Ausgabe vom 1. August 2026

Am 28. Juli erschien unter pacingthefrontier.com eine gemeinsame Erklärung von mehr als 1.200 Beschäftigten von OpenAI, Anthropic, Google DeepMind und Meta. Die Kernforderung ist präziser als die Schlagzeilen: Die US-Regierung solle eine internationale Anstrengung unterstützen, um die technischen und regulatorischen Werkzeuge zu entwickeln, mit denen sich die Grenze automatisierter KI-Entwicklung bewusst takten ließe. Es ist ausdrücklich keine Forderung nach einer sofortigen Pause, sondern nach der Option darauf — eine Versicherung für den Fall, dass KI, die KI-Forschung betreibt, sich der Kontrolle entzieht.

Die Unterzeichnerliste ist das eigentlich Bemerkenswerte. Sie umfasst Anthropic-Chef Dario Amodei, OpenAIs Chefwissenschaftler Jakub Pachocki und Forschungschef Mark Chen, Metas Chefwissenschaftler Shengjia Zhao, Googles Sicherheitsverantwortliche Anca Dragan sowie die Anthropic-Mitgründer Jared Kaplan und Jack Clark. Es sind also nicht Kritiker von außen, sondern die Menschen, die die betreffenden Systeme bauen.

Sam Altman hat die Erklärung nach vorliegenden Berichten nicht persönlich unterschrieben, äußerte sich am selben Tag aber im Podcast „Invest Like the Best“ in derselben Richtung: Man müsse das Tempo der KI-Entwicklung womöglich takten, um der Gesellschaft genug Zeit zu geben, sich gegen die neuen Fähigkeitsstufen zu wappnen. Den Anlass benannte er offen — jenen Sandbox-Ausbruch, den er als ersten Sicherheitsvorfall bezeichnete, den er „very viscerally“ gespürt habe. Man habe das Training pausiert und müsse herausfinden, wie sich Sandboxing in einer Welt absichern lasse, in der mehrere Zero-Day-Lücken aneinandergekettet werden. Der Vorgang ist damit die direkte Fortsetzung des heutigen Leitartikels — und die Reihe reicht weiter zurück: Demis Hassabis hatte bereits am 14. Juli eine US-geführte Aufsichtsbehörde nach dem Vorbild der Finanzaufsicht FINRA vorgeschlagen, worüber wir in unserer Ausgabe vom 15. Juli berichteten.

Drei Tage nach der Erklärung veröffentlichte OpenAI den Text „Building abundant intelligence“. Er beschreibt eine Infrastrukturstrategie über den gesamten Stack, deren Ziel nicht nur mehr Rechenleistung sei, sondern mehr nutzbare Intelligenz in Reichweite. Die dahinterstehenden Zusagen sind bekannt und gewaltig: rund 10 Gigawatt mit Nvidia, 6 mit AMD, weitere 10 über die Oracle-Partnerschaft — in Summe Pläne um 26 Gigawatt, die nach Presseschätzungen über eine Billion Dollar in fünf Jahren erfordern würden.

Axios beschreibt die Konstellation als Gefangenendilemma: Alle Labore erkennen an, dass gemeinsames Bremsen sicherer wäre, doch keines kann wegen des Wettbewerbsdrucks einseitig aussteigen. Genau deshalb richtet sich der Appell an den Staat — nur eine übergeordnete Instanz kann eine Absprache erzwingen, die alle wollen und niemand allein eingehen kann. Ob man das für aufrichtig hält, hängt davon ab, wie man den zeitlichen Abstand von drei Tagen zwischen Bremsappell und Gigawatt-Plan liest.

Der Gegenwind kommt von zwei Seiten. David Sacks, bis vor Kurzem KI-Beauftragter der Trump-Regierung, wirft den führenden Laboren vor, Sicherheitsregeln zu entwerfen, die nur sie selbst erfüllen können — mit dem Effekt, dass Startups der Marktzutritt erschwert wird. Der Technologiepolitik-Analyst Adam Thierer nennt die Petition „a very troubling development“ mit offensichtlichen wettbewerbsschädlichen Effekten, besonders für Open Source. Das ist der klassische Vorwurf der Regulierungs-Vereinnahmung, und er ist hier nicht abwegig: Wer eine Aufsichtsschwelle definiert, definiert auch, wer sie überspringen kann.

