Zwei Riesenroboter schleppen Kraftwerke, während ein Schwarm kleiner Roboter davonzieht. KI-generiert (GPT Image 2).
Es gehört zu den Ironien dieses KI-Sommers, dass ausgerechnet die beiden Männer, die man in Sachen Marktmacht am wenigsten verdächtigen würde, sich gerade zu den lautesten Fürsprechern offener KI-Modelle aufschwingen. Mark Zuckerberg, dessen Konzern seit zwei Jahrzehnten für so ziemlich jedes erdenkliche Monopolproblem im Netz steht, schreibt im Wall Street Journal ein Manifest gegen die Zentralisierung von Macht. Und Satya Nadella, CEO des Unternehmens, das einst „Embrace, Extend, Extinguish“ zur Konzernstrategie erhob, lässt Microsoft eine ganze Koalition anführen, die „Open Weights“ explizit zur Frage amerikanischer KI-Führerschaft erklärt.
OpenAI fährt einen internen Test. Ein Modell soll einen Benchmark im Bereich Security bestehen. Das Modell hat keinen Internet-Zugriff. Es hackt sich zuerst durch die OpenAI-Infrastruktur (Zero-Day in einem Package-Registry-Proxy), bis es einen Rechner infiltriert hat, der ins Internet kommt. Dann wählt es als nächstes Angriffsziel Hugging Face (globaler Standard für Open-Source-KI), weil es das als wahrscheinlichstes Ziel identifiziert, um dort die Lösungen für den Benchmark zu finden. Und es hackt Hugging Face und infiltriert die dortigen Systeme (der technische Einstiegsvektor war ein „malicious dataset“ in einer Datenverarbeitungs-Pipeline). Ein waschechter, rein KI-getriebener Angriff auf kritische Systeme, mithin genau das, wovor derzeit überall so dringend gewarnt wird. Wie konnte sich Hugging Face dessen erwehren?
Gestern sah ich den gefühlt drölfhundertsten Beitrag der Sorte „KI wird uns alle töten“. 18 Monate Zeit hätten wir noch, hieß es im Video. Ach, ist das so. Sollten wir also aufgeben, und 18 Monate Party, bevor es dann eh für alle vorbei ist? Oder gibt es da vielleicht ganz andere, und sehr dunkle, Motive hinter solcher Panikmache.
Es gibt ein populäres Narrativ, das derzeit von zahlreichen Tech-CEOs verbreitet wird: KI werde innerhalb von nur 12 bis 18 Monaten rund 100 Millionen Büro-Jobs in den USA überflüssig machen. Nun ja. Sandeep Swadia, ehemaliger Mönch und heutiger CEO mit MIT-Hintergrund, hat die sehr interessante Regel geprägt „What needs to be true for this to be real?“ (Was muss stimmen, damit dies wahr ist?). Mide, ein Chemie-Ingenieur mit Promotion im Bereich Nachhaltigkeit, hat (vermutlich ohne Swadia zu kennen) diese Regel auf besagte Erzählung vom Ende der White-Collar-Jobs angewandt. Und es ist schon wirklich spannend, was alles stimmen müsste, damit KI tatsächlich ein solches Ziel erfüllen könnte.
Der Davos Tech Summit 2026 stand unter dem Motto „Touching Intelligence“ — und meinte das wörtlich. Statt nur über KI zu reden, verwandelte sich die Stadt vier Tage lang in eine „Robot City“ mit über 55 Systemen zwischen Humanoiden, Vierbeinern und autonomen Fahrzeugen. Der chinesische Hersteller Pudu Robotics hat dabei etwas gemacht, das interessanter ist als jede Keynote: Er hat vier seiner Serviceroboter einfach in den echten Alltag gestellt. Ein CC1 Pro putzte den Boden im SPAR-Supermarkt, FlashBot Max und BellaBot Pro kümmerten sich im Hilton um Zimmerservice und Gästebetreuung, ein MT1 Max wischte den Bahnhofsvorplatz. Kein Demo-Bühnenbild, sondern Schichtbetrieb. Das Spannende daran ist aber nicht die Hardware.
