Ausgabe vom 28. Mai 2026

Der US-Bundesstaat Illinois hat mit Senate Bill 315 das bislang schärfste KI-Sicherheitsgesetz der Vereinigten Staaten verabschiedet. Das Repräsentantenhaus stimmte am 27. Mai 2026 einstimmig mit 110 zu 0 zu, der Senat zuvor mit 52 zu 5. Gouverneur JB Pritzker kündigte an, das Gesetz unterzeichnen zu wollen. In Kraft treten würde es 2028.

Das Besondere: Erstmals in den USA müssen die Hersteller besonders leistungsfähiger KI-Modelle jährliche unabhängige Prüfungen durch externe Dritte (Third-Party Audits) über sich ergehen lassen, um die Einhaltung ihrer Sicherheitsstandards nachzuweisen. Geprüft wird, ob die Unternehmen ihre selbst veröffentlichten Sicherheits-Frameworks tatsächlich umsetzen — also etwa, wie sie die Fähigkeiten ihrer Modelle messen, Katastrophenrisiken bewerten und mit Sicherheitsvorfällen umgehen. Betroffen sind als „Frontier-Modelle" eingestufte Systeme von Firmen mit über 500 Millionen US-Dollar Umsatz und sehr hohem Rechenaufwand — in der Praxis OpenAI, Anthropic, Google, Meta und xAI. „Frontier-KI" bezeichnet die jeweils leistungsstärksten, mit enormem Rechenaufwand trainierten Modelle.

Durchgesetzt wird das Gesetz allein durch den Generalstaatsanwalt von Illinois, mit Zivilstrafen von bis zu 3 Millionen US-Dollar pro Verstoß; Privatpersonen können nicht klagen. Bemerkenswert ist die Industriereaktion: OpenAI und Anthropic unterstützen das Gesetz ausdrücklich, während ein Branchenverband anderer KI-Firmen dagegen opponierte. Google, xAI und Meta äußerten sich zunächst nicht.

Der Vorstoß fällt in ein regulatorisches Vakuum auf Bundesebene. Ein im Kongress diskutiertes zehnjähriges Moratorium, das Bundesstaaten KI-Gesetze faktisch verboten hätte, scheiterte im Sommer 2025. In die Lücke stoßen einzelne Bundesstaaten: Illinois ist nach Kalifornien (SB 53, seit 1. Januar 2026 in Kraft) und New York bereits der dritte. Während die kalifornische Regelung vor allem auf Transparenzberichte setzt, geht Illinois mit den verpflichtenden externen Audits einen Schritt weiter.

Was heißt das für Unternehmen? Auch wenn SB 315 nur eine Handvoll Modellhersteller direkt betrifft, entsteht in den USA ein zunehmend fragmentierter Flickenteppich aus Bundesstaaten-Regeln — ein Compliance-Aufwand, den Unternehmen aus Europa von der DSGVO kennen. Wer KI-Modelle dieser Anbieter einsetzt, profitiert mittelfristig von belastbareren, extern geprüften Sicherheitsaussagen, sollte aber damit rechnen, dass solche Anforderungen über Lieferketten und Vertragsklauseln weitergereicht werden. Für die strategische Planung gilt: KI-Regulierung verdichtet sich, und ein verlässliches Governance-Framework im eigenen Haus wird vom Nice-to-have zur Voraussetzung.

Der Datenplattform-Anbieter Snowflake hat sich verpflichtet, über die nächsten fünf Jahre 6 Milliarden US-Dollar bei Amazon Web Services (AWS) auszugeben — mit einem klaren Schwerpunkt auf Amazons hauseigenen Graviton-Prozessoren. Das entspricht rund 1,2 Milliarden US-Dollar pro Jahr und damit fast so viel, wie Snowflake seit seiner Gründung 2012 insgesamt über den AWS-Marketplace umgesetzt hat. Anleger reagierten euphorisch: Nach der Ankündigung am 27. Mai 2026 und einem starken Quartalsergebnis sprang die Snowflake-Aktie im nachbörslichen Handel um rund 37 Prozent.

