Ausgabe vom 18. Juni 2026

Während ein US-Spitzenmodell wegen einer Exportkontrolle vom Markt genommen ist, stellt ein chinesisches Labor sein bestes Modell frei, weltweit und ohne Regionsbeschränkung zur Verfügung. Am 17. Juni veröffentlichte Zhipu AI — international unter der Marke Z.ai auftretend — GLM-5.2 unter einer uneingeschränkten MIT-Lizenz auf Hugging Face und ModelScope. Auf dem Artificial Analysis Intelligence Index erreicht es 51 Punkte und ist damit das führende Open-Weights-Modell, elf Punkte über dem Vorgänger GLM-5.1 und klar vor den nächsten offenen Konkurrenten MiniMax-M3, DeepSeek V4 Pro und Kimi K2.6 (jeweils 43 bis 44 Punkte).

Architektonisch handelt es sich um ein Mixture-of-Experts-Modell — eine Bauweise, bei der pro Anfrage nur ein Bruchteil der Parameter aktiv wird, was Rechenkosten spart. Konkret sind es rund 750 Milliarden Parameter insgesamt, von denen etwa 40 Milliarden je Token aktiv sind. Der eigentliche Fortschritt steckt im Namenszusatz „Built for Long-Horizon Tasks": GLM-5.2 ist auf langlaufende, autonome Aufgaben ausgelegt — also agentisches Coding und Engineering, das sich laut Z.ai „über Stunden und Tausende von Einzelschritten" erstreckt. Zwei technische Hebel ermöglichen das: Das Kontextfenster wuchs von 200.000 auf eine Million Token, und eine Sparse-Attention-Innovation namens IndexShare senkt die Rechenlast bei Maximalkontext um das 2,9-Fache.

Bei den Benchmarks wird es für die etablierten Anbieter unangenehm. Auf GDPval-AA, der Top-Metrik von Artificial Analysis für reale Agenten-Aufgaben, liegt GLM-5.2 mit 1524 Punkten praktisch gleichauf mit GPT-5.5. Bei Coding-Benchmarks schlägt es OpenAIs Modell teils direkt: SWE-bench Pro 62,1 gegen 58,4, Terminal-Bench 2.1 sogar 81,0 gegen 63,5. Auf FrontierSWE folgt es mit 74,4 Prozent knapp hinter Claude Opus 4.8 (rund 75 Prozent). VentureBeat rechnet vor, dass GLM-5.2 GPT-5.5 auf mehreren Long-Horizon-Coding-Benchmarks zu etwa einem Sechstel der Kosten überflügelt; die Z.ai-API verlangt 1,40 Dollar pro Million Input- und 4,40 Dollar pro Million Output-Token. Eine echte Lücke bleibt bei den allerschwersten Marathon-Aufgaben: Auf SWE-Marathon kommt GLM-5.2 auf 13,0 Punkte, Opus 4.8 auf 26,0.

Die geopolitische Pointe schreibt sich von selbst. Anthropic musste seine Frontier-Modelle auf eine US-Exportkontrolle hin abschalten (siehe Artikel 1) — fünf Tage später übernimmt ein chinesisches Labor mit einem frei herunterladbaren Modell die Open-Weights-Führung. Kommentatoren rahmen GLM-5.2 explizit als „Zhipus Antwort auf den US-AI-Block". Für Unternehmen heißt das praktisch: Wer ein leistungsstarkes Modell ohne Vendor-Lock-in und ohne Exportrisiko sucht, hat mit GLM-5.2 erstmals eine offene Option, die bei agentischem Coding nahe an der geschlossenen Spitze liegt. Wer hingegen die in China gehostete API nutzt, sollte die damit verbundenen Datenschutzrisiken bedenken — das lokale Betreiben der offenen Gewichte ist davon nicht betroffen. Hinweis: Die genaue Parameterzahl wird uneinheitlich angegeben (753 Mrd. laut Modellkarte, 744 Mrd. laut Artificial Analysis); ein direkter Vergleich mit Gemini 3.5 lag nicht vor.

Estland will als erstes Land der Welt KI-Agenten eigene digitale Identitäten zuweisen — sogenannte „AI ID codes". Premierminister Kristen Michal verkündete den Beschluss am 17. Juni im Stenbock-Haus in Tallinn, beim zweiten Treffen des nationalen KI-Beirats Eesti.ai. Die Grundidee: Ein autonom handelnder Agent soll eine eigene, behördlich anerkannte Identität bekommen, statt mit der vollen digitalen Identität seines Nutzers aufzutreten. Über den ID-Code lässt sich dann granular festlegen, was der Agent darf — nur Daten einsehen, ein Dokument vorbereiten oder auch Zahlungen ausführen, und falls ja, bis zu welchem Betragslimit.

