Die ausführliche Fassung

Analysezeitraum: 14. bis 20. September 2026
Stand: 20. September 2026
Methodik: Alle vorgegebenen Verzeichnisse und Newsletter wurden auf neue, wesentlich aktualisierte oder stark erwähnte Tools geprüft. Für die finale Auswahl wurden die offiziellen Produkt-, Preis- und Datenschutzseiten sowie verfügbare unabhängige Reaktionen gegengeprüft. Datenschutz- und Compliance-Angaben sind Anbieterangaben, keine Rechtsberatung und keine Zertifizierung durch diese Analyse.

Wochenzusammenfassung

Diese Woche verschiebt sich KI sichtbar vom generischen Chat zur produktionsnahen Arbeitsoberfläche: Claude macht Dokumente zum direkten Ergebnis eines Gesprächs, Quiver produziert editierbare Vektoren statt Pixel-Endprodukte, und Jev baut Entscheidungslogik für Software statt Text für Menschen. Sakana Marlin legt den Schwerpunkt auf nachvollziehbare Recherche, während Octop zeigt, wie sich Agenten lokal und unter eigener Datenhoheit betreiben lassen.

Das eigentliche Problem ist nicht die Verfügbarkeit von Funktionen, sondern die Qualität der Kontrolle nach dem ersten überzeugenden Demo-Moment. Entscheidend bleiben deshalb Bearbeitbarkeit, Quellenzugang, Datenresidenz, Freigaben und Kosten pro produktiver Entscheidung. Die Auswahl deckt bewusst Einzelpersonen, professionelle Kreativarbeit, Entwicklerteams und B2B-Research ab, statt erneut fünf Enterprise-Dashboards in einen Trenchcoat zu stecken.

Einordnung der Bewertungen: Bewertet werden Neuheitswert, überprüfbare Praxistauglichkeit, Preis- und Datenschutztransparenz, Steuerbarkeit sowie erkennbare Grenzen. Eine hohe Bewertung ist keine Kaufempfehlung. Sie beschreibt, wie ernsthaft ein Tool einen begrenzten Pilot verdient.

Recherche-Shortlist

---

1. Claude Docs

Claude Docs macht aus einem Chat eine längere Arbeitsfläche. Ein Dokument kann im Gespräch entstehen, direkt bearbeitet und als Word-Datei exportiert werden. Der Mehrwert liegt nicht in einem weiteren Textgenerator, sondern in der Verbindung von Kontext, Datei und Überarbeitung in einem Ablauf. Anthropic beschreibt die Funktion als Beta und rollt sie zunächst für Pro- und Max-Abonnemente aus; Team-, Free- und Enterprise-Zugänge folgen beziehungsweise werden administrativ gesteuert. 1

Nutzungsszenarien

Pricing

Der Free Plan erlaubt die Chat-Nutzung, schliesst Claude Docs jedoch aus. Docs ist laut offizieller Tarifmatrix in Pro, Max 5x, Max 20x, Team und Enterprise enthalten. Pro kostet 20 USD monatlich oder 17 USD pro Monat bei Jahreszahlung; Max 5x kostet 100 USD monatlich, Max 20x 200 USD monatlich. Team Standard beginnt bei 25 USD pro Sitz und Monat bei monatlicher Abrechnung beziehungsweise 20 USD bei Jahreszahlung. Enterprise wird über den Vertrieb bepreist. Preise verstehen sich vor Steuern. 2

Der Zugang über bestehende bezahlte Claude-Pläne ist attraktiv. Gleichzeitig gibt es kein eigenständiges Docs-Abo und keinen Free Tier für die neue Funktion. Für Teams ist daher nicht nur der Preis entscheidend, sondern auch die vorhandene Claude-Nutzung und die Governance des gesamten Workspaces.

