Ausgabe vom 27. Juli 2026

Die Financial Times berichtete am 24. Juli 2026 unter Berufung auf mit der Sache vertraute Personen, Waymo prüfe einen Ausstieg aus der Robotaxi-Partnerschaft mit Uber. Bloomberg, TechCrunch und CNBC griffen die Meldung noch am selben Tag auf, t3n berichtete am 26. Juli auf Deutsch. Zwei Ebenen sind zu unterscheiden: Bestätigt ist, dass Waymo und Uber ihre Zusammenarbeit in Phoenix Ende Juni 2026 beendet haben — beide Unternehmen äußerten sich dazu offiziell, Uber sprach von einem bewusst begrenzten Einsatz mit gut einem Dutzend Fahrzeugen. Berichtet, aber nicht offiziell bestätigt ist dagegen der mögliche Ausstieg aus Austin und Atlanta: Der laufende Vertrag reicht dort bis Mai 2028, doch Waymo hat Uber nach TechCrunch-Recherchen bereits notifiziert, ab Januar 2028 eine eigene Buchungs-App parallel zum bestehenden Uber-Angebot zu starten. Waymo wollte den FT-Bericht nicht kommentieren.

Waymo und Uber kooperieren seit 2023, beginnend in Phoenix, später ausgeweitet auf Austin und Atlanta, wo Waymo-Fahrzeuge bislang exklusiv über die Uber-App buchbar sind. Die Beziehung war historisch schon einmal zerrüttet: 2017 verklagte Waymo Uber und dessen damalige Tochter Otto wegen Geschäftsgeheimnisverrats — der frühere Google-Ingenieur Anthony Levandowski soll beim Wechsel zu Otto rund 14.000 Dateien mitgenommen haben. Der Fall endete im Februar 2018 nach nur fünf Verhandlungstagen mit einem Vergleich: Uber trat Waymo 0,34 Prozent seiner Anteile ab, damals mit rund 244 bis 245 Millionen US-Dollar bewertet. Die aktuellen Spannungen sind anders gelagert: Waymo bemängelt laut FT Sauberkeit und Routenführung der Fahrzeuge im Uber-Betrieb, etwa als mehrere Wagen im Mai 2026 in Atlanta in einer Sackgasse hängenblieben. Uber wiederum kritisiert nach eigenen Angaben wirtschaftlich untragbare Konditionen, die Nichtverfügbarkeit der Robotaxis bei schlechtem Wetter sowie Sicherheitsvorfälle — darunter mehrfaches Vorbeifahren an haltenden Schulbussen in Austin im Dezember 2025.

Waymo ist nach eigenen Angaben der derzeit größte Robotaxi-Betreiber der USA: rund 500.000 bezahlte Fahrten pro Woche im Jahr 2026, ein Anstieg gegenüber etwa 250.000 im Vorjahr, bei einer Flotte, die je nach Quelle mit rund 3.700 bis 3.800 Fahrzeugen beziffert wird. Das Unternehmen ist in zehn oder mehr US-Städten aktiv, von Phoenix, San Francisco und Los Angeles bis Austin, Atlanta, Miami, Dallas, Houston und Orlando. Seit Januar 2026 testet Waymo mit rund 100 Fahrzeugen erstmals außerhalb der USA in London. Im Februar 2026 sammelte das Unternehmen 16 Milliarden US-Dollar bei einer Bewertung von 126 Milliarden US-Dollar ein; Co-CEO Tekedra Mawakana nannte eine Million Fahrten pro Woche bis Jahresende als Ziel. Parallel betreibt Waymo seit April 2026 eine Kooperation mit Uber-Konkurrent Lyft in Nashville, bei der Lyft-Tochter Flexdrive die Flotte managt, während Buchungen primär über die eigene Waymo-App laufen — ein Hinweis darauf, dass Waymo generell auf mehr Kontrolle über den Vertriebskanal setzt, nicht nur gegenüber Uber.