Der praktische Kontext relativiert die ganze Debatte allerdings erheblich. In der EU greifen ab dem 2. August 2026 die Durchsetzungsbefugnisse zum AI Act für Allzweckmodelle — Auskunftsersuchen, technische Prüfungen, Bußgelder bis 15 Millionen Euro oder drei Prozent des Weltjahresumsatzes. OpenAI erklärte am 31. Juli in „Advancing responsible AI across Europe“, den zugehörigen Verhaltenskodex mitgestaltet und unterstützt zu haben. In den USA dagegen schafft die Executive Order vom 2. Juni 2026 lediglich einen freiwilligen Rahmen mit optionalem 30-Tage-Vorabzugang für Behörden — keine Lizenz-, keine Genehmigungspflicht. Die Labore fordern also von einer Regierung eine Bremse, die diese Regierung ausdrücklich nicht einbauen will, während anderswo verbindliche Regeln bereits in Kraft treten. Für europäische Unternehmen ist die praktische Konsequenz banal und wichtig zugleich: Der verbindliche Teil dieser Woche steht nicht in einer Petition, sondern im Amtsblatt.

Die 42. Zivilkammer des Landgerichts München I hat am 31. Juli im Verfahren 42 O 763/25 der Klage der GEMA gegen den KI-Musikgenerator Suno weitgehend stattgegeben. Die GEMA hatte im Januar 2025 geklagt; die mündliche Verhandlung fand am 9. März 2026 statt, der Verkündungstermin wurde von Juni auf Ende Juli verschoben. Zuerkannt wurden Unterlassung, Auskunft und Schadensersatz dem Grunde nach — die Höhe ist noch nicht beziffert.

Streitgegenstand waren nach Angaben von GEMA und Gericht sechs Musikwerke: Atemlos (Helene Fischer/Kristina Bach), Daddy Cool und Rasputin (Boney M.), Mambo No. 5 (Lou Bega) sowie Big in Japan und Forever Young (Alphaville). Eine Quelle nennt neun Werke; diese Abweichung ließ sich nicht auflösen.

Juristisch interessant ist weniger das Ergebnis als die Konstruktion. Das Gericht zerlegte den Vorgang in drei getrennt geprüfte Schritte. Erstens die Vervielfältigung beim Training: Suno habe die Werke per Stream-Ripping von YouTube heruntergeladen und dabei technische Schutzmaßnahmen umgangen. Zweitens die Speicherung im Modell — das Gericht sah es als erwiesen an, dass die Werke nicht bloß analysiert, sondern in wesentlichen Teilen im Modell abgelegt wurden, in der Fachsprache Memorisierung. Drittens die öffentliche Wiedergabe der Ausgabe in Europa: Auf einfache Eingaben hin erzeugte Suno Songs, die den Originalen so ähnelten, dass Zufall als Erklärung ausschied.

Die eigentliche Neuerung steckt in der territorialen Aufteilung. Weil das Training in den USA stattfand, prüfte das Gericht nach dem Grundsatz des Schutzlandprinzips insoweit US-amerikanisches Recht — konkret die Fair-Use-Regel des 17 U.S.C. § 107 — und verneinte deren Anwendbarkeit, weil die Werke in der Ausgabe erkennbar blieben. Herangezogen wurde dafür die Warhol-Entscheidung des US Supreme Court. Für Speicherung und Wiedergabe in Europa galt dann deutsches und europäisches Recht. Ein deutsches Landgericht, das US-Fair-Use prüft und ablehnt, ist ein Vorgang mit Signalwirkung: Er entwertet die Standortwahl als Verteidigungslinie.

Sunos zentrales Argument war — wie zuvor OpenAIs — die Text-und-Data-Mining-Schranke nach § 44b UrhG, die aus der EU-Urheberrechtsrichtlinie stammt. Sie erlaubt die automatisierte Auswertung großer Datenmengen. Das Gericht wies das zurück: Die Schranke decke nur vorübergehende, für die Analyse erforderliche Vervielfältigungen ab; eine vollständige Memorisierung im Modell überschreite diesen Zweck und verletze die Verwertungsinteressen der Rechteinhaber. Damit ist die Grenze klar gezogen — nicht das Lernen ist das Problem, sondern das Behalten.

Die Kammer setzt damit ihre eigene Linie fort. Am 11. November 2025 hatte sie im Verfahren 42 O 14139/24 der GEMA bereits gegen OpenAI recht gegeben; dort ging es allerdings um Songtexte, die ChatGPT nahezu wortgleich reproduzierte. Das Suno-Urteil überträgt die Memorisierungs-Argumentation erstmals auf musikalische Kompositionen und gilt in der übereinstimmenden Berichterstattung als erste europäische Entscheidung, die eine Lizenzpflicht für das Training von Musik-KI feststellt.

Das Urteil ist nicht rechtskräftig. Suno erklärte, man widerspreche der Entscheidung, die auf einer grundlegenden Fehldarstellung der eigenen Technologie und der Anwendung US-amerikanischen Rechts beruhe, und prüfe alle Optionen einschließlich der Berufung. Zum EU AI Act äußert sich das Urteil nicht.

