Was Handoff sein soll, beschreibt Hark selbst: ein „computer use agent built for long-horizon, autonomous work on the internet“, der „a dedicated virtual computer with its own browser, file system, and terminal“ bekommt. Die Beispiele der Pressemitteilung sind bewusst alltäglich – Essen auf DoorDash und Uber Eats von Anfang bis Ende bestellen, Flüge bei United, Delta und American vergleichen und buchen, auf LinkedIn Kandidaten recherchieren und anschreiben. Adcocks Rahmung dazu: „The world is full of AI assistants, but you'd never hire an assistant who couldn't use a computer.“ Bedient werden Webseiten dabei wie von einem Menschen, per Klick, Tippen und Scrollen, ausdrücklich auch solche, die der Agent nie zuvor gesehen hat.
Die Benchmark-Aussage ist knapp und ihre Fußnoten sind der interessante Teil. Auf dem Online-Mind2Web-Leaderboard beansprucht Hark den ersten Platz, „GPT 5.4 by 8 points“ und „Opus 4.8 by 2 points“ voraus, Gemini-3.5 Flash und Gemini-2.5 Pro mit deutlichem Abstand. Zur Herkunft der Zahlen heißt es: „All Online-Mind2Web numbers are taken from the official leaderboard, except those marked * and † which are self-reported by OpenAI and reported by Browserbase, respectively.“ Daneben stehen WebTailBench und interne Evaluationen, für die gilt: „Pass at 1 computed with our internal LLM judge.“ Ein OS-Benchmark – OSWorld oder OSWorld-Verified, die übliche Latte für Computer-Use im engeren Sinn – kommt in der Ankündigung nicht vor.
⚠️ Eine Zahlendivergenz führen wir offen, weil wir sie nicht auflösen können: eWeek nennt für Online-Mind2Web 97,7 für Handoff gegen 92,8 für GPT-5.4 und 84,1 für Opus 4.8. Diese Werte passen nicht zu Harks eigener Formulierung – aus ihnen ergäben sich 4,9 statt acht Punkte Vorsprung vor GPT-5.4 und 13,6 statt zwei vor Opus 4.8. Die Diagramme auf Harks Seite liegen als Bilder vor und waren für uns nicht auslesbar; das offizielle Online-Mind2Web-Leaderboard lädt seine Tabelle dynamisch nach und ließ sich von uns ebenfalls nicht abrufen. Wir führen deshalb weder die eine noch die andere Zahl als gesichert, sondern nur die Anbieter-Formulierung und den Widerspruch dazu.
Beim Preis ist die Lage ähnlich: Hark selbst spricht nur von „superior performance at an order of magnitude lower cost per token than competing frontier models“ und nennt in der Mitteilung „less than 1/10th the token price“; konkrete Beträge – 0,18 $ je Million Eingabe- und 2,37 $ je Million Ausgabe-Token – stehen bei eWeek, nicht in der Anbieter-Ankündigung. Dieselbe unabhängige Rezeption benennt auch die Einschränkungen in aller Kürze: getestet wurde gegen Modelle einer früheren Generation, die weiteren Ergebnisse stammen aus Harks eigenem Prüfaufbau, und eine unabhängige Reproduktion gibt es nicht. Zur Latenz macht Hark eine Angabe, die man mitlesen sollte: „Model latency per turn, measured with xhigh reasoning; browser latency adds roughly 10s.“
Aufmerksam geworden sind wir über den deutschen Kanal Everlast AI (Tier C), der die Ankündigung am 9. August genau an diesem Punkt angreift: Man rede „die ganze Zeit von Computer Use“, zeige aber ausschließlich Browser-Aufgaben, und der herangezogene Benchmark „unterliegt menschlicher Bewertung“, während OSWorld-Verified fehle. Der erste und der dritte Punkt lassen sich an der Primärquelle nachvollziehen; der zweite ist keine Schwäche, sondern die Eigenschaft dieses Leaderboards – menschliche Bewertung ist dort die Methode, nicht ein Mangel. Für uns bleibt der Befund: Ein Produkt, das den Anspruch „bester Web-Agent der Welt“ im Titel führt, wird erst dann zu einer Katalog-Zeile, wenn jemand außerhalb des Hauses nachgemessen hat.