Kein Land ist dafür besser aufgestellt. Estland betreibt seit Jahren die Infrastruktur dafür: die Datenaustausch-Schicht X-Road, digitale Signaturen, die e-ID und das e-Residency-Programm. Mit „Bürokratt" läuft bereits ein wachsendes Netz staatlicher KI-Assistenten für Behördendienste. Michals Kernargument zielt auf Nachvollziehbarkeit und Haftung: „In Zukunft wird KI zunehmend digitale Aufgaben in unserem Namen ausführen. Dabei muss klar sein, wer mit welchen Rechten in wessen Namen handelt und wer letztlich verantwortlich ist." Ein offizielles Regierungsstatement liegt vor — ein konkreter Gesetzentwurf und ein Starttermin allerdings noch nicht.

Und genau hier liegt die offene Flanke, auf die mehrere Beobachter — von The Register bis Computerworld — hinweisen: die Haftungsfrage. Wer haftet, wenn ein Agent mit eigener ID einen teuren Fehler macht? Ein belastbares Rahmenwerk dafür gibt es bislang nicht. Der Ausweis schafft Zuordenbarkeit, aber er beantwortet noch nicht, ob im Schadensfall der Betreiber, der Hersteller des Agenten oder der Nutzer einsteht. Estland löst damit das technische Identitätsproblem, bevor das rechtliche Verantwortungsproblem gelöst ist.

Der Vorstoß ist die erste staatliche Umsetzung eines Trends, der die Branche 2026 umtreibt. Parallel arbeiten Industrie und Standardisierer an einer ganzen Architektur für Agenten-Identität: an „Know Your Agent"-Verfahren analog zur Kundenidentifizierung im Banking, an digitalen „Agent-Passports" (etwa von Trulioo und Worldpay), an Zahlungsprotokollen wie Googles Agent Payments Protocol und Visas Trusted Agent Protocol sowie an der Anpassung etablierter Standards wie OAuth und SPIFFE auf Agenten. Das US-Institut NIST startete im Februar 2026 eine eigene „AI Agent Standards Initiative". Staatliche Parallelen gibt es in der Ukraine (Diia.AI) und in Singapur. Estland ist also nicht allein mit der Idee — aber am weitesten beim Anspruch, KI-Agenten eine behördlich ausgestellte Identität zu geben. Warum das weit über Estland hinaus jedes Unternehmen betrifft, das Agenten einsetzt, lesen Sie in unserer Reportage.

Unter der Überschrift „A near-autonomous AI chemist" beschrieb OpenAI am 17. Juni ein Experiment, das gemeinsam mit dem polnischen Startup Molecule.one durchgeführt wurde. Als „Chemiker" agierte dabei kein neues Spezialmodell, sondern OpenAIs Allzweck-Frontiermodell GPT-5.4 in einem Agenten-Framework — gekoppelt an Molecule.ones Chemie-System „Maria AI" und dessen automatisiertes Mikroliter-Labor. Das Modell wählte das Forschungsgebiet, sichtete die Literatur, generierte und bewertete Vorschläge, half beim Experimentdesign, analysierte Ergebnisse und schlug Folgestudien vor.

Konkret ging es um die Chan-Lam-Kupplung mit primären Sulfonamiden — eine in der Wirkstoffforschung nützliche, aber notorisch ausbeuteschwache Reaktion. Vereinfacht gesagt: eine chemische Verknüpfung, die zwar oft gebraucht wird, aber häufig kaum etwas vom gewünschten Produkt liefert. Das System schlug das Additiv TEMPO (plus ein günstigeres Analogon) vor, das eine unerwünschte Nebenreaktion unterdrückt und die Kupplung breiter anwendbar macht. Das Roboterlabor führte über zwei Zyklen rund 10.080 Reaktionen im Mikromaßstab aus; unter den optimierten Bedingungen stiegen die Ausbeuten bei 88 Prozent der getesteten Boronsäuren und 83 Prozent der Sulfonamide. Zur Absicherung führten menschliche Chemiker 14 repräsentative Reaktionen von Hand nach — bei 11 stieg die Ausbeute, bei 8 verdoppelte sie sich mehr als. Der gesamte Prozess dauerte rund zweieinhalb Monate.

