Eine Jarvis KI war bisher Science-Fiction: ein Assistent, der zuhört, deinen Bildschirm sieht und mitarbeitet. Mit dem neuen Voice Mode von ChatGPT rückt genau das in Reichweite. Wir haben die Funktion live im Arbeitsalltag getestet, mit allen Stärken und allen Schwächen. Du erfährst hier, was sie heute kann und wo sie noch scheitert. Und warum deutsche Unternehmen zweimal hinschauen sollten.
Was ChatGPTs neuer Voice Mode wirklich kann
Der Live-Modus steckt in der neuen Version der Codex App. OpenAI liefert dort drei Dinge auf einmal: Sprachchat, Zugriff auf das gerade aktive Fenster und Projekte mit mehreren Ordnern. Nach dem Start erscheint ein kleines Banner, das du frei über den Bildschirm ziehen kannst.
Der entscheidende Unterschied zu bisherigen Sprachmodi: Der Assistent bleibt permanent aktiv. Er hört zu, während du arbeitest, und sieht dabei alles, was du siehst. Das gilt nicht nur in der App selbst. Wechselst du in den Browser, wandert der Blick mit.
Auf Zuruf macht er einen Screenshot und ordnet ein, was gerade auf dem Bildschirm steht. Die passende Option findest du in den Einstellungen. In unserem Test las er eine offene Produktseite korrekt aus. Kopieren mussten wir dafür nichts.
Das Beste kommt zum Schluss: Er unterbricht dich nicht. Wer die Sprachmodi der letzten Monate genutzt hat, kennt das ständige Reinreden. Hier läuft die Aufnahme durch, während du frei sprichst. Erst wenn du eine echte Frage stellst, antwortet er.
Jarvis KI im Praxistest: Recherche und Subagenten
Der Assistent beantwortet nicht nur Fragen zum Bildschirm. Du kannst ihm parallel Recherche-Aufträge geben. Im Test lief eine Suche zu einem Produkt-Update im Hintergrund, während wir weitergearbeitet haben.
Noch spannender wird es beim nächsten Schritt. Auf Zuruf startet der Assistent einen Agenten, der eigenständig recherchiert. In der Oberfläche erscheint dann ein "Created Task". Dahinter arbeitet ein Subagent innerhalb von Codex und liefert das Ergebnis später zurück.
Wir haben ihn ein GitHub-Repository suchen lassen, das den System-Prompt von Claude Code dokumentiert. Der Agent lieferte den Link und ordnete korrekt ein, dass es sich um eine inoffizielle Sammlung handelt. Auf Wunsch baut er aus Daten auch direkt eine übersichtliche Grafik.
Eine Grenze gibt es klar: Der Assistent kann deinen Bildschirm nicht bedienen. Er sieht und spricht, er klickt nicht. Wer trotzdem diktieren statt tippen will, kombiniert ihn mit einem Speech-to-Text-Tool. Wir nutzen dafür Voicely und schicken fertige Prompts direkt in andere Apps, etwa in Claude. Warum lokale Verarbeitung dabei den Unterschied macht, zeigt unser Vergleich zu Voicely als sicherer Alternative.
Wo die Jarvis KI heute noch scheitert
Wir loben das Feature bewusst nicht in den Himmel. Der Assistent halluziniert noch spürbar. In mehreren Tests deutete er Bildschirm-Inhalte völlig anders, als sie dastanden. Das passierte auch dann, wenn ihm ein frischer Screenshot vorlag.
Ein Beispiel aus dem Test: Auf die Bitte, Feedback an das Marketing weiterzugeben, meldete er kurz darauf Vollzug. Weitergegeben hat er nichts. Wer solche Bestätigungen ungeprüft übernimmt, baut auf Sand.
Für dich heißt das: Nutze den Modus als Sparrings-Partner, nicht als Quelle. Er eignet sich hervorragend, um dich durch unbekannte Oberflächen zu führen. Du willst wissen, wie du einen MCP-Konnektor in Claude verbindest? Genau dafür ist er gebaut. Für Zahlen, Zitate und Status-Meldungen brauchst du weiterhin eine zweite Prüfung.
Der Datenschutz-Haken für deutsche Unternehmen
Jetzt der Teil, den die Produktseiten auslassen. Alles, was der Assistent sieht, verlässt deinen Rechner. Bildschirm-Inhalte, offene Dokumente, Kundennamen, Preise, interne Tabellen: All das geht auf direktem Weg in die USA und wird dort verarbeitet.
Für ein öffentliches Video ist das kein Problem. Im echten Arbeitsalltag eines deutschen Unternehmens sieht das anders aus. Ein Assistent mit permanentem Blick auf den Schirm liest jedes Geschäfts-Geheimnis mit, das du offen hast.
Unsere klare Einschätzung: Teste die Funktion, um ein Gefühl für den Reifegrad zu bekommen. Für produktive Arbeit mit echten Kundendaten lass vorerst die Finger davon. Wer die Arbeitsweise trotzdem heute schon will, setzt auf Hosting in Deutschland. Und auf Tools mit lokalem Verarbeitungs-Modus.
Warum das die Zukunft der Arbeit ist
Trotz aller Schwächen zeigt der Modus, wohin die Reise geht. Der Assistent ist nicht mehr ein Tab, den du öffnest. Er läuft mit, sieht deinen Kontext und coacht dich durch Aufgaben, an denen du sonst hängen bleibst.
Genau hier liegt der praktische Nutzen schon heute. Du kommst bei einer technischen Umsetzung nicht weiter? Du verstehst eine App nicht? Lass dich durchführen, statt eine Stunde zu suchen. Der nächste Schritt ist absehbar: Der Assistent arbeitet nicht nur mit, sondern für dich.
Und der Schritt danach verlässt den Laptop. Y Combinator sucht im aktuellen Batch gezielt nach Konsumenten-Hardware für eine Milliarde Menschen. Die logische Form dieser Technik ist kein Fenster auf dem Monitor. Sie sitzt in deinen Kopfhörern oder in deiner Brille. Wie weit OpenAI dabei schon ist, haben wir in unserer Analyse zum geheimen Hardware-Projekt aufgeschlüsselt.
Fazit: Lohnt sich die Jarvis KI schon?
ChatGPTs neuer Voice Mode ist das ehrlichste Bild davon, wie wir in wenigen Jahren am Rechner arbeiten. Er hört zu, ohne zu unterbrechen, und sieht den Bildschirm mit. Nebenbei startet er Agenten für eigene Aufgaben. Gemessen an der Größe des Sprungs hat OpenAI die Funktion erstaunlich leise angekündigt.
Reif für den Produktiv-Einsatz ist die Jarvis KI trotzdem nicht. Zu viele Fehl-Deutungen, zu viele erfundene Vollzugs-Meldungen, zu offene Datenwege. Teste sie diese Woche, bilde dir ein eigenes Urteil und halte sensible Projekte bewusst draußen.
Du willst diese Arbeitsweise sicher in dein Unternehmen holen, mit Hosting in Deutschland und sauberen Prozessen? Dann sprich mit uns über deinen konkreten Anwendungsfall.
.webp)
.png)
%20(1).png)
.png)