Bemerkenswert ist, worum es geht: nicht primär um GPUs, sondern um CPUs. Graviton ist ein von AWS selbst entwickelter, ARM-basierter Prozessor (eine stromsparende Chiparchitektur, die auch in Smartphones steckt), der bei Cloud-Workloads ein besseres Preis-Leistungs-Verhältnis bieten soll als klassische x86-Chips. Die Arbeitsteilung in der KI sieht heute so aus: GPUs (Grafikprozessoren) übernehmen das rechenintensive Training und das „Reasoning" der Modelle, während CPUs (klassische Hauptprozessoren) den Großteil aller übrigen Aufgaben erledigen — Datenaufbereitung, Orchestrierung und vor allem die wachsende Last durch KI-Agenten, die Aufgaben selbstständig in vielen kleinen Schritten abarbeiten.

Genau hier liegt die strategische Pointe: Mit der Verlagerung von KI weg vom reinen Modelltraining hin zum täglichen Betrieb und zur Automatisierung steigt die CPU-Nachfrage stark an. Snowflake verarbeitet riesige Datenmengen und betreibt zunehmend KI-Agenten auf diesen Daten — ein idealer Anwendungsfall für günstige, effiziente CPUs statt teurer GPU-Zeit. Für Snowflake bedeutet der Deal niedrigere Infrastrukturkosten, für AWS einen milliardenschweren Langfrist-Kunden für seine Eigenchips.

Für Nvidia ist der Deal ein Warnsignal. Während der GPU-Marktführer das Training dominiert, machen die Cloud-Giganten mit Custom Silicon (selbst entworfenen Chips) zunehmend bei den übrigen Workloads Druck: Amazon mit Graviton (CPU) und Trainium (KI-Training), Google mit seinen langjährigen TPUs, Microsoft mit dem im Januar gestarteten Maia. Nvidia-Chef Jensen Huang kontert, allein sein neuer Vera-Chip adressiere einen 200-Milliarden-Dollar-Markt — zeigt damit aber selbst, dass der Wettbewerb auch jenseits klassischer GPUs härter wird. Wie tief diese Verschiebung reicht, beleuchtet unsere Reportage in dieser Ausgabe.

Was heißt das für Unternehmen? Die KI-Kostenrechnung verschiebt sich. Wer KI nicht nur trainiert, sondern produktiv betreibt — Agenten, Datenpipelines, Inferenz im Alltag — kann einen erheblichen Teil der Last auf günstigere CPUs verlagern, statt knappe und teure GPU-Kapazität zu buchen. Für IT- und Finanzentscheider lohnt sich daher der Blick auf die Chiparchitektur hinter den Cloud-Diensten: ARM-basierte CPUs wie Graviton können bei den richtigen Workloads die Cloud-Rechnung spürbar senken. Zugleich erinnert der Deal daran, dass Eigenchips der Hyperscaler den Markt diversifizieren — mehr Auswahl, potenziell bessere Preise, aber auch wachsende Bindung an die jeweilige Cloud-Plattform.

Künstliche Intelligenz soll künftig nicht nur Code schreiben, sondern ganze IT-Abteilungen entlasten — vom Aufspüren von Störungen bis zum Beheben von Ausfällen. Wie weit die Realität noch von diesem Versprechen entfernt ist, zeigt ein neuer Benchmark, den das Analysehaus Artificial Analysis gemeinsam mit dem IBM Software Innovation Lab am 27. Mai vorgestellt hat: ITBench-AA. Es ist der erste Test, der KI-Modelle gezielt bei agentischen Enterprise-IT-Aufgaben misst — also bei mehrstufigen Aufgaben, die ein KI-System eigenständig und über viele Arbeitsschritte hinweg löst, statt nur eine einzelne Frage zu beantworten.

Der erste Testbereich konzentriert sich auf Site Reliability Engineering (SRE) — jene Disziplin, die für die Stabilität großer Software-Systeme zuständig ist. Konkret geht es um Incident Response in Kubernetes, der heute verbreiteten Plattform zum Betrieb verteilter Anwendungen. Über 59 Aufgaben hinweg müssen die Agenten in eine laufende, gestörte Infrastruktur eintauchen, Protokolle (Logs) auswerten, Abhängigkeiten zwischen Diensten nachverfolgen und am Ende die exakten Komponenten benennen, die den Ausfall verursacht haben — etwa eine erschöpfte Ressourcenquote oder eine fehlgeschlagene Aktualisierung.