Für Uber steht mehr auf dem Spiel als eine einzelne Partnerschaft: Der Konzern positioniert sich als plattformübergreifende Buchungsschicht für autonome Fahrzeuge verschiedenster Hersteller, während Waymo will, dass Fahrgäste wissen, dass sie mit Waymo fahren. Uber hat deshalb parallel rund 20 Kooperationen mit Anbietern autonomer Fahrzeuge aufgebaut, etwa mit Nvidia als Technologiepartner, mit Lucid und Nuro für mehr als 20.000 geplante Robotaxis mit Start in der San-Francisco-Bay-Area Ende 2026, mit Chinas Baidu Apollo Go für Märkte außerhalb der USA und Festlandchinas sowie mit Pony.ai, WeRide und Momenta. Sollte Waymo sich in Austin und Atlanta tatsächlich zurückziehen, verliert Uber dort den erfahrensten Robotaxi-Partner in zwei seiner verbliebenen drei gemeinsamen Märkte. Die Uber-Aktie fiel nach dem FT-Bericht um rund vier Prozent und liegt seit Jahresbeginn rund 16 Prozent im Minus — Investoren sorgen sich, dass Uber als reine Vermittlungsplattform von direkt zum Kunden gehenden Anbietern umgangen werden könnte.

Der Vorgang steht für eine grundsätzliche Weichenstellung: Je reifer die Technologie wird, desto stärker wollen die Betreiber selbst die Kundenbeziehung, die Preissetzung und die Fahrgastdaten kontrollieren, statt Marge an eine Vermittlungsplattform abzugeben. Tesla verfolgt mit seiner eigenen Robotaxi-App bereits dieses vollständig vertikal integrierte Modell und ist im Juli 2026 in Miami, Orlando und Tampa ohne Sicherheitsfahrer gestartet. In China fährt Baidus Apollo Go nach eigenen Angaben in rund 20 chinesischen Städten und weltweit 27 Märkten, mit über 22 Millionen kumulierten Fahrten bis April 2026. Ob Uber seine Rolle als Betriebssystem für autonome Flotten halten kann, wenn ausgerechnet der größte US-Anbieter auf Distanz geht, dürfte für die weitere Marktordnung mitentscheidend sein — unsere heutige Reportage rechnet nach, wie tragfähig die Robotaxi-Ökonomie 2026 tatsächlich ist.

Am 22. Juli 2026 teilte monday.com per SEC-Meldung mit, rund 630 Stellen zu streichen — etwa ein Fünftel der weltweiten Belegschaft. Die Restrukturierung soll laut Unternehmensangabe zwischen 45 und 55 Millionen US-Dollar kosten, größtenteils für Abfindungen und Mietwertberichtigungen. Mitgründer Eran Zinman betonte gegenüber der Belegschaft, der Schritt diene nicht dem Kostensparen oder dem Ersetzen von Menschen durch KI, sondern der Ausrichtung auf die eigene KI-Plattform. Bemerkenswert ist der Zahlenrahmen: Die Umsatzprognose für 2026 blieb mit 19 bis 20 Prozent Wachstum unverändert, während monday.com zugleich seine Margenprognose von rund 13 auf 15 Prozent anhob. Die Aktie hatte zu diesem Zeitpunkt bereits mehr als die Hälfte ihres Werts seit Jahresbeginn verloren.

monday.com ist laut einer Zählung von TechCrunch die 21. große Tech-Firma, die 2026 Stellenabbau explizit mit KI begründet. Zur Liste gehören etwa Amazon (16.000 Stellen, rund 9 Prozent der Konzernzentrale, Ende Januar 2026), Salesforce (Abbau der Support-Belegschaft von 9.000 auf 5.000 Personen), Intuit (3.000 Stellen, 17 Prozent, Mitte Mai 2026), PayPal (über 4.500 Stellen, 20 Prozent, Anfang Mai 2026) und Meta (rund 8.000 Stellen, 10 Prozent, Ende Mai 2026). Der Bildungsanbieter Chegg strich binnen sechs Monaten in zwei Wellen mehr als die Hälfte seiner Belegschaft und verwies auf sinkenden Traffic durch KI-Suchassistenten. Aufschlussreich ist der Fall UPS: Das Unternehmen kam 2025 auf rund 48.000 Stellenstreichungen — räumte aber selbst ein, dass 34.000 davon auf die Schließung von 93 Gebäuden zurückgingen, nicht auf Automatisierung.

Dass Unternehmen KI als Erklärung bevorzugen, hat einen nachvollziehbaren Grund: Es klingt nach zukunftsgerichteter Strategie statt nach einem Eingeständnis von Überstellung oder Kostendruck. OpenAI-Chef Sam Altman räumte im Frühjahr 2026 selbst ein, es gebe eine Art KI-Etikettenschwindel, bei dem Kündigungen der Technologie zugeschrieben würden, die ohnehin erfolgt wären — neben echter, tatsächlich KI-bedingter Verdrängung. Im Fall monday.com fällt zusätzlich auf, dass das Unternehmen zeitgleich mit der Ankündigung seine Margenprognose anhob, was für Investoren ein positives Signal ist. Ob die Botschaft an der Börse verfängt, ist allerdings fraglich: Laut TechCrunch-Analyse blieben Aktien von Firmen, die KI als Kündigungsgrund nannten, in den 30 Handelstagen nach der Ankündigung im Schnitt fast zehn Prozentpunkte hinter dem Nasdaq zurück.

