lokale Maschine ausgeschaltet ist.

Eigenschaft	Wert
RAM	32 GB pro Orb
CPU	16 Kerne pro Orb
Preis	$1,66/h minutengenau abgerechnet
Start	Schnell mit automatischem Standby

Ein Orb startet mit einem einzigen Befehl aus dem Terminal oder dem Amp-TUI: amp -ox "<prompt>". Die Steuerung bleibt identisch zu einer lokalen Ausführung: Code-Review, Dateinavigation, integriertes Terminal. Änderungen werden mit amp sync <thread-id> auf die lokale Maschine synchronisiert. Es ist möglich, mehrere Agenten parallel ohne lokale Ressourcenkonflikte auszuführen und den Zustand jedes Agenten über Web, CLI oder Mobile abzurufen.

Das minutengenaue Abrechnungsmodell — mit automatischem Standby zwischen aktiven Operationen — ist darauf ausgelegt, die Kosten zu minimieren, wenn der Agent auf Eingaben wartet oder I/O-Operationen ausführt. Dieses Angebot positioniert Amp im selben Bereich wie Anthropic Claude Code Remote, mit einem bemerkenswerten Unterschied: eine komplette dedizierte Maschine pro Agent (32 GB, 16 Kerne) statt eines gemeinsam genutzten Containers.

Aus Workflow-Sicht ermöglichen die Orbs, am Ende des Tages einen Agenten im Hintergrund zu starten und am nächsten Morgen von jedem Gerät aus fertig zum Review vorliegende Pull Requests vorzufinden.

🔗 Ankündigung von Amp — Agents in Orbs

Nano Banana 2 Lite und Gemini Omni Flash per API verfügbar

30. Juni — Google DeepMind startet gleichzeitig zwei neue Modelle für Entwickler: Nano Banana 2 Lite für die hochperformante Bilderzeugung und Gemini Omni Flash für konversationelles Video.

Nano Banana 2 Lite (gemini-3.1-flash-lite-image)

Dimension	Wert
Latenz	4 Sekunden pro Bild
Kosten	$0,034 für 1.000 Bilder
Verfügbarkeit	Gemini API, Google AI Studio, Gemini Enterprise Agent Platform

Empfohlener Ersatz für das Legacy-Modell gemini-2.5-flash-image: bessere Qualität, höhere Geschwindigkeit, geringere Kosten. Das Modell bewahrt Prompt-Treue, Figurenkonsistenz und die Darstellung von Text im Bild trotz der Priorisierung von Geschwindigkeit. Es ist außerdem in folgenden Consumer-Surfaces ausgerollt: AI Mode in Search, Gemini-App, NotebookLM, Google Photos, Google Flow und Google Ads.

Gemini Omni Flash (gemini-omni-flash-preview)

Dimension	Wert
Kosten	$0,10 pro Sekunde Video
Maximale Dauer	10 Sekunden (längere Dauern angekündigt)
Verfügbarkeit	Gemini API, Google AI Studio, Gemini Enterprise Agent Platform

Das Modell zielt auf konversationelle Videobearbeitung per natürlicher Sprache ab, mit multimodaler Referenzierung (Bilder + Text + Video als Eingabe), Text-/Grafiksynchronisation und integriertem SynthID-Watermarking. Aktuelle Einschränkungen: auf 10 Sekunden begrenzte Dauer, Audio-Referenzen und Szenenverlängerung über die API nicht unterstützt, Figurenkonsistenz über Szenenwechsel hinweg noch verbesserungsfähig.

Bild-zu-Video-Kette: Die Interactions API verwaltet den Sitzungsverlauf für sequenzielle Bearbeitungen bis zu 3 aufeinanderfolgend, sodass sich schnell ein Bild mit Nano Banana 2 Lite erzeugen und anschließend mit Gemini Omni Flash animieren lässt. Google demonstriert diese Kette in drei Anwendungen: Anywhere (Transport in ikonische Orte), Space Lift (Innenarchitektur) und Omni Product Studio (E-Commerce Bild→Video).

🔗 Ankündigung von Google DeepMind — Nano Banana 2 Lite und Gemini Omni Flash

GeneBench-Pro — ein Computational-Biology-Benchmark auf Forschungsniveau

30. Juni — OpenAI veröffentlicht GeneBench-Pro, einen Benchmark auf Forschungsniveau, der die Fähigkeit von KI-Agenten misst, in der Computational Biology zu schlussfolgern. Das zentrale Konzept ist research taste — die Abfolge von Urteilen, die eine Analyse lenkt: Welche Fragen lassen sich mit den Daten untersuchen, wann ein anfänglicher Plan überarbeitet werden muss, wie frühe Diagnosen den Ansatz verändern sollten.