Das Ergebnis ist ernüchternd: Kein einziges Spitzenmodell erreicht die 50-Prozent-Marke. Am besten schneidet Claude Opus 4.7 mit 47 Prozent ab, gefolgt von GPT-5.5 mit 46 und Qwen3.7 Max mit 42 Prozent. Googles Gemini 3.1 Pro Preview landet mit nur 30 Prozent abgeschlagen am Ende — und das, obwohl es im Schnitt 83 Arbeitsschritte pro Aufgabe verbraucht. Genau hierin liegt eine Erkenntnis: Das Bewertungsschema bestraft „Über-Diagnose". Wer zwar die echte Ursache findet, aber zusätzlich falsche Verdächtige nennt, sackt im Score ab. Mehr Rechenaufwand führt also nicht automatisch zu besseren Diagnosen — manchmal sogar zum Gegenteil.

Bemerkenswert ist auch die Kostenseite: Eine einzige Aufgabe kostet bei Claude Opus 4.7 rund 5,38 US-Dollar an Modell-Gebühren, während das offene Modell Gemma 4 31B für nur 0,14 Dollar pro Aufgabe immerhin 37 Prozent erreicht. Für Unternehmen, die Tausende solcher Vorgänge automatisieren wollen, summiert sich das schnell. Die Macher bezeichnen ITBench-AA als „einen der am wenigsten gesättigten" KI-Benchmarks überhaupt — Branchenjargon dafür, dass hier noch viel Luft nach oben ist, während Modelle viele andere Tests längst nahezu perfekt bestehen. Geplant sind als Nächstes Testfelder für FinOps (Kostensteuerung in der Cloud) und für Sicherheitsaufgaben.

Was heißt das für Unternehmen? Wer KI-Agenten in den IT-Betrieb holen will, sollte die Marketing-Versprechen mit Vorsicht genießen. Bei der anspruchsvollen Disziplin der Fehlerdiagnose in komplexen Systemen liefern selbst die teuersten Modelle aktuell höchstens jede zweite Antwort korrekt — zu wenig für unbeaufsichtigten Einsatz im Produktivbetrieb. Realistisch sind heute Assistenz-Szenarien, in denen ein menschlicher SRE die Vorschläge prüft, nicht die Vollautomatisierung. Gleichzeitig zeigt der Benchmark, dass günstige offene Modelle erstaunlich nah an die Premium-Modelle heranreichen — ein Argument, bei Pilotprojekten auch kostengünstigere Optionen zu testen, statt reflexhaft zum teuersten Modell zu greifen.

YouTube verschärft den Umgang mit künstlich erzeugten Videos: Künftig kennzeichnet die Plattform KI-Inhalte automatisch — auch dann, wenn der Urheber es selbst verschweigt. Erkennen die internen Systeme von Google einen „signifikanten photorealistischen KI-Anteil", versieht YouTube das Video von sich aus mit einem Hinweis. Bislang verließ sich die Plattform allein auf die Selbstauskunft der Creator, die in der Praxis oft ausblieb. Die manuelle Offenlegungspflicht bleibt zusätzlich bestehen — neu ist die maschinelle Kontrolle darüber.

Wie die Erkennung technisch funktioniert, lässt Google bewusst offen und spricht nur von „internen Signalen". Klar ist: Trägt eine Datei sogenannte C2PA-Metadaten — ein Industriestandard, der die Herkunft eines Inhalts fälschungssicher in die Datei schreibt („Content Credentials") — wird das Label dauerhaft angehängt. Ob auch Googles eigenes Wasserzeichen-Verfahren SynthID zum Einsatz kommt, geht aus den Ankündigungen nicht eindeutig hervor. Gleichzeitig rückt YouTube die Hinweise prominenter ins Bild: Bei längeren Videos erscheinen sie nun direkt unter dem Player über der Beschreibung, bei Shorts als Einblendung — statt wie bisher in der ausklappbaren Beschreibung zu verschwinden.

Parallel öffnet YouTube ein zweites Werkzeug für alle volljährigen Creator: die Ähnlichkeitserkennung (Likeness Detection). Sie durchsucht die Plattform nach Videos, die das eigene Gesicht synthetisch verändern oder nachbilden — ein direkter Vorstoß gegen Deepfakes, also täuschend echte, KI-manipulierte Abbilder realer Personen. Zuvor war die Funktion nur für Prominente und Politiker getestet worden. Mit Material aus YouTubes eigenen KI-Tools Veo und Dream Screen erstellte Videos tragen das Label übrigens zwingend; bei Fehlern können Creator Einspruch einlegen.