Nachdem die US-amerikanische Regierung Exportkontrollen über Claude Fable 5 verhängt hatte, wurde anschließend auch OpenAI damit bedacht und durfte sein neues Modell GPT 5.6 nicht in die allgemeine Verfügbarkeit bringen. Es heißt zwar nun, in Kürze würden beide Modelle wieder zugänglich gemacht werden, aber die Falle des „Gut genug“ ist schon längst zugeschnappt, und man muss deshalb mittlerweile auch ganz andere Motive für die Exportkontrollen in Betracht ziehen, als die behaupteten Sicherheitsbedenken.
Z.ai hat vor kurzem GLM 5.2 herausgebracht. Vielleicht sagen Sie nun, ach, schon wieder so ein Open-Source-Modell, die sind doch Monate hinter OpenAI und Anthropic. Aber diesmal liegen die Dinge anders. GLM 5.2 ist auf Augenhöhe mit Opus 4.8 und besser als GPT 5.5. Ich habe sogar One-Shot-Demos gesehen, da hat GLM 5.2 besser abgeschnitten als Opus 4.8. Das ist, soweit ich weiß, das erste Open-Source-Modell, das die Marktführer eingeholt hat. Selbst getestet, mit einer guten Harness, wie Goose, Cline, opencode oder Hermes Agent vermisst man nichts mehr. Und während die Kosten bei OpenAI und Anthropic dermaßen explodiert sind, dass sogar Weltkonzerne beginnen müssen, die Token-Usage ihrer Mitarbeiter zu beschränken, kostet GLM 5.2 nur einen Bruchteil. Das ist nicht nur eine Randnotiz für Tech-Nerds. Das könnte eine Finanzkrise von riesigen Ausmaßen lostreten.
Letzten Dienstag kam Fable 5 von Anthropic heraus. Laut Anthropic ein für den allgemeinen Zugriff adaptiertes Mythos, das man sicher gestaltet habe. Mythos, Sie erinnern sich, ist das Modell, das angeblich so gefährlich sei, dass man es nur einem streng selektierten Nutzerkreis geben könne. Das „Vergnügen“ (dazu gleich mehr) währte jedoch nur bis Freitag, als Anthropic von der US-Regierung die Exportkontroll-Auflage erhielt, Fable 5 nur US-Bürgern zugänglich zu machen. Anthropic wiederum nahm daraufhin Fable 5 völlig und für alle aus dem Zugriff, weil man sich nicht in der Lage sah, die Nationalität der Nutzer zu bestimmen. US-Regierung und Anthropic versuchen nun, dem jeweils anderen den schwarzen Peter in die Schuhe zu schieben, und die Gerüchteküche läuft heiß. Hat die Entwicklung von KI nun einen kritischen Punkt erreicht, ist es inzwischen tatsächlich zu gefährlich, diese Modelle in den breiten Zugriff zu geben? Oder ist das Teil eines viel größeren Trends, nämlich dem, dass die Allgemeinheit von der technologischen Entwicklung abgekoppelt werden soll?
Pluralis Research baut ein öffentliches Pretraining-System. Damit lassen sich KI-Modelle verteilt auf vielen Rechnern trainieren. Pluralis will damit den unseligen Trend zur Konzentration auf immer größere Rechenzentren brechen, und das Training von KI-Modellen in den Public Domain bringen. Am 11. März sagte Sam Altman, CEO von OpenAI, beim BlackRock Infrastructure Summit „We see a future where intelligence is a utility, like electricity or water, and people buy it from us on a meter.“ Altman möchte also einen Zähler an Intelligenz machen — und sie dann verkaufen. Die Frage, wessen Intelligenz das eigentlich ist, stellt er sich dabei offenbar nicht. Die Konsequenzen sind längst spürbar: Künstler, Journalisten, Autoren, Open-Source-Entwickler — sie alle merken, dass ihre Arbeit in diese Modelle eingeflossen ist, ohne dass sie gefragt oder bezahlt wurden. Einige gehen daran pleite. Und nun soll man für das Ergebnis zahlen?
