Sydney Huang stellt „Human API“ vor, eine Plattform, die es AI Agents ermöglicht, die schwierigen Aufgaben an Menschen zu übergeben.

Der neu gestartete Service positioniert sich als Infrastrukturschicht für hybride AI-Mensch-Workflows und setzt Live-Operatoren genau dort ein, wo vollständig autonome Software noch ins Straucheln gerät.

Ein neues Startup unter der Leitung von Sydney Huang (@0xSydney), CEO von Eclipse, setzt darauf, dass die nächste Phase der künstlichen Intelligenz weniger durch einen weiteren Sprung in der reinen Modellkapazität definiert wird, sondern vielmehr durch die Sauberkeit, mit der AI-Systeme Arbeit an Menschen zurückgeben können, wenn die Automatisierung an ihre Grenzen stößt.

Eclipses neue Plattform, Human API, wurde letzten Monat nach einer Phase geschlossener Pilotprojekte aus der Stealth-Phase heraus vorgestellt. Ihr Pitch ist klar und einfach. Große Sprachmodelle und AI-Agenten haben messbare Fortschritte im Bereich Reasoning, Planung und Content-Generierung gemacht, doch sie stolpern noch über jene Teile realer Workflows, die auf Urteilsvermögen, Verifikation oder das Navigieren in Systemen angewiesen sind, die ursprünglich für menschliche Nutzer gebaut wurden. Human API bietet Entwicklern eine programmatische Möglichkeit, diese Momente bei Bedarf an einen Live-Operator weiterzuleiten und das Ergebnis in einer strukturierten Form zurückzuerhalten, die ihr Code verarbeiten kann.

In den zum Launch veröffentlichten Materialien stellt das Unternehmen die Lücke zwischen AI-Fähigkeiten und verlässlicher Ausführung als einen der entscheidenden Engpässe in der aktuellen Computertechnik dar. Das Argument lautet, dass das Web um menschliche Annahmen herum konstruiert wurde – visuelle Interfaces, Authentifizierungs-Checkpoints, CAPTCHAs, mehrdeutiges UI-Verhalten, Edge Cases, die sich dem Scripting widersetzen – und dass Software, die versucht, diese Oberflächen autonom zu durchqueren, auf dem letzten Abschnitt jeder Aufgabe oft scheitert. Das Unternehmen beschreibt seine Lösung als eine „hybride Intelligenzschicht“, bei der Modelle das tun, was sie am besten können, und Menschen überall dort eingesetzt werden, wo die Realität noch Nuancen verlangt.

Wie es funktioniert

Human API konkurriert nicht mit traditionellen Outsourcing-Marktplätzen, sondern positioniert sich als Orchestrierungs-Infrastruktur für AI-Anwendungen. Aufgaben, die über die Plattform verteilt werden, sind typisiert, strukturiert und über APIs adressierbar, sodass ein Agent bei Bedarf an eine Person eskalieren kann, ähnlich wie er jeden anderen Service aufrufen würde. Outputs werden in standardisierten Formaten zurückgegeben, auf die nachgelagerte Automatisierung ohne manuelle Prüfung reagieren kann.

Entwickler können Confidence Thresholds, Eskalationsregeln, Genehmigungs-Workflows und vollständig verwaltete Pipelines für Jobs konfigurieren, die immer einen Menschen involvieren sollen. Das Unternehmen betont, dass es nicht darum geht, Autonomie zu begrenzen, sondern sie unter Produktionsbedingungen verlässlicher zu machen, wo Abschlussraten oft wichtiger sind als reine Modell-Benchmarks.

Beispiele, auf die das Unternehmen verweist, umfassen browserbasierte Agenten, die CAPTCHA-Lösungen oder Account-Wiederherstellung an Menschen übergeben, Commerce-Flows, die Zahlungsüberprüfungen eskalieren, Research-Assistenten, die menschliche Prüfungen bei risikoreichen Outputs anfordern, Growth-Tools, die plattformnative Interaktionen ausführen, und Customer-Support-Systeme, die mitten im Gespräch von AI auf einen menschlichen Vertreter umschalten.

Drei Design-Säulen

Eclipse beschreibt das Produkt anhand von drei Prinzipien. Das erste, „strukturierte menschliche Ausführung“ genannt, definiert Outsourcing neu als Maschinenorchestrierung: Während Arbeitsmarktplätze für manuelle Koordination organisiert sind, ist die Plattform so engineered, dass AI-Anwendungen menschliche Arbeitskräfte programmatisch ansprechen können. Die zweite Säule legt Wert auf Zuverlässigkeit statt reine Autonomie, mit dem Argument, dass voll autonome Prototypen oft in Demos stark wirken, aber in der Produktionskomplexität versagen. Die dritte Säule nennt sich „Real-World Interface Coverage“ – eine Fallback-Schicht für den langen Schwanz von Workflows mit Identitätsprüfungen, dynamischen Interfaces, Moderationsregimen und Plattform-Vertrauenssignalen, die Maschinen bislang nur inkonsistent lesen konnten.

In der Summe positioniert das Framework Menschen weniger als Ausnahmefälle der Automatisierung, sondern als programmierbare Ressource, die neben Modellen im Ausführungs-Stack sitzt.

Frühe Use Cases

In den Launch-Materialien gab das Unternehmen an, dass das frühe Pilotinteresse mehrere Kategorien umfasst. Teams, die Browser-Agenten und Workflow-Automatisierung bauen, nutzen die Plattform, um die Zuverlässigkeit in Produktionsumgebungen zu erhöhen. Commerce-Operatoren leiten verifikationsintensive Schritte an menschliche Reviewer weiter. Operations-Teams kombinieren AI- und menschlichen Input in Kundenservice-, Onboarding- und Moderations-Pipelines. Weitere Anwender sind Anwendungen, die Outputs mit höherer Confidence aus Research- und Verifikationsflows benötigen, sowie Daten-Sammelprojekte, bei denen vollautomatisierte Extraktion noch unzuverlässig ist.

Das Unternehmen hat im Zusammenhang mit dem Launch keine Angaben zu Preisen, Kundenzahlen oder Finanzierungsdetails gemacht.

Eine Wette auf hybrides Arbeiten

Über das Produkt hinaus spiegelt der Launch eine größere Wette darauf wider, wie AI-native Software zusammengesetzt wird. Huang und das Unternehmen argumentieren, dass die erste Generation von SaaS Menschen mit Software verbunden hat, und die nächste Generation AI-Systeme mit Menschen verbinden wird. In dieser Sichtweise verschiebt sich das Anwendungsdesign von der Frage, ob ein Modell eine Aufgabe end-to-end ausführen kann, hin zur Frage, wie ein System für verlässliche Ergebnisse zusammengesetzt werden kann – mit Menschen als Supervisoren, Validatoren und Anbietern von Edge-Case-Intelligenz.

Ob sich diese Abstraktion durchsetzt, hängt von der Entwicklerakzeptanz und davon ab, wie die Ökonomie von Human-in-the-Loop-Ausführung im Vergleich zu fortlaufenden Verbesserungen vollautonomer Agenten aussieht. Für den Moment positioniert sich Human API für das Dazwischen: eine Welt, in der Modelle sich viel mehr vorstellen können, als sie zuverlässig leisten, und wo letztlich jemand die verbleibende Lücke schließen muss.

Das Unternehmen bezeichnete den heutigen Launch als Beginn eines längeren Vorhabens, mit weiteren Produktupdates, die mit der Expansion der Plattform erwartet werden.