Windkraft, Sonne, Biogas: Der in Deutschland erzeugte Strom stammte 2025 wie in den beiden Jahren zuvor überwiegend aus erneuerbaren Quellen. 58,6 Prozent der ins Netz eingespeisten Strommenge waren es im vergangenen Jahr, wie das Statistische Bundesamt errechnet hat. Dabei gab es bei Solarstrom einen Rekordwert.

Insgesamt blieb die Strommenge aus erneuerbaren Quellen mit 256,9 Milliarden Kilowattstunden im Jahresvergleich nahezu unverändert und ihr Anteil an der Gesamtmenge sank um knapp einen Prozentpunkt.

Dagegen legten konventionelle Energieträger zu, vor allem Kohle und Erdgas: Sie lieferten 181,3 Milliarden Kilowattstunden (plus 3,6 Prozent) und kamen auf einen Anteil von 41,4 Prozent.

Meister Strom aus Windkraft – Rekord bei Solar

Wichtigster Energieträger war trotz einer abnehmenden Menge erneut Windkraft, die 30 Prozent zur gesamten Stromproduktion beitrug. Unterdessen nahm die Stromeinspeisung aus Photovoltaik 2025 im Vergleich zum Vorjahr deutlich um 17,4 Prozent auf 70,1 Milliarden Kilowattstunden zu.

Somit waren im vergangenen Jahr 16 Prozent der gesamten inländischen Produktion Solarstrom. Sowohl die produzierte Menge als auch der Anteil an Strom aus Photovoltaik erreichten nach Angaben der Wiesbadener Statistiker Höchstwerte für ein Gesamtjahr seit Beginn der Erhebung im Jahr 2018.

Bundeswirtschaftsministerin Katherina Reiche (CDU) will neue, kleine Solaranlagen künftig nicht mehr staatlich fördern, weil sie sich für die Verbraucher auch ohne Unterstützung rechneten. Beschlossen ist das aber in der Koalition noch nicht.

Auch Höchstwerte bei Strom aus Erdgas

Rekordwerte gab es auch bei Erdgas: Aus dieser Quelle kamen im vergangenen Jahr 70,6 Milliarden Kilowattstunden Strom und damit 10,2 Prozent mehr als 2024. Mit 16,1 Prozent an der Gesamtmenge lag Erdgas als Energieträger knapp vor Photovoltaik.

Kohle war 2025 der zweitwichtigste Energieträger der deutschen Stromproduktion. Der in Kohlekraftwerken erzeugte Strom machte mit 96,8 Milliarden Kilowattstunden gut ein Fünftel (22,1 Prozent) der Gesamtmenge aus. 2024 lag der Anteil noch etwas höher bei 22,5 Prozent.

Aus der Kohleverstromung will Deutschland schrittweise bis 2038 aussteigen, damit geht sogenannte gesicherte Leistung verloren. Die Bundesregierung hat den Neubau von Gaskraftwerken beschlossen, die die Stromversorgung sichern sollen, wenn Sonne und Wind zu wenig liefern.

Einer Analyse der staatlichen Förderbank KfW zufolge liefern Wind und Sonne nur an 15 Tagen im Jahr keinen Strom. Im Schnitt der vergangenen drei Jahre seien in Deutschland nur an vier Prozent aller Tage im Jahr ungünstige Bedingungen für die beiden Energiequellen zusammengefallen.

(afl)

Die KI-Plattform Luma generiert nach Angaben des Herstellers Luma AI kreative Projekte wie Videos oder Printkampagnen – vom Konzept über Zwischenstufen wie Storyboards bis hin zur Ausgestaltung mit diversen KI-Modellen.

Kreative, die beispielsweise für ein Videoprojekt zuerst ein Skript in ChatGPT, dann ein Bild als Ausgangspunkt in Midjourney, anschließend einzelne Videoclips in Runway ML generieren, Hintergrundmusik im Web oder einer Bibliothek suchen und letztlich alles in Adobe Premiere Pro zu einem Video verbinden, sollen all das nun mithilfe von KI erledigen können.