Das ist ja eines dieser Dinge, die einen zum Verzweifeln bringen können. Unternehmen wie Anthropic, OpenAI, DeepSeek, Z.AI, und so weiter, grasen das gesamte Internet ab und bringen das Wissen der Menschheit in ihre Modelle. Für lau versteht sich. Foren, Beiträge, Bücher, Videos, alles wird abgegriffen, und nichts wird für diese Intelligenzleistungen der Menschheit bezahlt. Und dann will man es den Menschen zurückverkaufen.
Pluralis Research will ein Gegengewicht schaffen. Wer Rechenkapazität übrig hat, kann sie dem Projekt zur Verfügung stellen, und dann wird der eigene Rechner als Trainingseinheit für ein KI-Modell genutzt. Man trainiert bereits das erste Modell, Pluralis-8B, ein 8-Milliarden-Parameter-Modell. Hardware-Einstieg ist bereits mit einer Consumer-GPU, 24 GB VRAM reicht schon.
Das zugrunde liegende Konzept heißt bei Pluralis „Protocol Learning“ — die Idee, Foundation-Modelle dezentral und kollektiv zu trainieren, ohne zentrale Kontrolle. Pluralis hat auch kürzlich eine Seed-Runde abgeschlossen, Lead-Investoren sind USV und CoinFund, sowie Variant, Topology und andere mehr – insgesamt 12 Investoren. Dabei konnten 7,6 Millionen US$ eingeworben werden.
Falls Sie nun beim Training mitmachen möchten: Zwar ist die Anforderung an die GPU moderat, die sonstigen Anforderungen sind jedoch sehr hoch. Standort Nordamerika, extrem schneller Internet-Anschluss mit superkurzem Ping — die Liste ist lang. Für die breite Öffentlichkeit ist das also noch nichts.
Dennoch, das kann ja durchaus noch werden, sprich, niedrigere Eintrittsbarrieren ermöglichen, wenn das Konzept aufgeht. Es erinnert mich an SETI@home von der UC Berkeley. Das Projekt lief von 1999 bis 2020, jeder konnte mitmachen, und bekam dann Datenpakete, in denen sein Rechner nach außerirdischen Signalen suchte. 12 Milliarden Signale wurden in diesem Ansatz mit Distributed Computing untersucht, und 100 Kandidaten wurden gefunden. Warum sollte das mit KI-Training nicht ebenfalls möglich sein? Ich finde es jedenfalls einen unerträglichen Gedanken, der Menschheit wird alles geklaut, und dann kommt es unter den exklusiven Zugriff einiger weniger – die daran nicht nur fürstlich verdienen wollen, sondern den Zugriff erfahrungsgemäß auch nach gusto einschränken werden.
DeepSeek V4 ist am 24. April in zwei Versionen „Pro“ und „Flash“ erschienen, und wie versprochen ist es Open Source. Die Qualität ist sehr gut, und die Preise bemerkenswert niedrig. Läutet schon das Totenglöcklein für OpenAI und Anthropic?
Mehrere Coding-Spezialisten haben das neue Modell von DeepSeek schon unter die Lupe genommen, und deren Urteil ist einhellig: GPT 5.5 von OpenAI hat derzeit die Krone im Coding inne, es folgt Opus 4.7 von Anthropic, dann DeepSeek mit V4, dann Kimi mit K2.6.
Das könnte Open Source-Fans enttäuschen, aber man muss das in Relation setzen. DeepSeek ist nur noch ca. 3 Monate zurück, und es kostet nur einen Bruchteil. OpenAI hat ja mal eben die Token-Preise für GPT 5.5 verdoppelt, und Anthropic, das sowieso schon ein Token-Burner immer war, braucht für Opus 4.7 35% noch mehr Token gegenüber dem bisher schon heftigen Tokenverbrauch.
Und es ist außerdem ja so, nicht jedes Problem ist in der schwierigsten Liga. Anders gesagt: Da DeepSeek nun so weit aufgeholt hat, ist die Anzahl der Probleme, an denen es scheitert, viel kleiner geworden.