Beim Wort „autonom" lohnt Genauigkeit. Die KI deckte zwar die gesamte Kette von der Literatur bis zum physischen Experiment ab — der Mensch blieb aber an mehreren Stellen im Spiel: Chemiker steuerten die Vorschläge, wählten aus, welche getestet wurden, und validierten das Endergebnis manuell. Es ist also kuratierte, assistierte Autonomie, kein „Knopfdruck-Wissenschaftler". In der Fachdiskussion auf Hacker News ordneten Experten den Kern denn auch als High-Throughput-Experimentation plus maschinelles Lernen ein — ein seit den 1990er-Jahren etabliertes Vorgehen. Neu ist weniger die Methode als die End-to-End-Geschlossenheit: ein Allzweck-Sprachmodell, das eigenständig Hypothesen in einem realen, automatisierten Nasslabor durchtreibt und ein nicht offensichtliches Additiv findet.

Für die Einordnung hilft der Vergleich. Google DeepMinds „AI co-scientist" und Sakanas „AI Scientist" sind reine Vorschlags- bzw. Text-Systeme ohne eigenes Labor — letzteres kämpft laut unabhängigen Evaluierungen mit halluzinierten Zitaten und hohen Fehlerquoten. OpenAIs Beitrag verbindet erstmals ein LLM mit echten, physischen Experimenten und liefert ein manuell verifiziertes Ergebnis. Mahnend im Hintergrund steht das Berkeley-„A-Lab"-Debakel von 2023, dessen vermeintliche Materialentdeckungen Fachleute später als systematische Fehler zerlegten — Grund genug, Selbstreport-Zahlen vorsichtig zu lesen. Für Pharma- und Chemieunternehmen lautet die nüchterne Botschaft: KI-gesteuerte Labore können Reaktionsoptimierung beschleunigen und Bedingungen finden, die Menschen übersehen — aber die Limitierungen (eine einzelne Reaktionsklasse, Spezial-Infrastruktur, zwingende menschliche Validierung, keine gezeigte Generalisierung) sind real und werden von OpenAI und Molecule.one selbst eingeräumt.

Die heise-Meldung „Umsatz wächst stark, Verluste steigen noch schneller" stützt sich auf geleakte interne Finanzdokumente, die zuerst über The Information und die Financial Times bekannt wurden. Die Kernzahl: OpenAI setzt inzwischen rund zwei Milliarden Dollar pro Monat um — eine annualisierte Run-Rate von etwa 24 bis 25 Milliarden Dollar. Im ersten Quartal 2026 lag der Umsatz bei 5,7 Milliarden Dollar, eine Verdreifachung gegenüber dem Vorjahresquartal. Das Geschäftsjahr 2025 schloss mit rund 13 Milliarden Dollar ab.

Das Problem steht direkt daneben: Der Cash-Burn im ersten Quartal betrug 3,7 Milliarden Dollar — rund 65 Prozent des Quartalsumsatzes — und hat sich, ebenso wie der Umsatz, gegenüber dem Vorjahr verdreifacht. Der operative Verlust lag bei 9,3 Milliarden Dollar. Treiber sind fast ausschließlich die Rechenkosten: Sie lagen 2025 bei 8,4 Milliarden Dollar und sollen 2026 auf gut 14 Milliarden steigen. Die Bruttomarge von rund 33 Prozent ist für ein Software-Unternehmen ungewöhnlich niedrig — ein direkter Effekt der Inferenzkosten. Entscheidend für die Einordnung: Die Verluste steigen schneller vor allem wegen vorgezogener Infrastruktur-Investitionen, nicht wegen einer kippenden Stückökonomie. Mit rund 73 Milliarden Dollar Reserven ist die Liquidität vorerst gesichert.

Der Zeitpunkt ist kein Zufall. Am 8. Juni reichte OpenAI vertraulich einen IPO-Entwurf bei der Börsenaufsicht SEC ein (wir berichteten am 9. Juni); die letzte Privatrunde bewertete das Unternehmen mit 852 Milliarden Dollar, beim Börsengang werden bis zu einer Billion Dollar angepeilt. Die geleakten Zahlen sind genau jene Kennzahlen, die ein Prospekt offenlegen müsste — und sie zeigen Investoren das Spannungsfeld in Reinform: massive Skalierung gegen tiefrote Zahlen. Dem stehen Infrastruktur-Verpflichtungen in gigantischer Höhe gegenüber, zeitweise kommuniziert als 1,4 Billionen Dollar über acht Jahre (Stargate, Azure, Broadcom-Chips). Den positiven freien Cashflow erwartet OpenAI selbst erst für 2030.