Die empirische Gegenevidenz ist deutlich zurückhaltender als die Unternehmenskommunikation. Das Budget Lab der Yale University kommt in seiner laufenden Auswertung von Arbeitsmarktdaten zu dem Schluss, dass sich bislang kein klarer Zusammenhang zwischen KI-Exposition von Berufen und Beschäftigungs- beziehungsweise Arbeitslosenzahlen zeigt — die Daten deuteten eher auf Stabilität als auf Verdrängung hin. Die Beratungsfirma Challenger, Gray & Christmas registrierte bis Juni 2026 rund 101.700 Stellenstreichungen, bei denen Arbeitgeber KI als Grund angaben, etwa 23 Prozent aller gemeldeten Kürzungen des Jahres. Dabei handelt es sich jedoch um selbst berichtete Unternehmensbegründungen, nicht um gemessene Kausalität. Der bekannteste Gegenbeleg ist Klarna: Das Fintech ersetzte zwischen 2022 und 2024 rund 700 Kundenservice-Stellen durch KI, nahm die Entscheidung ab 2025 teilweise zurück und stellte wieder Menschen ein — man habe sich zu sehr auf Effizienz und Kosten konzentriert, räumte CEO Sebastian Siemiatkowski ein, das Ergebnis sei geringere Qualität gewesen.

Für Entscheiderinnen und Entscheider heißt das: Eine Unternehmensbegründung ist kein Beleg für Kausalität. Wer Stellenabbau liest, der mit KI erklärt wird, sollte prüfen, ob Umsatz- und Margenkennzahlen tatsächlich für reine Kostensenkung sprechen, ob frühere Prognosen bereits Überkapazitäten nahelegten — und ob das Unternehmen später selbst zurückrudert. KI verändert Arbeit zweifellos. Doch die Zuschreibung an die Technologie ist 2026 vor allem eine Erzählung, die sich Investoren gegenüber leichter verkaufen lässt als das Eingeständnis, zu viel eingestellt zu haben. Wie sehr diese Erzählung inzwischen auch die Bilanzlogik des gesamten Sektors prägt, haben wir in unserer Reportage zur KI-Blase untersucht.

Nvidia hat am 27. Juli 2026 in seinem Technical Blog berichtet, dass das offene Modell Nemotron 3 Ultra in Kombination mit dem hauseigenen Agenten ACE-RTL unter offenen Modellen führend beim agentischen RTL-Coding sei. Auf dem Benchmark CVDP (Comprehensive Verilog Design Problems, neun Aufgabenkategorien von Codevervollständigung bis Debugging) erreichte die Kombination laut Nvidia eine durchschnittliche Pass-Rate von 97,1 Prozent, gegenüber 95,2 Prozent für Kimi K2.6 und 92,1 Prozent für GLM 5.2. Bei einer Debugging-Teilaufgabe verbesserte sich das Modell durch die Agenten-Iteration von 65,7 auf 100 Prozent, bei laut Nvidia deutlich geringerem Token-Verbrauch pro Iterationsschritt als die Vergleichsmodelle. Sämtliche dieser Zahlen sind Herstellerangaben aus Nvidias eigenem Blogbeitrag. Das Modell selbst ist ein Mixture-of-Experts mit 550 Milliarden Parametern, davon 55 Milliarden aktiv, in Hybrid-Mamba-Attention-Architektur, unter der OpenMDW-1.1-Lizenz auf Hugging Face verfügbar und laut Nvidia in EDA-Werkzeuge von Cadence, Siemens und Synopsys integrierbar.

RTL steht für „Register Transfer Level“ — die Design-Ebene, auf der Chip-Ingenieure die Logik eines Prozessors oder Beschleunigers in Hardware-Beschreibungssprachen wie Verilog oder VHDL formulieren, bevor daraus über Synthese und Layout ein fertiger Chip wird. Dieser Schritt gilt als enger Flaschenhals: Er ist personalintensiv, erfordert seltene Spezialisten und macht einen erheblichen Teil der Entwicklungszeit moderner Chips aus — während die Nachfrage nach immer spezialisierteren KI-Beschleunigern steigt. „Agentisch“ bedeutet hier, dass ein Modell nicht nur einmalig Code generiert, sondern in einer Schleife aus Generieren, Simulieren, Linten und Reflektieren iteriert. Bei ACE-RTL übernehmen das laut Nvidia drei arbeitsteilige Komponenten — Generator, Reflector und Coordinator —, die Simulationsfehler analysieren und den Code so lange korrigieren, bis er die Testkriterien erfüllt.