Datenschutz

Anthropic verarbeitet bei der Consumer-Nutzung Inputs, Outputs, Uploads und Inhalte verbundener Dienste. Private Nutzer:innen können die Verwendung ihrer Inhalte zur Modellverbesserung in den Einstellungen deaktivieren; ohne Opt-out können Inputs und Outputs dafür verwendet werden. Für Team- und Enterprise-Angebote nennt Anthropic in der Tarifmatrix standardmässig kein Modelltraining. Die Privacy Policy beschreibt globale Datenübermittlungen, einschliesslich in die USA und andere Drittstaaten, unter anderem über Standardvertragsklauseln. 2

Eine EU- oder Schweizer Datenresidenz ist für Claude Docs öffentlich nicht als Standard zugesagt; Self-Hosting gibt es nicht. Für vertrauliche Dokumente sind deshalb Plan, DPA, Konnektoren, Speicherfristen und die Freigabe von Datenflüssen vor dem produktiven Einsatz zu prüfen. Gerade weil Dokumente so bequem aus Gesprächen wachsen, wächst auch das Risiko, Kontext zu teilen, der nie in einen externen Dienst hätte gelangen sollen.

Stärken

Claude Docs verbindet Texterstellung, Kontext und Überarbeitung ohne Toolwechsel. Der direkte Export und die Möglichkeit, ein Dokument gemeinsam mit dem Modell im Gespräch zu verfeinern, sind für klassische Wissensarbeit besonders relevant. Unabhängige Berichte bestätigen die Beta-Ausrichtung und den Fokus auf editierbare Dokumente und Präsentationen im einheitlichen Claude-Workspace. 1

Schwächen

Die Funktion ist neu und befindet sich im Beta-Status. Dokumente sind nur in kostenpflichtigen Plänen verfügbar, während Funktionsumfang und Rollout noch variieren können. Die Integration mit Connectoren erhöht ausserdem die Datenpfade: Was Claude aus einem verbundenen System lesen darf, muss organisatorisch ebenso sauber geregelt sein wie ein klassischer Dateizugriff.

Einschätzung für die Praxis

Claude Docs ist ein sinnvoller Kandidat für Teams, die aus vielen Gesprächen wiederkehrend entscheidungsreife Dokumente machen müssen. Ein guter Pilot startet mit nicht vertraulichen Vorlagen, einem klaren Review durch Fachverantwortliche und einem messbaren Ziel, etwa kürzere Erstellungszeit bei unveränderter Qualitätsbewertung. Das eigentliche Problem ist nicht der erste Entwurf, sondern die stillschweigende Annahme, dass er bereits eine freigabefähige Wahrheit darstellt.

Relevanzbewertung: 8,5/10

Ein sehr gutes Text-Update mit echtem Workflow-Nutzen. Die Bewertung bleibt unter 9, weil Beta-Status, Datenresidenz und der Kosten- beziehungsweise Planrahmen für Teams noch klare Leitplanken verlangen.

---

2. Arrow 2 von QuiverAI

Arrow 2 erstellt und bearbeitet SVGs. Anders als bei bildbasierten Generatoren bleibt das Ergebnis eine editierbare Vektorgrafik, die im Canvas oder mit Folgeprompts verändert werden kann. QuiverAI positioniert Arrow 2 für Illustration, technische Zeichnungen, Vektorisierung und Mikroanimationen. Der aktuell relevante Fortschritt ist nicht nur das Modell, sondern die produktionsnahe API: Sie unterstützt die Open-Responses-Struktur, deterministic Sandbox-Keys und sichtbare Rate-Limit-Informationen. 6

Nutzungsszenarien

Pricing

QuiverAI bietet keinen dauerhaften kostenlosen Plan. Der Go Plan kostet 8 USD/Monat und umfasst wöchentliches Guthaben im Gegenwert von 5 USD; ein 14-tägiger Go-Test mit Kartenpflicht ist vorgesehen. Basic kostet 20 USD/Monat mit dreifachem Go-Volumen, Pro 40 USD/Monat mit achtfachem Go-Volumen. Für Enterprise gilt ein individuelles Angebot. App-Guthaben wird wöchentlich zurückgesetzt und nicht übertragen; API-Nutzung wird separat über ein vorausbezahltes Guthaben abgerechnet. 8

Das Preismodell ist für Kreativarbeit nachvollziehbar, aber nicht risikofrei: Ein niedriger Monatsbetrag ist kein kostenloser Render-Topf. Teams sollten API- und App-Nutzung getrennt budgetieren, weil eine scheinbar günstige Asset-Pipeline sonst an der zweiten Rechnung plötzlich sehr künstlerisch wird.