Während die Menschheit sich noch müht, auch nur ansatzweise mit den neuen KI-Technologien Schritt zu halten, stehen bereits Weiterentwicklungen in den Startlöchern, die Künstliche Intelligenz in Regionen katapultieren, die den Menschen hoffnungslos überfordern. 1 Sekunde für die Antwort, und der Mensch liest eine halbe Stunde daran … Man benötigt diese Geschwindigkeitsfortschritte für Echtzeit-Anwendungen. Aber wie der Mensch dabei noch mithalten soll, ist völlig unklar. Woher diese enorme Beschleunigung kommt, fragen Sie jetzt vielleicht? Das Zauberwort heißt Diffusion.
Diffusion ist ein Konzept, das man in der KI bisher eigentlich nur zur Erzeugung von Bildern und Videos kennt. Diffusion, der Name klingt nach Physik – und das ist kein Zufall. In der Natur beschreibt Diffusion, wie sich beispielsweise ein Tropfen Tinte in einem Glas Wasser langsam ausbreitet, bis alles gleichmäßig verteilt ist. Aus Struktur wird Chaos. KI-Forscher haben diesen Prozess umgekehrt. Einem Bild wird zufälliges Rauschen hinzugefügt, bis nur noch graues Pixelrauschen übrig ist. Genau diesen Prozess lernt das Modell dann rückwärts. Es startet mit reinem Rauschen und verfeinert das Bild Schritt für Schritt, bis ein scharfes, kohärentes Ergebnis entsteht. Das Entscheidende dabei: Das Modell lernt nicht, ein Bild direkt zu „malen“. Es lernt, Rauschen zu erkennen und zu entfernen – und das iterativ, in vielen kleinen Schritten.
Inception Labs, ein kalifornisches KI-Start-up (investiert u.a. von Microsoft, NVIDIA und Snowflake), hat mit Mercury 2 ein Modell vorgestellt, das den Diffusion-Ansatz auf die Erzeugung von Text überträgt. Das Modell hat bereits viel Aufsehen erregt. „Laut Inception ist Mercury 2 damit mehr als fünfmal schneller als herkömmliche Modelle und erreicht 1.009 Tokens pro Sekunde auf Nvidia-Blackwell-GPUs. Die End-to-End-Latenz liegt bei nur 1,7 Sekunden“, schreibt Heise.
Diffusion bei Text mit einem dLLM (Diffusion Large Language Model) funktioniert so:
Initialisierung: Das Modell startet mit einem „Rauschen“ – einer Menge von Token-Vorschlägen, die unvollständig oder teilweise inkorrekt sind.
Iterative Verfeinerung: In mehreren Durchläufen (meist 10-50 Schritte) verfeinert das Modell diese Token gleichzeitig.
Parallele Optimierung: Statt „Erst Wort A, dann Wort B“ wird die gesamte Passage betrachtet: „Wie kann ich diese 100 Token so anpassen, dass sie zusammen maximal sinnvoll sind?“
Warum das schneller ist:
Autoregressive Modelle brauchen N Forward-Passes für N Token (sequentiell)
Diffusionsmodelle brauchen K Forward-Passes für N Token, wobei K oft deutlich kleiner ist als N
Probieren Sie es aus! Hier ist ein Demo-Chat, mit dem Sie es selbst testen können. Die Antwortgeschwindigkeit ist wirklich umwerfend. Hier ist noch ein Video, mit dem der Inception-CEO Prof. Stefano Ermon von der Stanford University sein neues dLLM vorstellt. Und hier ist der Blog-Eintrag des Unternehmens dazu.
Quelle Video: Chinesisches Staatsfernsehen, Live-Übertragung der Neujahrsfeier
Oh je, was soll nur aus China werden? Dranbleibflaschendeckel gibt es nicht, aber krumme Gurken. China weigert sich auch, Elektrizität ausschließlich mit mittelalterlichen Technologien zu gewinnen. Und es zwingt seine Bürger nicht dazu, nur Heizungen zu verwenden, die um so schlechter funktionieren, je kälter es ist, und final zerstört sind, sobald mal 2, 3 Tage der Strom ausfällt im Winter. Man stelle es sich vor! Auch die Beförderungstechnologie wird nicht etwa mit einer Energieform erzwungen, die man ausreichend keinesfalls zur Verfügung stellen kann und will.