KI-Agenten organisieren laut Hersteller den Workflow für Text, Bild, Video und Audio über KI-Modelle verschiedener Anbieter hinweg. Neben dem von Luma AI selbst entwickelten Videomodell Ray3.14 unterstützt der Agent auch die Videogeneratoren Google Veo 3, OpenAI Sora 2 und Kling AI 2.6, die Bildgeneratoren Nano Banana Pro, Seedream und GPT Image 1.5 sowie die Musik-, Audioeffekt- und Stimmengeneratoren von ElevenLabs.

Luma richtet sich an kreative Teams in Agenturen und Marketing-Abteilungen, die schnell Inhalte produzieren wollen oder müssen, ohne sich mit komplexen Prozessen dahinter auseinanderzusetzen.

Werkzeuge und Workflow

Luma steht als Web-App zur Verfügung. Nach Anlegen eines neuen Projekts formulieren Nutzer einen Prompt und laden Quellen wie Bilder, Textdateien, PDF-Dokumente, Audio- oder Videodateien (MOV, MP4) hoch. Der Agent analysiert das Material, erstellt einen Plan und holt weiteres Feedback ein. Dahinter steckt die von Luma entwickelte KI Uni-1.

Luma generiert eine Art Storyboard und stellt Rückfragen im Chat. Schließlich gibt Luma das Ergebnis je nach Projekt in den Formaten PNG, JPEG, MP4 oder MP3 aus. Videoprojekte bestehen dabei je nach eingesetztem Modell aus 4 bis 12 Sekunden langen Einzelclips. In der Regel unterstützen die Modelle maximal 1080p-Auflösung. Der Luma-Agent skaliert sie bis zu 4K.

Die Technik hinter Uni-1

Hinter Luma steckt das Modell Uni-1, ein decoderbasierter, autoregressiver Transformer, der Sprache und Bildtoken in einem gemeinsamen Tokenraum verarbeitet. Diese Transformervariante wird in vielen großen Sprachmodellen (LLMs) eingesetzt.

Das Modell ist in der Lage, in natürlicher Sprache zu schlussfolgern und innerhalb desselben Rechendurchlaufs visuelle Inhalte zu rendern. Statt getrennte Systeme Schritt für Schritt anzusteuern, plant, visualisiert und erzeugt Uni-1 Ergebnisse in einem Prozess – laut Anbieter ein Ansatz, der menschlicher Intelligenz näherkommt als unabhängig voneinander arbeitende Modelle.

Preise und Verfügbarkeit

Laut Hersteller ist das Produkt ab sofort verfügbar. Ein Abo kostet 30, 90 oder 300 US-Dollar im Monat. Nutzer bekommen dafür 10.000, 40.000 respektive 150.000 Credits. Die Kosten für einzelne Videoclips hängen vom eingesetzten Videomodell ab. Nutzer sollten beim Abschätzen der Kosten beachten, dass Luma auch größere Projekte mit mehreren Clips auf einmal generiert.

(akr)

Salesforce hat seine Sicherheitsarchitektur für KI-Agenten konkretisiert. Der sogenannte Einstein Trust Layer entfernt personenbezogene Daten vor der Übergabe an externe Sprachmodelle, prüft deren Antworten auf Toxizität und Prompt-Injection-Versuche und protokolliert sämtliche Verarbeitungsschritte revisionsfähig. Parallel zeigte das Unternehmen Agentforce Voice erstmals in deutscher Sprache.

Im Zentrum der Salesforce-Architektur steht der Einstein Trust Layer. Verarbeitet ein KI-Agent eine Anfrage, erzeugt das System im Hintergrund einen strukturierten Prompt mit Rolleninformationen, definierten Guardrails und kontextbezogenen Unternehmensdaten.

Platzhalter für personenbezogene Daten

Per Dynamic Grounding ergänzt die Plattform zur Laufzeit strukturierte Daten aus der Data Cloud. Bevor der Prompt an ein externes Sprachmodell übergeben wird, entfernt der Trust Layer personenbezogene Informationen und ersetzt sie durch Platzhalter. Das Modell soll somit die semantische Struktur der Anfrage verarbeiten, ohne Zugriff auf Klardaten zu erhalten.