Datenschutz

QuiverAI, Inc. hat eine Anschrift in Montréal, die Privacy Policy bezeichnet die Dienste jedoch als in den USA gehostet. Sie verarbeitet Kontodaten, Geräte- und Nutzungsdaten sowie Inputs und Uploads, die persönliche Daten enthalten können. Für EWR- und UK-Übermittlungen verweist QuiverAI auf Standardvertragsklauseln und gewährt die üblichen Datenschutzrechte. Eine explizite DSGVO-Zertifizierung, eine EU-Datenresidenz oder Self-Hosting-Option wird nicht zugesagt. 9

Besonders relevant ist die Rechtekette: Die Terms weisen die erzeugten User Content-Rechte grundsätzlich den Nutzer:innen zu, räumen QuiverAI für hochgeladene und erzeugte Inhalte aber eine weitreichende Lizenz zur Bereitstellung und Verbesserung des Dienstes ein. Vertrauliche Kundenmotive, Personenbilder und geschützte Markenbestandteile gehören deshalb erst nach vertraglicher Prüfung in den Workflow. 10

Stärken

Arrow 2 liefert eine seltene Kombination aus generativer Geschwindigkeit und editierbarem Vektoroutput. Das ist praktisch, weil Design nicht bei einem hübschen Preview endet. Die API-Weiterentwicklung in der Analysewoche verbessert Testbarkeit und Integrationsfähigkeit, statt nur ein neues Modellbanner zu kleben. Die öffentliche Resonanz fokussiert ebenfalls auf den Übergang von generierter Grafik zu bearbeitbarer SVG-Arbeit. 6

Schwächen

Ein Free Tier fehlt, und der Test benötigt eine Karte. Die Qualität stark strukturierter SVGs hängt weiterhin vom Briefing und der manuellen Nacharbeit ab. Der Cloud-Dienst ist US-gehostet; für sensible Vorlagen gibt es keine veröffentlichte lokale oder europäische Betriebsoption. Zudem ist der Wechsel von Arrow 1.x zu Arrow 2 für API-Teams ein echter Migrationsschritt und kein transparenter Automatismus. 6

Einschätzung für die Praxis

Arrow 2 passt, wenn Vektorformat und Änderbarkeit wichtiger sind als eine einmalige Hochglanzgrafik. Der Pilot sollte mit einem eng definierten Asset-Typ beginnen, etwa Icon-Sets oder Erklärdiagrammen, inklusive Kriterien für SVG-Sauberkeit, Bearbeitungszeit und Markenpassung. Was oft unterschätzt wird: „editierbar“ bedeutet nicht „fertig“. Es bedeutet, dass die Handarbeit wenigstens am richtigen Artefakt beginnt.

Relevanzbewertung: 8,0/10

Eine starke Design-Infrastruktur mit klarer Produktionslogik. Die Bewertung wird durch fehlenden Free Tier, US-Hosting und den noch jungen API-Übergang begrenzt.

---

3. Jev von TypeSafe AI

Jev schreibt keine Texte. Das Modell verarbeitet unstrukturierten Zustand und liefert vordefinierte, typisierte Entscheidungen mit Wahrscheinlichkeiten. TypeSafe beschreibt es als Baustein für Software-Automatisierung, etwa wenn ein System eine Anfrage routen, ein Risiko bewerten oder eine Ausnahme erkennen soll. Der Unterschied zu strukturiertem JSON aus einem LLM liegt im Anspruch, dass Schema, Wahrscheinlichkeit und Ausgabeformat schon Teil des Modellformats sind. 12

Nutzungsszenarien

Pricing

Jev befindet sich im Early Access und ist kein klassischer Endnutzer-SaaS-Plan. TypeSafe nennt 0,042 USD pro Million Input-Tokens beziehungsweise 42 USD pro Milliarde Input-Tokens; Output-Tokens werden laut Anbieter nicht berechnet. Ein dauerhaft kostenloser Free Tier, Self-Hosting-Preis oder ein öffentlich dokumentierter Enterprise-Tarif ist zum Stichtag nicht ausgewiesen. 12

Das ist für Software-Teams eine ungewöhnlich klare Basiskalkulation. Sie ersetzt jedoch nicht die Kosten des umgebenden Systems, etwa Datenaufbereitung, Observability, Fallback-Modell und menschliche Behandlung der Unsicherheitsfälle. Billige Klassifikation ist wertvoll. Billige Fehlklassifikation skaliert nur schneller.