Und die Kinder! Sehen Sie es sich an, die lassen ihre Kinder Gymnastik machen! Dabei weiß doch jeder, dass Kinder schon im Kindergarten lernen müssen, dass sie im falschen Körper sind und zum anderen Geschlecht umgeschnitzt werden müssen. Sonst könnten die Kinder doch wieder Kinder bekommen!
Was soll nur aus China werden? Ein großes und ruhmreiches Land mit vieltausendjähriger Geschichte zerstört sich selbst. Wie kann man heutzutage sich mit solchem Roboter-Firlefanz und akrobatischen Kindern abgeben. Die Chinesen können einem einfach nur leid tun.
PS: Das Video mit der Roboter-Soldaten-Brigade erspare ich Ihnen. Sie können es sich bestimmt selbst vorstellen, wie diese Kungfu-Roboter mit einer Maschinenpistole in der Hand unerbittlich vorrücken, gegen was auch immer befohlen wird als Feind zu sehen.
Während die Tech-Giganten sich einen Wettlauf um die größten Rechenzentren und sogar eigene Atomkraftwerke liefern, vollzieht sich im Schatten eine viel wichtigere Entwicklung: Die radikale Schrumpfung der Intelligenz. Warum die Zukunft der Robotik und Embodied AI nicht „Big Data“, sondern „Smart Efficiency“ heißt.
Derzeit erleben wir eine Phase der technologischen Völlerei. Um ein Prozent mehr Leistung aus einem Modell zu kitzeln, verdoppeln Unternehmen die Parameterzahl und den Energieverbrauch. Der Markt ist überhitzt; es wird Hardware gekauft, als gäbe es kein Morgen. Das Ziel scheint zu sein, Gott in einer Cloud zu erschaffen, die von einem eigenen Kraftwerk gespeist wird.
Doch dieser Ansatz hat einen fatalen Fehler, wenn wir die digitale Welt verlassen und in die physische eintreten: Er ist nicht mobil.
Stellen Sie sich einen humanoiden Roboter vor, der stolpert. Wenn sein „Gehirn“ in der Cloud liegt, müssen die Sensordaten erst zum Server geschickt, dort verarbeitet und der Befehl „Ausbalancieren“ zurückgeschickt werden. Latenzzeit: vielleicht 200 Millisekunden. In dieser Zeit liegt der Roboter bereits auf der Nase.
Echte Autonomie – also Embodied AI – duldet keine Latenz und keine Funklöcher. Das Denken muss dort stattfinden, wo die Handlung geschieht: „On Edge“, direkt im Gerät.
Die Zauberworte der nächsten Jahre lauten deshalb nicht mehr „Trillion Parameters“, sondern:
Quantisierung: Die Reduktion der Rechengenauigkeit, ohne das Ergebnis signifikant zu verschlechtern. Wir brauchen keine 32-bit Fließkommazahlen, um zu erkennen, ob eine Tasse voll ist. 4-bit reichen oft völlig.
Destillation: Ein riesiges „Lehrer-Modell“ trainiert ein winziges „Schüler-Modell“ darauf, nur eine bestimmte Aufgabe perfekt zu erledigen.
Spezialisierte Hardware (NPU): Chips, die nicht für Grafik (GPU), sondern rein für neuronale Netze optimiert sind und einen Bruchteil der Energie benötigen.
Wir kehren zurück zu den Wurzeln guter Ingenieurskunst: Optimierung. Anstatt das Problem mit Hardware zu erschlagen, lösen wir es mit besserer Software. Ein 7-Milliarden-Parameter-Modell, das lokal auf einem Roboter läuft und versteht, wie man eine Tür öffnet, ist wertvoller als ein 1-Billionen-Parameter-Modell in der Cloud, das Gedichte über Türen schreiben kann, aber die Verbindung verliert, wenn das WLAN ausfällt.
Die Ära der verschwenderischen Gigantomanie wird auf eine harte Wand aus physikalischen und ökonomischen Grenzen treffen. Die Gewinner der Robotik-Revolution werden nicht diejenigen sein, die die größten Rechenzentren bauen, sondern diejenigen, die mächtige Intelligenz in kleinste Formfaktoren pressen können.