Nvidia ist in diesem Feld nicht allein. Synopsys bietet mit AgentEngineer und Copilot generative KI-Werkzeuge, die nach eigenen Angaben mehr als dreifache Produktivitätssteigerungen versprechen. Cadence hat seine Optimierungs-Engine Cerebrus und die Datenplattform JedAI nach eigenen Angaben bereits bei über 1.000 abgeschlossenen Chipdesigns im produktiven Einsatz, ergänzt um den neuen ChipStack-Agenten, der bis zu zehnfach schnelleres Chipdesign ermöglichen soll. Google setzt seit mehreren Generationen sein Verstärkungslernsystem AlphaChip für das Floorplanning eigener Tensor Processing Units ein. Nvidia selbst forscht bereits seit 2023 mit dem internen Projekt ChipNeMo an domänenspezifischen Sprachmodellen für EDA-Skriptgenerierung und Bug-Analyse. Auffällig: Auch die Produktivitätsversprechen der Wettbewerber sind durchweg Herstellerangaben.

Bei der Einordnung ist Vorsicht geboten. CVDP ist zwar nominell ein offener Benchmark, wurde aber unter Beteiligung von NVIDIA Research entwickelt — Nvidia bewertet sein eigenes Modell also mit einem Maßstab, an dessen Gestaltung es mitgewirkt hat, und vergleicht es in selbst durchgeführten Läufen mit der Konkurrenz. Von Dritten durchgeführte Nachtests der RTL-Zahlen liegen bislang nicht vor; die Reaktionen auf Hacker News blieben verhalten und drehten sich eher um Inferenzgeschwindigkeit als um Chipdesign. Wie trügerisch Zahlen in diesem Feld sein können, zeigt der Fall AlphaChip: Unabhängige Forscher wiesen 2023 nach, dass Googles Verfahren in ihren Nachtests hinter menschlichen Designern, klassischem Simulated Annealing und kommerzieller Software zurückblieb — ein Streit, den Nature erst Jahre später zugunsten von Google beilegte. Für Nvidias RTL-Zahlen gilt entsprechend: vielversprechend, aber unbestätigte Eigenangabe.

Strategisch fügt sich die Ankündigung in Nvidias Offensive für offene Modelle ein. Nemotron ist der Kern dieser Strategie, und Nvidia gehörte am 24. Juli zu den Erstunterzeichnern des Grundsatzpapiers zu offenen Gewichten und amerikanischer KI-Führung (wir berichteten). Der Nutzen für Nvidia ist unmittelbar: Ein offenes Modell, das RTL-Design beherrscht, macht das eigene Ökosystem für EDA-Partner wie Cadence und Synopsys attraktiver, treibt die Nachfrage nach GPU-Inferenzkapazität — und positioniert Nvidia zugleich als Lieferant jener KI, mit der künftig auch die eigenen Chips entworfen werden.

Das Debian-Projekt hat am 24. Juli 2026 offiziell eine General Resolution zur Nutzung von Large Language Models in die verpflichtende Diskussionsphase geschickt. Laut Debians Verfassung muss diese Phase mindestens zwei Wochen dauern, bevor die eigentliche Abstimmung unter den stimmberechtigten Debian-Entwicklern beginnen kann. Zum jetzigen Zeitpunkt liegt also noch kein Ergebnis vor — lediglich vier konkurrierende Textvorschläge, die derzeit auf der Mailingliste debian-vote diskutiert und mit weiteren Unterstützern versehen werden. Es ist bereits der dritte Anlauf: 2024 hatte das Projekt eine Gentoo-ähnliche Regelung informell abgelehnt, im März 2026 verzichtete ein Entwurf von Lucas Nussbaum noch auf eine formale Abstimmung.