Datenschutz

TypeSafe AI ist ein US-Dienst und beschreibt die Verarbeitung beziehungsweise Speicherung in den USA. Laut Privacy Policy werden Prompts und andere Inputs nicht für Training oder Fine-Tuning von KI-Modellen verwendet und ausser an Service Provider nicht an Dritte weitergegeben. Die Policy beschreibt Datenschutzrechte für EWR-/UK-Nutzer:innen, verspricht aber keine EU- oder Schweizer Datenresidenz. Self-Hosting ist nicht veröffentlicht. 15

Für personenbezogene oder regulierte Daten bleibt deshalb ein DPA- und Subprozessoren-Check nötig. Die Training-aus-Kundendaten-Zusage ist stark, aber keine magische DSGVO-Abkürzung. Entscheidend sind Standort, Vertrag, Aufbewahrung, Zugriffsrechte und die Datenminimierung im konkreten Einsatz.

Stärken

Jev adressiert eine operative Lücke zwischen harten Regeln und freiem LLM-Text: schnelle, probabilistische Entscheidungen, die Software direkt verarbeiten kann. Die publizierte Preislogik ist transparent, und die Konfidenzwerte unterstützen ein gezieltes Human-in-the-loop-Design. Die externe Entwicklerresonanz fokussiert auf diese Kombination aus Geschwindigkeit, strukturiertem Output und Automatisierbarkeit. 12

Schwächen

Jev ist kein Tool für Recherche, Argumentation oder kreative Textarbeit. Der Nutzen steht und fällt mit sauber definierten Entscheidungsräumen, Testdaten und Schwellenwerten. Die Kernzahlen zu Geschwindigkeit, Qualität und Kostenvorteil stammen primär vom Anbieter; TypeSafe nennt selbst mögliche Verzerrungen seiner Evaluationen. Early Access und US-Hosting machen einen begrenzten Pilot zwingend. 12

Einschätzung für die Praxis

Jev eignet sich für technische Teams, die viele kleine, wiederkehrende Entscheidungen in einer Anwendung treffen müssen. Zuerst einen engen Use Case mit bekannten Labels wählen, etwa Routing oder Extraktion. Dann Konfidenz gegen tatsächliche Fehlerquote kalibrieren und eine klare Eskalationsregel definieren. Der entscheidende Unterschied liegt in der Demut des Systems: Eine Wahrscheinlichkeit hilft nur, wenn ein Prozess weiss, was bei Unsicherheit passieren soll.

Relevanzbewertung: 8,0/10

Ein ungewöhnlich relevantes Infrastruktur-Release für datengetriebene Automatisierung. Sehr gute Preis- und Produktlogik, aber noch Early Access, providergebunden und für nicht-technische Teams keine Plug-and-play-Lösung.

---

4. Sakana Marlin

Sakana Marlin bearbeitet umfangreiche Rechercheaufträge über mehrere Stunden. Im Mittelpunkt des Updates steht nicht noch mehr Output, sondern der Weg zurück zur Evidenz: Interactive Reading erlaubt Fragen im Bericht und verlinkt aus Zitaten direkt zu den relevanten Passagen der Quelle. Ergänzend können Ergebnisse als editierbare PowerPoint-Datei mit Text, Formen, Tabellen, Charts und Quellen-URLs exportiert werden. 16