Abdeckung: 129 Fragen, verteilt auf 10 Bereiche — statistische Genetik, Populationsgenomik, quantitative Genetik, regulatorische Genomik, funktionelle Genomik, Proteomik, klinische Genomik, Krebsgenomik, mikrobielle Genomik und forensische Genetik.

Ergebnisse:

Modell	Score (max. Denkstufe)	Score (Pro-Modus)
GPT-5.6 Sol	28,7 %	31,5 %
GPT-5 (Baseline bei Erstellung)	< 5 %	—

GPT-5.6 Sol löst fast sechsmal so viele Fragen wie GPT-5.2 und verwendet dabei ungefähr zwei Drittel der Tokens. Bei diesem Fortschrittstempo könnte der Benchmark bis Ende 2026 gesättigt sein. Ein menschlicher Experte würde für ein GeneBench-Pro-Problem 20 bis 40 Stunden Arbeit ansetzen, also Tausende von Dollar; die KI-Inferenz kostet pro Problem nur wenige Dollar.

Methode: Die Probleme werden synthetisch konstruiert (bekannte kausale Struktur, simulierte Daten), um Bewertungs-Bias (ground-truth leakage) zu vermeiden. Open Source: 10 repräsentative Fragen werden auf Hugging Face veröffentlicht; ein Unterset von 50 Fragen wird Artificial Analysis für einen unabhängigen Drittanbieter-Benchmark bereitgestellt.

🔗 Ankündigung von OpenAI — GeneBench-Pro

Together AI bei ICML 2026: 8 offene Forschungsarbeiten

30. Juni — Together AI veröffentlicht die Zusammenfassung seiner 8 bei ICML 2026 akzeptierten Arbeiten (Seoul, 6.–11. Juli). Die Forschung deckt den gesamten Stack ab (full stack) : Agenten, Training, algorithmische Optimierung, Systeme und GPU-Kernels.

Paper	Ebene	Zentrales Ergebnis
ThunderAgent	Agenten	Bis zu 3,6× Agenten-Throughput
TTT-Discover	Agenten	Schlägt die besten Menschen (Open-Modell 120B, ~$500)
Aurora	Algorithmen	Zusätzlicher 1,25× Speedup in der Produktion (MiniMax M2.1 229B)
Untied Ulysses	Systeme	5 Mio. Tokens auf einem einzelnen 8×H100-Node (−87,5 % Attention-Speicher)
OEA	Systeme	Bis zu 39 % schneller beim MoE-Decoding

TTT-Discover wendet RL zur Testzeit an: Jeder Versuch wird zu Trainingsdaten für den nächsten, und schlägt best-of-N in 4 Bereichen (Mathematik, GPU-Kernels, Competitive Programming, Zellbiologie) mit einem offenen 120B-Modell für etwa $500 an Simulation. Untied Ulysses erreicht 5 Mio. Tokens auf einem einzelnen 8×H100-Node (−87,5 % Attention-Speicher). Code und Kernel werden als Open Source veröffentlicht.

🔗 Together-AI-Blog — ICML 2026

ADK Go 2.0 — Multi-Agent-Workflow-Engine mit Human-in-the-Loop

30. Juni — Google veröffentlicht Version 2.0 des Agent Development Kit (ADK) für Go, dem offiziellen Framework zum Erstellen von Gemini-Agenten. Diese Version führt eine graphenbasierte Workflow-Engine als Primitive erster Klasse ein.

Wichtige Neuerungen: Zusammensetzung komplexer Agenten mit Graph-Primitiven in nativem Go (ohne separates DSL), integriertes human-in-the-loop (HITL) für Szenarien, die menschliche Validierung erfordern, dynamische Orchestrierung mit automatischer Resilienz (exponentielles Backoff, Fehlerbehandlung, Retry) sowie eine einheitliche Laufzeitumgebung, die von einfachen Agenten und komplexen Graphen gemeinsam genutzt wird, um Telemetrie und Zustands-Persistenz zu vereinfachen. ADK für Go ergänzt das bestehende Python-SDK, indem es die Performance und Typsicherheit der Sprache für die Zusammensetzung mehrstufiger Agenten einbringt.

🔗 Google Developers Blog — ADK Go 2.0

Copilot Agent in JetBrains AI Assistant

30. Juni — JetBrains und GitHub kündigen die Integration von GitHub Copilot als First-Class-Agent im Agentenauswahldialog (agent picker) von JetBrains AI Assistant an, zusätzlich zum bestehenden Copilot-Plugin.