Zur Wahl stehen vier Optionen. Vorschlag A von Matthias Geiger fordert ein explizites Verbot jeglicher Beiträge, die mit Hilfe von LLMs oder anderer generativer KI entstanden sind — er beträfe Quellpakete, Debian-eigene Software, Webressourcen, Dokumentation, Übersetzungen und offizielle Kommunikation, nicht aber Upstream-Projekte. Vorschlag B von Ex-Projektleiter Lucas Nussbaum würde KI-gestützte Beiträge unter sechs Bedingungen erlauben, darunter rechtliche Vereinbarkeit der Tool-Nutzungsbedingungen, Verantwortung der Beitragenden für Qualität und Lizenz sowie eine Offenlegungspflicht per Git-Trailer. Vorschlag C von Ian Jackson verlangt, KI soweit praktikabel zu vermeiden, und fordert vor allem, dass Kommunikation mit Menschen — Bugreports, Mailinglisten, Blogposts — vollständig ohne LLM-Hilfe verfasst wird. Vorschlag D von Pierre-Elliott Bécue akzeptiert KI-Beiträge für Debian-spezifische Arbeit, sofern sie den Debian Free Software Guidelines entsprechen, gekennzeichnet und von den Einreichenden verantwortet werden.

Die Lager begründen ihre Position ähnlich, ziehen aber entgegengesetzte Schlüsse. Gemeinsamer Nenner ist die Unsicherheit über die Lizenz- und Urheberrechtslage von KI-generiertem Code, der aus Trainingsdaten unbekannter Provenienz stammt und Debians Anspruch auf saubere Rechteketten gefährden könnte. Verbots-Befürworter verweisen zudem auf die Review-Last: Wer plausibel klingenden, aber fehlerhaften KI-Output prüfen muss, verliert Zeit, die ohnehin knappen Maintainern fehlt. Als warnendes Beispiel dient häufig das Kommandozeilen-Tool curl, dessen Gründer Daniel Stenberg Anfang 2026 sein Bug-Bounty-Programm zeitweise einstellte, nachdem die Quote verwertbarer Meldungen unter KI-generierten Schrottberichten eingebrochen war. Die Gegenseite hält dagegen, dass viele Beitragende KI-Werkzeuge längst produktiv einsetzen, ein Verbot praktisch kaum überprüfbar sei und Debian damit nur jene bestrafe, die ehrlich Auskunft geben.

Andere Open-Source-Projekte sind unterschiedliche Wege gegangen. Gentoo verbot KI-unterstützte Beiträge bereits im April 2024 nach einem einstimmigen Council-Beschluss, mit Verweis auf Copyright-, Qualitäts- und Ethik-Bedenken. NetBSD zog im Mai 2024 nach und stuft von LLMs erzeugten Code seither pauschal als kontaminiert ein — er darf nur mit ausdrücklicher Genehmigung des Core-Teams committet werden. QEMU hatte ein ähnliches Verbot, diskutiert seit Mai 2026 aber einen Vorschlag von Paolo Bonzini, kleinere KI-unterstützte Änderungen unterhalb von 20 Zeilen zuzulassen. Der Linux-Kernel ist den entgegengesetzten Weg gegangen: Er erlaubt KI-Unterstützung ausdrücklich, verlangt aber einen eigenen „Assisted-by“-Tag zusätzlich zum menschlichen „Signed-off-by“ — Verantwortung für Lizenz und Fehler bleibt beim Menschen. Fedora folgte im Oktober 2025 einem ähnlich offenen Kurs mit Offenlegungspflicht.

Die Debatte bleibt nicht auf Debian beschränkt, weil kaum ein anderes Projekt so tief im Fundament kommerzieller Software steckt: Ubuntu, zahllose Cloud-Images, IoT-Distributionen und Server-Betriebssysteme bauen auf Debian-Paketen auf. Eine Regel, die KI-Beiträge in Kern-Infrastruktur verbietet oder streng reguliert, würde damit indirekt auch die Lieferkette all jener Unternehmen betreffen, die sich auf Debian-Pakete verlassen — ebenso wie eine zu laxe Regel deren rechtliches Risiko bei unklarer Codeherkunft erhöhen könnte. Wie Debian, eines der ältesten und normativ einflussreichsten Community-Projekte, diesen Konflikt löst, dürfte deshalb weit über das eigene Projekt hinaus als Referenzpunkt dienen.

Marcel Hebing und Martin Manhembué lehren Data Science an der Digital Business University of Applied Sciences, einer privaten Hochschule in Berlin-Kreuzberg. Mit ihrem gemeinsam gegründeten Startup Kaleidemoskop bauen sie unter dem Namen InnoTwin einen digitalen Zwilling der deutschen Gesellschaft: ein Computermodell, das Bildungswege, Erwerbsbiografien und die Rentenentwicklung simulieren soll, um Behörden und Politik Prognosen für Entscheidungen wie den Ausbau von Kita- und Pflegeplätzen an die Hand zu geben. Gefördert wird das Vorhaben vom zuständigen Bundesforschungsministerium.