Nutzungsszenarien

Pricing

Sakana Marlin bietet einen Free Trial, verlangt für die nutzungsbasierte Nutzung anschliessend eine Kreditkarte. Ein Durchlauf verbraucht 100 Credits. Die veröffentlichte Preisstruktur umfasst ein Paket mit 2'000 Credits für 150'000 JPY/Monat, 6'000 Credits für 400'000 JPY/Monat und ein individuelles Enterprise-Angebot; Zusatzcredits kosten je nach Plan 98, 90 oder 85 JPY pro Credit. 17

Das entspricht bei 100 Credits pro Run etwa 20 beziehungsweise 60 Runs pro Monat, bevor Zusatzcredits anfallen. Marlin ist damit bewusst kein günstiges Recherche-Abo für spontane Einzelanfragen, sondern ein B2B-Produkt für aufwendige strategische Fragestellungen. Die Minutenrechnung ist irreführend. Entscheidend ist, ob ein Lauf eine reale Analysewoche ersetzt oder nur eine sehr lange Textmenge produziert.

Datenschutz

Sakana AI erklärt, Kundeneingaben weder selbst noch über externe KI-Anbieter für Modelltraining oder Fine-Tuning zu nutzen, sofern keine ausdrückliche Opt-in-Einwilligung vorliegt. Bei einer Einwilligung sollen personenbezogene Daten für Qualitätszwecke entfernt werden. Gleichzeitig schreibt Sakana explizit, dass Marlin nicht für Nutzer:innen in der EU oder im EWR angeboten wird. 17

Damit ist Marlin keine standardmässig DSGVO-konforme Hosting-Option für Schweizer Unternehmen mit EU-Bezug. Self-Hosting wird nicht angeboten. Für Schweizer Organisationen sollte die Nutzung deshalb nur nach datenschutzrechtlicher und vertraglicher Prüfung erfolgen, insbesondere bei personenbezogenen Daten und EU-Tochtergesellschaften. Die Quellenprüffunktion verbessert die inhaltliche Nachvollziehbarkeit, aber sie ändert keine Datenresidenz.

Stärken

Marlin verbessert genau den schwachen Punkt vieler Deep-Research-Systeme: Nicht die Generierung, sondern das Verständnis und die Überprüfung langer KI-Berichte. Die direkte Navigation von Zitaten zu relevanten Belegstellen sowie die editierbaren Folien mit Quellen-URLs sind im strategischen Kontext sehr sinnvoll. Der Anbieter thematisiert transparent, dass umfangreiche Berichte ohne nachvollziehbare Prüfung ihr Ziel verfehlen. 16

Schwächen

Der Dienst ist teuer, auf B2B ausgelegt und nicht für EU-/EWR-Nutzer:innen verfügbar. Lange autonome Läufe sind nicht für Echtzeitfragen geeignet und verursachen auch bei Abbruch Credit-Verbrauch. Die publizierten Qualitätsbeispiele und Kundenzitate stammen vom Anbieter; eine unabhängige Langzeitbewertung der Recherchequalität in verschiedenen Domänen ist noch begrenzt. 16

Einschätzung für die Praxis

Sakana Marlin ist sinnvoll für wiederkehrende, quellensensible Strategiefragen mit hohem Rechercheaufwand. Der Pilot sollte einen bekannten früheren Research-Auftrag reproduzieren. Gemessen werden nicht bloss Umfang und Sprachqualität, sondern Quellenabdeckung, korrekt markierte Unsicherheit, Nutzwert für die Entscheidung und Zeit bis zum prüfbaren Deck. Das eigentliche Problem ist nicht der KI-Bericht, sondern die Versuchung, ihn mit einer Analyse zu verwechseln.

Relevanzbewertung: 8,0/10

Ein starkes Recherche-Update, weil es Evidenzprüfung und Weiterverarbeitung ernst nimmt. Preis, B2B-Fokus sowie EU-/EWR-Ausschluss begrenzen die unmittelbare Eignung für viele Schweizer Organisationen.