Der Schritt fällt in eine intensive regulatorische Debatte. In der EU greift ab dem 2. August 2026 Artikel 50 des AI Act, der Anbieter und Nutzer verpflichtet, KI-generierte oder -manipulierte Inhalte — insbesondere Deepfakes — als solche kenntlich zu machen. Ein begleitender „Code of Practice on Transparency", dessen zweiter Entwurf im März 2026 vorlag, soll die technische Umsetzung konkretisieren. YouTubes Vorstoß lässt sich somit auch als Vorbereitung auf eine Pflicht lesen, die in wenigen Wochen rechtlich bindend wird.

Was heißt das für Unternehmen? Wer KI-generierte Videos für Marketing, Schulung oder Social Media produziert, muss damit rechnen, dass Plattformen die Kennzeichnung künftig selbst übernehmen — sichtbar und ohne Rückfrage. Marken sollten ihre Produktionsprozesse jetzt darauf ausrichten: C2PA-fähige Werkzeuge nutzen, KI-Anteile intern dokumentieren und die EU-Transparenzpflichten ab August 2026 einplanen. Für Firmen, deren Führungskräfte öffentlich auftreten, ist zudem die Ähnlichkeitserkennung relevant — sie bietet erstmals ein praktikables Mittel, betrügerische Deepfake-Werbung mit dem eigenen Gesicht aufzuspüren.

Nur einen Tag nach unserer Reportage über humanoide Roboter liefert Boston Dynamics den passenden Beleg für deren Marschrichtung: Der elektrische Atlas kann jetzt körperlich schwere Arbeit übernehmen. In neuen Aufnahmen hebt und trägt der Roboter sperrige Haushaltsgeräte. Möglich wird das durch Ganzkörperkoordination (Whole-Body Control): Statt nur mit den Armen zu greifen, setzt Atlas seinen gesamten Körper ein — Beine, Hüfte, Rumpf — um das Gewicht auszubalancieren, ganz wie ein Mensch beim Tragen einer Last.

Die Zahlen untermauern den Anspruch auf den Fabrikeinsatz: Atlas hebt nach Angaben des Herstellers bis zu 50 Kilogramm bei einer Reichhöhe von 2,30 Metern; in Tests bewältigte er einen beladenen Kühlschrank von über 45 Kilogramm. Der Roboter verfügt über 56 Freiheitsgrade und vollständig rotierende Gelenke — eine Beweglichkeit, die menschliche Anatomie in manchen Achsen übertrifft. Entscheidend ist, wie diese Fähigkeiten entstanden: Atlas trainierte das Heben in Simulation über Millionen Stunden, parallel auf vielen Grafikprozessoren, ergänzt durch teleoperierte Demonstrationen — also vom Menschen ferngesteuerte Beispielbewegungen. Diese Technik heißt Reinforcement Learning: Das System lernt durch Versuch und Belohnung, bis robuste Bewegungsmuster entstehen.

Ein wichtiger Punkt für die Einordnung: Atlas arbeitet wahlweise vollautonom, per Teleoperator oder über ein Tablet-Interface. Erste autonome Materialhandhabung lief bereits in Hyundais Metaplant America in den USA. Die jüngste Demonstration ist damit kein reiner Marketing-Clip, sondern Teil eines konkreten Industrialisierungsplans. Der rein elektrische Atlas — 2024 von der alten Hydraulik-Variante abgelöst — wurde auf der CES im Januar 2026 als Serienprodukt vorgestellt. Alle Auslieferungen für 2026 sind bereits vergeben, unter anderem an Hyundai und an Google DeepMind; eine Fabrik für 30.000 Einheiten pro Jahr ist für 2028 geplant.

Damit verschärft sich der Wettlauf der Humanoiden-Hersteller. Boston Dynamics konkurriert direkt mit dem kalifornischen Start-up Figure und mit Teslas Optimus — beide ebenfalls auf Lager- und Fabrikarbeit ausgerichtet. Der Vorteil von Boston Dynamics liegt in jahrzehntelanger Erfahrung mit Balance und Bewegung; der Nachteil bleibt die offene Frage, ob die Roboter zuverlässig und kostengünstig genug für den Dauerbetrieb sind. Die Verschiebung weg von spektakulären Salto-Videos hin zum profanen Kühlschrank-Tragen ist dabei kein Rückschritt, sondern das eigentliche Signal: Es geht jetzt um Nützlichkeit, nicht um Show.