Nach der Modellantwort folgen weitere Prüfschritte: Eine Reasoning Engine analysiert das Ergebnis auf Toxizität, mögliche Prompt-Injection-Versuche und inhaltliche Konsistenz. Erst wenn diese Prüfungen bestanden sind, werden die Platzhalter wieder durch die ursprünglichen Daten ersetzt. Gegenüber Modellpartnern gilt laut Salesforce eine Zero-Retention-Policy; übermittelte Inhalte sollen nicht gespeichert werden. Ein Audit-Trail dokumentiert sämtliche Schritte und macht nachvollziehbar, welcher Agent auf welche Datengrundlage zugegriffen und welche Aktion ausgelöst hat.

Modellagnostik und Testumgebung

Die Plattform ist modellagnostisch ausgelegt. Unternehmen können zwischen Modellen von OpenAI und Anthropic wählen oder eigene Modelle einbinden (Bring Your Own Model). Für eng umrissene Aufgaben wie die Zusammenfassung von Servicefällen nutzt Salesforce zusätzlich Small Language Models, die auf CRM-Domänen zugeschnitten sind.

Über einen Prompt Builder lassen sich Modelle pro Anwendungsfall auswählen und mit synthetischen Testdaten prüfen. Damit verlagert Salesforce einen Teil der Verantwortung für Qualität und Sicherheit auf Administratoren, die Modellwahl und Guardrails definieren.

Slack und Voice als Anwendungsebene

Der seit Januar verfügbare Slackbot dient als konversationelle Oberfläche für diese Agentenarchitektur. Neu ist Canvas: Ein Dokument bündelt Inhalte aus Konversationen und angebundenen Systemen. Bei komplexeren Anfragen delegiert der Slackbot an spezialisierte Agenten mit definierten Zuständigkeitsbereichen. Externe Systeme werden über Integrationsschnittstellen angebunden. Im Test antwortete der Bot auf deutschsprachige Eingaben teilweise auf Englisch.

Mit Agentforce Voice erweitert Salesforce die bestehende Agentenarchitektur um eine Sprachschnittstelle. Wie Slack dient auch Voice als Zugriffsebene auf dieselben Daten- und Prozessschichten. Neben dem Einsatz im Telefonkanal soll sich die Sprachschnittstelle auch in Anwendungen oder in physischen Systemen wie Servicerobotern einbinden lassen.

Anfragen werden dabei in Teilaufgaben zerlegt, relevante Kunden- und Prozessdaten abgefragt und definierte Aktionen angestoßen. Da sämtliche Interaktionen in der Data Cloud zusammengeführt werden, hat der Agent kanalübergreifend auch Zugriff auf frühere Kontakte.

Neue Abrechnung über Agentic Work Units

Parallel führt Salesforce mit den sogenannten Agentic Work Units (AWU) eine neue Abrechnungseinheit ein. Statt verbrauchter Tokens misst das Unternehmen abgeschlossene Aufgaben, etwa eine vollständige Reasoning-Kette oder einen erfolgreichen Systemaufruf.

Nach Unternehmensangaben wurden bislang 2,4 Milliarden AWUs verarbeitet, mit deutlichem Wachstum gegenüber dem Vorquartal. Wie transparent diese Einheiten im Vergleich zu tokenbasierten Modellen sind, hängt von der Definition und Messbarkeit der zugrunde liegenden Prozesse ab.

Architektur statt Modellleistung

Mit dem Einstein Trust Layer verlagert Salesforce den Schwerpunkt von der reinen Modellleistung hin zur Kontrollarchitektur. Maskierung, Prüfmechanismen und Auditierbarkeit sollen den Einsatz autonomer Agenten in regulierten Unternehmensumgebungen ermöglichen.

Ob die mehrstufigen Prüfprozesse in der Praxis zuverlässig greifen, bleibt abzuwarten. Halluzinationsprüfungen basieren ebenfalls auf probabilistischen Modellen; auch die Maskierung setzt voraus, dass sensible Informationen vollständig erkannt werden. Je komplexer angebundene Systeme und Prozesse sind, desto anspruchsvoller wird die konsistente Durchsetzung dieser Kontrollmechanismen. Der produktive Einsatz agentischer Systeme dürfte daher weniger von einzelnen Sprachmodellen abhängen als von der Stabilität und Transparenz der Governance-Schicht.

(axk)