Die Integration basiert auf dem ACP (Agent Communication Protocol) und ermöglicht: die Auswahl des Copilot-Modells direkt in der Oberfläche, die Einstellung der Reasoning-Tiefe sowie komplexe mehrstufige Programmieraufgaben, bei denen Copilot im Projekt schlussfolgert, Änderungen vorschlägt, Befehle ausführt und iteriert. Angekündigte nächste Schritte: Unterstützung für NES (Next Edit Suggestions), Aufruf wiederverwendbarer Skills für gängige Workflows und tiefere Orchestrierung zwischen Tools im IDE.

🔗 GitHub Changelog — Copilot Agent in JetBrains

KI-Budgets pro Benutzer für Enterprise-Copilot-Cost-Center

30. Juni — Enterprise-Administratoren können nun ein KI-Budget pro Benutzer auf einem Cost Center (cost center) festlegen. Das Budget gilt automatisch für alle Mitglieder des Cost Centers, einschließlich späterer Ergänzungen über Enterprise-Teams. Reihenfolge der Priorität: individuelles Budget > Cost-Center-Budget > globales Budget. Das Budget deckt sowohl die Nutzung des inkludierten Pools als auch die zusätzliche Nutzung ab und kann einen Benutzer blockieren, bevor der Pool erschöpft ist. Seit dem 30. Juni nur über die REST-API verfügbar; die Abrechnungsoberfläche folgt später.

🔗 GitHub Changelog — KI-Budgets pro Benutzer

Claude auf NVIDIA GB300 Blackwell Ultra in Azure — allgemeine Verfügbarkeit

29.–30. Juni — Die Claude-Modelle von Anthropic sind nun allgemein verfügbar in Microsoft Foundry, gehostet auf Azure und beschleunigt durch die NVIDIA GB300 Blackwell Ultra GPUs (NVL72-Systeme mit Quantum-X800 InfiniBand-Netzwerk).

Die Integration umfasst das NVIDIA Secure Agent Workspace Reference Design, das Identitäts-Governance, Netzwerk, Credentials und die Ausführungsrichtlinie auf Infrastrukturebene abdeckt — ein Framework, das für Unternehmen mit strengen Compliance-Anforderungen entwickelt wurde. Claude-Agenten können auf verifizierte NVIDIA-Skills für domänenspezifische Fähigkeiten zugreifen. Diese allgemeine Verfügbarkeit folgt auf die im November 2025 angekündigte Dreierpartnerschaft Microsoft × NVIDIA × Anthropic.

🔗 NVIDIA Blog — Claude auf GB300 Blackwell Ultra Azure

NVIDIA Omniverse + Metropolis: KI-Visionsagenten für die Industrie

30. Juni — NVIDIA veröffentlicht drei vollständige Workflows zum Aufbau von KI-Visionsagenten, die am industriellen Edge betrieben werden können, und kombiniert dabei Omniverse (OpenUSD-Simulation), Metropolis (KI-Video-Deployment) und Cosmos (Foundation Models für die physische Welt).

1. Visuelle Inspektion (Roboflow + Corning): Der Skill Defect Image Generation erzeugt in Kombination mit NVIDIA Cosmos synthetische Defektdaten aus realen Bildern. Ergebnis im Corning-Benchmark: 95 % mittlere Genauigkeit mit nur 8 realen Bildern und perfekter Recall für die schwierigste Klasse. Ein Projekt, das mehrere Quartale dauerte, reduziert sich auf wenige Tage.

2. Intelligente Städte (Linker Vision in Kaohsiung): −85 % Entwicklungsaufwand, −80 % Zeit bis zur Reaktion auf Vorfälle. Die Pipeline nutzt Cosmos für Video-Augmentation, TAO für Fine-Tuning und VSS für Suche, Zusammenfassung und Alarme.

3. Industrieprozesse bei Foxconn (GB300-Linien): über DeepHow — 99 % Genauigkeit bei der Verifikation von Standardverfahren, +3 % First-Pass-Yield.