Technisch handelt es sich um ein klassisches agentenbasiertes Modell, nicht um ein Sprachmodell — ein wichtiger Unterschied. Millionen einzelne Agenten (Personen, Haushalte, Behörden, Unternehmen) erhalten eigene Eigenschaften und Verhaltensregeln und handeln im Modell eigenständig. Die Verteilungen von Alter, Einkommen und Region orientieren sich an amtlichen sozioökonomischen Daten, unter anderem am Mikrozensus als Hochrechnungsrahmen sowie an Datensätzen wie dem Sozio-oekonomischen Panel; mit echten Personendaten arbeitet das Modell nach Angaben der Betreiber nicht. Die Verhaltensregeln werden zusätzlich in Delphi-Runden mit Fachleuten aus Wissenschaft, Wirtschaft und Verwaltung festgelegt. Eine unabhängig bestätigte Zahl der simulierten Agenten war nicht auffindbar; eine Überschrift zum Projekt nennt die Größenordnung von rund 83 Millionen — also die gesamte deutsche Bevölkerung.

Synthetische Bevölkerungen für Deutschland sind methodisch kein Novum: Bereits 2016 und 2017 erstellten Forscher des Deutschen Zentrums für Luft- und Raumfahrt synthetische Bevölkerungen für Verkehrsnachfragemodelle am Beispiel Berlins, und die TU Berlin passte ein agentenbasiertes Verkehrsmodell an, um die Ausbreitung von Infektionskrankheiten zu simulieren. Davon zu unterscheiden ist der jüngere, international viel diskutierte Trend, mit großen Sprachmodellen synthetische Umfrageteilnehmer zu erzeugen: Lisa Argyle und Kollegen prägten den Begriff 2023 in der Arbeit „Out of One, Many“ in der Zeitschrift Political Analysis, indem sie ein Sprachmodell mit soziodemografischen Profilen realer Befragter fütterten. 2024 und 2025 folgte eine gemeinsame Studie von Stanford, Google DeepMind, Northwestern und der University of Washington, die aus zweistündigen Interviews mit 1.052 Personen KI-Agenten erzeugte — diese reproduzierten deren Antworten im General Social Survey zu 85 Prozent so genau wie die Befragten sich selbst nach zwei Wochen.

An dieser LLM-Variante gibt es wachsende methodische Kritik. Bisbee, Clinton, Dorff, Kenkel und Larson zeigten 2024 in Political Analysis, dass sich 48 Prozent der aus ChatGPT-Antworten geschätzten Regressionskoeffizienten signifikant von jenen aus echten Umfragedaten unterschieden — in einem Teil der Fälle sogar mit umgekehrtem Vorzeichen. Zudem streuten die synthetischen Antworten deutlich enger als reale und lieferten dadurch eine trügerische Scheinpräzision. Das Pew Research Center erklärte 2026 ausdrücklich, kein solches Verfahren zur Simulation öffentlicher Meinung einzusetzen, und verwies auf Studien, wonach KI-Schätzungen Gruppen stereotypisieren und die Meinungsvielfalt unterschätzen. Der Berufsverband AAPOR warnt in aktuellen Leitlinien, synthetische Daten dürften Meinungsumfragen nicht ersetzen, da Forschende vorab nicht wissen könnten, ob Modell und Prompt Fehler vergrößern oder verkleinern.

In der Praxis setzen vor allem Marktforschungsanbieter bereits auf synthetische Befragte, um Umfragen und Produkttests schneller und günstiger durchzuführen. Marktforscher berichten dabei von Verzerrungen wie übertrieben positiven Antworten und geringer Antwortvielfalt; die Beratung EY meldete umgekehrt, eine simulierte globale Vermögensumfrage habe in mehreren statistischen Kennzahlen gut mit echten Daten übereingestimmt — ein Ergebnis, das bislang vor allem vom Anbieter selbst kommuniziert wurde. Für InnoTwin gilt: Es zielt nicht auf Konsumentenbefragung, sondern auf Politikberatung. Sein Nutzen hängt davon ab, ob Auftraggeber die Ergebnisse als Szenarien unter gesetzten Annahmen behandeln — und nicht als Prognosen.