Es ist wie in der Biologie: Nicht der Größte und Stärkste überlebt, sondern der am besten Angepasste. Und in einer mobilen Welt bedeutet Anpassung Effizienz. Hirn schlägt Muskeln.
Wer eine NVIDIA RTX PRO 6000 Blackwell (oder andere Blackwell-GPUs) unter Linux betreiben will, steht vor drei Hürden: Zwingend erforderliche Open-Source-Kernel-Module, aktuelle Treiber (mindestens Version 570+) und häufig ein Mainboard-BIOS-Update. Dieser Artikel dokumentiert unsere Erfahrungen aus der Praxis.
Das Problem: Blackwell ist anders
NVIDIAs neue Blackwell-Architektur bringt beeindruckende Hardware – die RTX PRO 6000 Blackwell etwa bietet 96 GB VRAM in einer Karte und ist bis zu 30% schneller als die Ada-Generation. Doch beim Einbau in bestehende Linux-Workstations oder Server zeigt sich: Die Installation ist nicht trivial.
Anders als bei früheren GPU-Generationen (Ada Lovelace, Ampere) gelten für Blackwell besondere Anforderungen:
1. Open-Source-Kernel-Module sind Pflicht
Ab der Treiber-Serie 560 hat NVIDIA die Open-Source-Kernel-Module zum Standard gemacht. Für Blackwell-GPUs geht es noch weiter: Die proprietären Kernel-Module funktionieren nicht mehr. Das ist eine fundamentale Änderung:
„From Blackwell, only the open source kernel module can be used. The GSP cannot be deactivated.“ NVIDIA Developer Forum
Konkret bedeutet das:
Paket nvidia-driver-xxx → funktioniert nicht
Paket nvidia-driver-xxx-open → erforderlich
2. Treiber-Mindestversion: 570+
Blackwell-GPUs werden erst ab der Treiber-Serie R570 unterstützt. Für optimale Kompatibilität empfehlen wir die aktuelle R580-Serie zusammen mit CUDA 13.0.
Ein häufig übersehenes Problem: PCIe-Link-Training-Fehler. Blackwell-GPUs nutzen PCIe 5.0, und viele ältere BIOS-Versionen haben Schwierigkeiten mit dem Link-Training.
Symptome: GPU wird nicht erkannt. Oder GPU wird erkannt, läuft aber nur mit PCIe Gen 1 (statt Gen 4/5). Performance-Einbrüche (statt 38 Token/s nur 2 Token/s bei LLM-Inferenz). Instabilität unter Last.
Lösung: Mainboard-BIOS auf die neueste Version aktualisieren. In unserem Fall (ASUS Pro WS WRX90E-SAGE SE) war ein Update von April auf November 2025 notwendig, um PCIe Gen 4 zu erreichen.
Kleiner Tipp noch: Wenn Sie nvtop oder nvidia-smi ausführen, erschrecken Sie vielleicht, wenn es heißt „PCIe Gen1“. Das sind aber nur Stromsparmechanismen. Lassen Sie nvtop während einer Inferenz laufen, und die Anzeige sollte auf Gen4 oder 5 gehen (falls nicht, haben Sie tatsächlich ein Problem 😀).
Hand aufs Herz: Unsere Smartphones wissen mehr über uns als unsere engsten Freunde. Im geschäftlichen Umfeld sind diese Daten nicht nur privat, sondern oft wettbewerbskritisch. Kontakte, E-Mails, Standortdaten, Planungsdaten – all das sind Informationen, die geschützt werden müssen.
Doch wie schützt man sich effektiv, wenn das Betriebssystem selbst (meist Android oder iOS) als Datenschleuder bekannt ist? Die Antwort klingt für viele zunächst paradox: Wir kaufen Google-Hardware, um Google-Software loszuwerden. Die Lösung heißt GrapheneOS.
Was ist GrapheneOS?