🔗 NVIDIA Blog — Omniverse + Metropolis Vision AI

Kurzmeldungen

Claude Code v2.1.196 — Standardmodelle der Organisation — Administratoren können das Standardmodell seit der Organisationskonsole festlegen; Benutzer sehen „Org default“ (oder „Role default“) im Befehl /model, wenn sie nicht persönlich ein Modell ausgewählt haben. 🔗 Release v2.1.196
Hugging Face — Every Eval Ever (EEE) in Community Evals integriert — HF macht seine Community Evals mit dem EEE-Schema (Every Eval Ever, EvalEval Coalition, Februar 2026) interoperabel: Evaluationsergebnisse erscheinen auf den HF-Modellseiten mit verifizierter Attribution, und ein Tool community_evals_converter automatisiert die Konvertierung HF → EEE mit menschlicher Prüfung vor jedem Push. 🔗 Blog Hugging Face — EEE
OpenAI — 18 Jahre alter Bug in GNU libunwind behoben — Engineering-Beitrag von Nathan Bronson: Eine eininstruktionslange race condition in _Ux86_64_setcontext von GNU libunwind (aus der ersten x86_64-Implementierung) verursachte Crashes in Rockset. Die drei Auslösebedingungen (hohe Exception-Rate, hohe Signal-Rate, signal handler mit hohem Stackverbrauch) traten nur bei OpenAI gemeinsam auf. Fix: Migration zu libgcc und ein Upstream-Patch für GNU libunwind. 🔗 OpenAI Engineering — Core dump epidemiology

Was das bedeutet

Die neue Generation von Modellen und die Ökonomie des Kontexts von 1 Million Tokens. Claude Sonnet 5 zu $2/$10 pro Million Tokens mit einem nativen 1-Million-Tokens-Fenster verschiebt die Wirtschaftlichkeit von Langzeit-Agenten: Wo Einsteigerpreise bisher das Abschneiden des Kontexts erforderlich machten, ist es nun möglich, ganze Codebasen oder längere Arbeitssitzungen ohne Mehrkosten einzubinden. Die Umstellung von Claude Code auf dieses Standardmodell bereits am Tag des Starts und die allgemeine Verfügbarkeit in GitHub Copilot und Microsoft Foundry auf GB300 signalisieren eine Strategie der breiten, gleichzeitigen Distribution: Sonnet 5 ist kein Labor-Modell, sondern eine produktive Infrastruktur, die von Anfang an über die wichtigsten Enterprise-Kanäle ausgerollt wird.

KI als Infrastruktur der wissenschaftlichen Forschung. Claude Science, GeneBench-Pro, die BioNeMo-Integration und die 8 ICML-Paper von Together AI laufen auf ein gemeinsames Signal hinaus: KI beginnt, sich in den wissenschaftlichen Prozess selbst einzuschreiben, nicht nur in periphere Werkzeuge. Claude Science orchestriert HPC-Cluster und erzeugt reproduzierbare Artefakte mit vollständiger Historie. GeneBench-Pro misst den research taste — die Fähigkeit, Urteile über 20- bis 40-stündige Analysen hinweg zu verketten — und sieht darin einen 6-fachen Verbesserungsfaktor zwischen GPT-5 und GPT-5.6 Sol. TTT-Discover von Together AI geht noch weiter und zeigt, dass ein offenes Modell mit 120 Milliarden Parametern, das für rund $500 an Simulationen durch Nutzung lernt, die besten menschlichen Experten in vier wissenschaftlichen Domänen übertreffen kann. Diese gleichzeitigen Entwicklungen zeichnen die Konturen einer KI-gesteuerten wissenschaftlichen Infrastruktur, mit Skaleneffekten, die einst großen Laboren vorbehaltene Analysen zugänglich machen.

Cloud-Agenten als Standard für asynchrone Ausführung. Amp Orbs und Copilot Agent in JetBrains AI Assistant illustrieren zwei Ausprägungen derselben Bewegung: Agenten aus dem Kontext einer synchronen Sitzung herauslösen. Amp bietet dedizierte Maschinen (32 GB, 16 Kerne, $1,66/h) für unbeaufsichtigte Coding-Agenten, die laufen, während der Entwickler schläft. Copilot in JetBrains fügt sich in den nativen Agentenauswahldialog der IDE für mehrstufige, durch Reasoning gesteuerte Aufgaben ein. In beiden Fällen wird der Agent zu einem asynchronen Mitarbeiter, der Entscheidungen in einer realen Arbeitsumgebung treffen kann, nicht nur zu einem interaktiven Assistenten.

Generative Medien werden Teil der Entwickler-Pipeline-Ökonomie. Nano Banana 2 Lite zu $0,034 für 1.000 Bilder und Gemini Omni Flash zu $0,10/s Video mit Verkettung über die Interactions API verändern die Gleichung für E-Commerce-, Gaming- und Unterhaltungsanwendungen: 10.000 Produktbilder zu generieren kostet 34 Cent, und jedes Bild kann für 40 Cent animiert werden. Die NVIDIA-GB300-Infrastruktur und die Omniverse + Metropolis-Workflows ergänzen das Bild auf der industriellen Seite — KI-Vision am Edge mit messbaren Ergebnissen (−85 % Entwicklungszeit in Kaohsiung, 99 % Genauigkeit in den Foxconn-Linien) — und zeigen, dass die Mediengenerierung den Bereich des Experimentierens verlässt und zu einer operativen Schicht wird.