---

5. Octop

Octop bündelt Agenten, Workspaces, Kanäle, Plugins und Speicher in einer selbstgehosteten Umgebung. Die Plattform kann über Dashboard, CLI, Instant Messaging, HTTP/SSE/WebSocket sowie IDE- und Terminal-Anbindungen genutzt werden. Sie unterstützt lokale oder Docker-basierte Grenzen, eine Wissensbasis auf eigenen Dokumenten, Browser-Automatisierung und Cron-Jobs. Die Architektur legt Daten standardmässig unter ~/.octop/ ab, nutzt SQLite und kann mit PostgreSQL betrieben werden. 18

Nutzungsszenarien

Pricing

Octop steht unter der MIT-Lizenz und kann selbst gehostet kostenlos verwendet werden. Es gibt keinen öffentlichen SaaS-Preisplan und keinen begrenzten Free Tier, weil der Quellcode selbst der Einstieg ist. Kosten entstehen für Hardware, Betrieb, Speicher, Sicherheit, Administrator:innen sowie gegebenenfalls für angebundene Modell-, Such- oder Connector-Anbieter. 18

Das ist ein transparentes Lizenzmodell, aber keine Gratis-Betriebsgarantie. Selbsthosting verlagert Kosten und Verantwortung. Wer keinen Betrieb will, kauft mit einer Cloud-Lösung nicht nur Rechenzeit, sondern auch die Pflicht, nachts nicht wegen eines abgelaufenen Zertifikats aufzuwachen.

Datenschutz

Octops zentrale Datenschutzstärke ist die eigene Betriebsoption: Dashboard, CLI, Messaging-Integration und Automatisierung können in einem Prozess laufen, während Daten lokal unter ~/.octop/ liegen. Das Repository nennt Nutzerisolation über JWT, Tool-Freigaben, Shell-Schutzmechanismen und PII-Redaktion; Speicher kann lokal, in Containern oder über PostgreSQL konfiguriert werden. 18

Damit kann Octop eine DSGVO-taugliche Architektur unterstützen, garantiert sie aber nicht automatisch. Sobald externe LLMs, SaaS-Connectoren, Browser-Automatisierung oder Cloud-Speicher angebunden werden, entstehen neue Datenpfade. Die relevante Frage lautet daher nicht, ob der Code lokal läuft, sondern welche Tools im Agentenlauf Daten tatsächlich verlassen dürfen.

Stärken

Octop gibt technisch versierten Teams ungewöhnlich viel Kontrolle über Daten, Workspaces, Agentenrollen und Integrationen. Die MIT-Lizenz, aktive Entwicklung, Docker-Optionen und mehrere Ausführungswege machen die Plattform zu einer glaubwürdigen Basis für selbstbestimmte Agentenarbeit. Der Release 1.0.1 und die aktuellen Betriebsupdates zeigen, dass das Projekt nicht nur ein Architekturdiagramm mit grossen Ambitionen ist. 18

Schwächen

Ein Self-Hosting-Stack ist kein Konsumentenprodukt. Betrieb, Updates, Rechteverwaltung, Monitoring, Backup und Absicherung der integrierten Tools benötigen technisches Können. Agenten mit Browser-, Shell- oder Desktop-Zugriff erhöhen ausserdem den Schaden einer Fehlkonfiguration. Open Source reduziert Anbieterbindung, aber nicht automatisch Sicherheitsrisiko oder Betriebsaufwand.

Einschätzung für die Praxis

Octop ist besonders interessant, wenn Datenresidenz und konfigurierbare Agentenlogik wichtiger sind als ein schneller SaaS-Start. Beginnen sollte man mit einer isolierten Instanz, einem read-only Wissens-Use-Case, einem lokalen Modell oder einem vertraglich geprüften Provider und restriktiven Tool-Rechten. Erst nach Logging, Rollenmodell und Wiederherstellungstest gehören Browser, Shell oder Desktop-Aktionen auf die Roadmap. Agentenrechte sind keine Produktfunktion. Sie sind ein Sicherheitsentscheid.

Relevanzbewertung: 8,2/10

Sehr relevante Open-Source-Option für kontrollierten Agentenbetrieb. Die Bewertung honoriert Datenhoheit und Flexibilität, bleibt aber unter 9 wegen hoher Betriebsanforderungen und des Sicherheitsaufwands bei mächtigen Tool-Berechtigungen.

---

Quellen