GrapheneOS ist ein Open-Source-Betriebssystem für Mobilgeräte, das auf AOSP (Android Open Source Project) basiert. Der Fokus liegt kompromisslos auf Privatsphäre und Sicherheit. Es wird oft von Journalisten, Sicherheitsexperten und Unternehmen genutzt, die absolute Kontrolle über ihre Daten benötigen. Edward Snowden hat es bereits vor Jahren empfohlen, und seitdem ist es nur besser geworden.
Die Ironie der Hardware: Warum ausgerechnet Pixel?
Es mag seltsam klingen, ein Gerät vom „Datenkraken“ Google zu kaufen, um Privatsphäre zu erlangen. Doch die Google Pixel-Telefone (ab Pixel 6 und neuer) bieten dank des Titan M2 Sicherheitschips und der Möglichkeit, eigene kryptografische Schlüssel für den Boot-Vorgang zu hinterlegen (Verified Boot), die sicherste Hardware-Plattform für Android. GrapheneOS nutzt diese Hardware-Sicherheitsfeatures voll aus, entfernt aber sämtliche Google-Dienste und Tracking-Mechanismen aus dem System.
Die Killer-Features für Unternehmen
Warum schauen wir uns das für den Unternehmenseinsatz an? Hier sind die drei schlagenden Argumente:
Sandboxed Google Play:
Das ist der „Gamechanger“. Auf einem normalen Android-Handy laufen die Google Play Dienste mit vollen Systemrechten im Hintergrund und können fast alles sehen. GrapheneOS erlaubt es, diese Dienste wie eine ganz normale App in einer „Sandbox“ zu installieren. Das bedeutet: Sie können Apps nutzen, die Google-Dienste benötigen (wie Push-Nachrichten oder Karten), aber Google hat keinen Zugriff auf Ihr Gerät, Ihre IMEI oder Ihre anderen Daten. Sie geben Google nur den kleinen Finger, nicht die ganze Hand.
Storage Scopes & Berechtigungen:
GrapheneOS erlaubt eine extrem feingranulare Rechteverwaltung. Sie wollen einer App Zugriff auf Bilder geben, aber nicht auf alle Ihre Fotos? Mit „Storage Scopes“ erstellen Sie einen leeren Ordner oder geben nur einzelne Dateien frei, während die App glaubt, sie hätte vollen Zugriff. Auch der Netzwerkzugriff (Internet) kann jeder App einzeln entzogen werden.
Härtung des Systems (Hardening):
Unter der Haube hat GrapheneOS massive Verbesserungen am Speichermanagement (malloc) und am Kernel vorgenommen. Das macht es für Angreifer extrem schwer, Sicherheitslücken auszunutzen (Exploit Mitigation). Selbst wenn eine App bösartig wäre, bricht sie kaum aus ihrem Käfig aus.
Ist das alltagstauglich?
Früher waren solche Systeme nur etwas für Bastler. Heute ist die Installation über einen Web-Installer in 15 Minuten erledigt. Die allermeisten Banking-Apps, Signal, WhatsApp und Business-Tools funktionieren dank der Sandboxed Play Services einwandfrei. Die Kamera-Qualität auf den Pixels bleibt hervorragend, da GrapheneOS eine eigene, sehr gute Kamera-App mitbringt oder die Google Camera in der Sandbox nutzen kann.
Fazit
Für uns als Unternehmen ist Datensicherheit keine Option, sondern Pflicht. GrapheneOS bietet derzeit die beste Balance aus maximaler Sicherheit („Security Hardening“) und moderner Usability. Es verwandelt das Smartphone wieder in das, was es sein sollte: Ein Werkzeug, das uns dient – und nicht uns überwacht.
Ein Hinweis in eigener Sache: Brandfrisch haben Sie nun die Möglichkeit, sich für unseren Newsletter anzumelden. Sie lesen gerne hier, aber oft besuchen Sie uns, und es gibt nichts Neues? Wir schaffen leider nur 1 – 2 Beiträge in der Woche. Aber nun können Sie unseren Newsletter abonnieren, und wenn es einen neuen Beitrag gibt, erhalten Sie eine Mail dazu. Es kostet nichts, hat keinerlei Verpflichtungen für Sie, ist DSGVO-konform bei einem deutschen Provider gehostet und Sie können unseren Newsletter natürlich jederzeit wieder abbestellen.