Pikant ist der Vergleich mit dem Rivalen: Anthropic hat OpenAI bei der annualisierten Run-Rate überholt — von 9 Milliarden Ende 2025 auf rund 30 Milliarden im April 2026 — und gilt als kapitaleffizienter, weil stärker auf margenträchtiges Enterprise-Geschäft ausgerichtet. Der Kontrast aus verdreifachtem Umsatz und gleichzeitig verdreifachtem Cash-Burn befeuert die Debatte über die Ökonomie einer möglichen KI-Blase, deren Refinanzierung eine weiterhin exponentielle Adoptionskurve voraussetzt. Wichtiger Vorbehalt: Sämtliche Zahlen stammen aus geleakten, nicht testierten Dokumenten; der zusätzlich kursierende Q1-Nettoverlust von 21,3 Milliarden Dollar ist durch Bewertungseffekte stark verzerrt — aussagekräftiger sind operativer Verlust und Cash-Burn.

Eine repräsentative Erhebung des Pew Research Center unter 5.119 US-Erwachsenen zeichnet ein deutlich skeptisches Bild: 63 Prozent der Amerikaner finden, dass sich KI zu schnell entwickle, nur 19 Prozent halten das Tempo für angemessen. Noch ernüchternder die Erwartung an die nächsten 20 Jahre — lediglich 16 Prozent rechnen mit einem positiven gesellschaftlichen Effekt, 40 Prozent mit einem negativen. 71 Prozent glauben, dass mehr KI ihre persönlichen Daten unsicherer macht; 67 Prozent haben wenig bis kein Vertrauen in eine staatliche KI-Regulierung, 59 Prozent misstrauen den US-Unternehmen, KI verantwortungsvoll zu entwickeln. Die Skepsis zieht sich durch alle Altersgruppen.

Parallel zeigt eine Umfrage von WordPress VIP (Automattic) unter 2.000 Befragten, dass das Label selbst zum Problem wird: 60 Prozent der US-Konsumenten empfinden das Wort „KI" in der Markenkommunikation als Abturner. 86 Prozent vertrauen KI-generierten Antworten nicht voll und wollen weiter auf Originalquellen zugreifen; 73 Prozent finden, das Internet fühle sich „weniger menschlich" an als vor zehn Jahren. Das ist der Kern des „AI-Washing"-Problems: Während Unternehmen KI als Verkaufsargument plakatieren, wirkt genau diese Etikettierung auf einen wachsenden Teil der Kundschaft kontraproduktiv.

Den abstrakten Befund macht der dritte Strang sinnlich erfahrbar. Der „TikTok AI Slop Report" des Tools Kapwing — 10.742 manuell geprüfte Videos — ergab, dass 59 Prozent der ersten 500 Videos, die ein frisch angelegtes TikTok-Konto ausgespielt bekommt, KI-generierter „Slop" sind: achtlos und massenhaft produzierte Billiginhalte zur Reichweiten-Farm. Das ist rund dreimal so viel wie bei YouTube Shorts (21 Prozent). Besonders brisant: Im Kategorie-Ranking führt Kinder-Content mit 57,4 Prozent KI-Anteil, einzelne Hashtags wie #CartoonKids erreichen bis zu 97 Prozent. Trotz neuer Tools zum Ausblenden von KI-Inhalten dominiert der Slop die Standard-Erfahrung.

Zusammengenommen verschiebt sich die öffentliche Wahrnehmung von KI 2026 messbar von Faszination zu Skepsis und Ermüdung — auf der Einstellungsebene (Pew), der Konsumebene (WordPress VIP) und der täglichen Erfahrungsebene (TikTok). Für Unternehmen, die KI-Features vermarkten, ist die Lehre unbequem, aber klar: Mit „KI" zu werben kann den gegenteiligen Effekt haben. An Wert gewinnen stattdessen Transparenz, Quellenangaben, menschliche Kuratierung und nachweisbarer Nutzen — „AI-Washing" wird zum Vertrauens- und Markenrisiko. Hinweis: Die deutsche Aufrundung „zwei Drittel" bezieht sich auf den belegten Kapwing-Wert von 59 Prozent.