Was heißt das für Unternehmen? Für Betriebe mit Lager-, Logistik- oder Fertigungsprozessen rücken humanoide Roboter aus der Zukunftsvision in greifbare Planungsnähe. Wer körperlich belastende, repetitive Hebevorgänge automatisieren will, sollte die Pilotprojekte bei Hyundai genau beobachten — sie liefern die ersten belastbaren Daten zu Zuverlässigkeit und Wirtschaftlichkeit. Kurzfristig bleibt jedoch Skepsis angebracht: Die Auslieferungen 2026 gehen an wenige Großpartner, der Massenmarkt beginnt frühestens 2028.

Eine Zahl macht gerade die Runde: 99 Prozent der Geschäftsführer wollen Mitarbeiter durch KI ersetzen. Die Schlagzeile stammt aus dem Report „Global Talent Trends 2026" der Unternehmensberatung Mercer, die zum Marsh-McLennan-Konzern gehört. Genauer formuliert: 99 Prozent der befragten CEOs erwarten, in den nächsten zwei Jahren Personal abzubauen, weil künstliche Intelligenz deren Tätigkeiten übernehmen kann. Die Erhebung umfasst rund 12.000 Teilnehmer — Vorstände, Personalverantwortliche, Investoren und Beschäftigte — über 16 Länder und 16 Branchen hinweg, befragt im Herbst 2025.

Hinter der dramatischen Spitzenzahl verbergen sich differenziertere Werte. Zwei Drittel der CEOs (67 Prozent) rechnen mit einem Abbau von lediglich 1 bis 10 Prozent der Belegschaft, ein knappes Drittel (32 Prozent) mit 11 bis 20 Prozent. Gleichzeitig planen 98 Prozent organisatorische Umbauten, und 65 Prozent erwarten, dass 11 bis 30 Prozent ihrer Mitarbeiter umgeschult oder auf neue Aufgaben umgesetzt werden. Bemerkenswert ist ein Widerspruch: Nur 32 Prozent der Führungskräfte glauben, dass ihr Unternehmen Mensch und KI tatsächlich wirksam kombinieren kann — die Ambition läuft der eigenen Umsetzungsfähigkeit also weit voraus.

Die „99 Prozent" sollte man mit Vorsicht lesen. Ein derart einhelliges Ergebnis ist statistisch ungewöhnlich und deutet darauf hin, dass die Frage sehr breit gestellt war — sie erfasst eine vage Erwartung („KI wird sich auf meine Belegschaft auswirken"), nicht einen konkreten Stellenabbauplan. Die genaue Fragestellung wurde nicht zur unabhängigen Prüfung veröffentlicht. Offen bleibt auch, ob der Abbau über natürliche Fluktuation, Einstellungsstopps oder aktive Kündigungen erfolgen soll. Manche Quellen nennen zudem rund 825 befragte C-Level-Manager statt der von t3n genannten „nahezu 1.000 CEOs" — die exakte Stichprobengröße ist also nicht eindeutig.

Die Mitarbeiterseite des Reports zeichnet ein düsteres Stimmungsbild. Die Angst vor Jobverlust durch KI ist von 28 Prozent (2024) auf 40 Prozent (2026) gestiegen. Der Anteil der Beschäftigten, die Mercer als „aufblühend" einstuft, fiel von 66 auf 44 Prozent — ein niedrigerer Wert als während der Corona-Pandemie. Diese Zahlen wirken belastbarer als der CEO-Spitzenwert, weil sie eine messbare Stimmungsverschlechterung über die Zeit abbilden. Reale Massenentlassungen, die sich ausschließlich auf KI zurückführen lassen, sind in der Praxis bislang die Ausnahme — vieles läuft unter dem Label „KI", was tatsächlich konjunkturell oder strukturell bedingt ist.

Was heißt das für Unternehmen? Die Zahl taugt nicht als Beleg für eine unmittelbare Entlassungswelle, wohl aber als Indikator für eine klare Richtung im Management-Denken: KI wird als Hebel zur Personalkostensenkung gesehen. Für Führungskräfte ist die eigentliche Lehre der Widerspruch zwischen Ambition (99 Prozent erwarten Einsparungen) und Fähigkeit (nur 32 Prozent trauen sich die Umsetzung zu). Wer hier vorschnell Personal abbaut, ohne die KI-Integration zu beherrschen, riskiert Produktivitätsverluste und Vertrauensverlust in der Belegschaft — der einbrechende „Thriving"-Wert ist ein Warnsignal. Sinnvoller ist, zuerst in Kompetenzaufbau und Umschulung zu investieren und Stellenentscheidungen an nachgewiesenen KI-Produktivitätsgewinnen festzumachen, nicht an Schlagzeilen.