Für Unternehmen außerhalb der Musikbranche ist der übertragbare Kern die Beweisführung. Was Suno das Verfahren gekostet hat, ist die Nachweisbarkeit der Memorisierung: dass sich mit einfachen Eingaben Ausgaben erzeugen ließen, die dem Original zu ähnlich waren. Wer ein Modell auf lizenzpflichtigem Material trainiert oder feinjustiert, sollte davon ausgehen, dass genau dieser Test irgendwann gefahren wird — und dass ein Serverstandort außerhalb der EU nicht schützt, sobald die Ausgabe hier verwertet wird. Passend dazu ist ein weiterer Suno-Streit relevant: Der Hack, der das Scraping von YouTube, Deezer und Genius offenlegte, war Thema unserer Ausgabe vom 16. Juli.

Amazon hat am 30. Juli Zahlen für das zweite Quartal 2026 vorgelegt, und sie sind in fast jeder Zeile ein Rekord. Der Gesamtumsatz stieg um 20 Prozent auf 200,6 Milliarden Dollar, das operative Ergebnis um 43 Prozent auf 27,5 Milliarden. Der Treiber ist AWS: 42,2 Milliarden Dollar Umsatz, ein Plus von 37 Prozent — nach Angaben von CEO Andy Jassy das schnellste Wachstum seit 18 Quartalen und weit über der Erwartung von rund 31 Prozent. Der operative Gewinn der Cloudsparte kletterte von 10,2 auf 16,6 Milliarden Dollar.

Eine Zahl verdient allerdings eine Fußnote. Der ausgewiesene Nettogewinn sprang von rund 18 auf 62,6 Milliarden Dollar — doch davon stammen etwa 53,4 Milliarden aus nicht-operativen Vorsteuererträgen, überwiegend aus der Neubewertung der Anthropic-Beteiligung zum Marktwert. Das ist ein Buchgewinn, kein Zahlungseingang. Dasselbe Muster hatten wir bei Alphabet und Microsoft gesehen: Die Beteiligungen an den Modellanbietern schwellen die Gewinne der Investoren auf, ohne einen Dollar zu bewegen.

Die eigentliche Nachricht steht in der Investitionsprognose. Jassy hob die Kapitalausgaben für 2026 von 200 auf 220 Milliarden Dollar an — die zusätzlichen 20 Milliarden entfallen nach der Berichterstattung im Wesentlichen auf gestiegene Speicherchip-Preise. Das ist die direkte Fortsetzung dessen, was Samsung am selben Tag im eigenen Earnings Call gesagt hatte und was wir gestern beschrieben haben: Die Speicherknappheit verteuert den Ausbau, ohne ihn zu bremsen. Jassy betonte, selbst mit 220 Milliarden werde die Kapazität nicht reichen; der Engpass setze sich 2027 fort. Zur Begründung der langen Zyklen verwies er darauf, dass die Gebäude auf 30 Jahre ausgelegt seien, während die Rechentechnik darin alle fünf bis sechs Jahre erneuert werde.

Am selben Tag berichtete die Financial Times auf Basis einer internen Amazon-Präsentation über die andere Seite derselben Medaille. Mehrere entgleiste KI-Projekte summierten sich auf rund 2,5 Millionen Dollar unbeabsichtigter Zusatzkosten. Der größte Einzelfall: ein internes Werkzeug auf Basis von Claude Sonnet, das Autorendaten mit Shop-Einträgen abgleichen sollte. Es kostete 1,8 Millionen Dollar — 860 Prozent über Budget — und die Kostenexplosion blieb fünf Monate lang unentdeckt. Am Ende wurde das Projekt eingestellt. Dazu kommen 541.000 Dollar bei einem Finanzaudit-Werkzeug und 134.000 Dollar in der Logistik, dort immerhin nach zwei Wochen bemerkt.

Die genannten Ursachen sind unspektakulär und deshalb übertragbar: die Umstellung vieler Anbieter von Pauschalen auf tokenbasierte Abrechnung, der Griff zum teureren Modell, wo ein kleineres gereicht hätte, und autonom laufende Agenten, die bei fehlerhaftem Code den Tokenverbrauch explodieren lassen. Bemerkenswert ist, dass Amazon die eigenen AWS-Kostenwerkzeuge — etwa Batch-Inferenz zum halben Preis — nicht durchgängig einsetzte. Ein zitierter Mitarbeiter sagt, KI-Kosten ließen sich vorab schwer einschätzen; man arbeite an automatisierten Leitplanken.

Absolut betrachtet sind 2,5 Millionen bei 200 Milliarden Quartalsumsatz nichts. Als Diagnose sind sie erheblich. Denn der Fehler ist nicht, dass ein Projekt scheiterte — Projekte scheitern. Der Fehler ist, dass ein Budget fünf Monate lang um das Neunfache überschritten wurde, ohne dass ein Alarm ausgelöst hätte. Genau diese Lücke betrifft jedes Unternehmen, das Agenten in Produktion nimmt: In der klassischen Softwareentwicklung sind laufende Kosten planbar, weil Rechenzeit ungefähr proportional zur Nutzung ist. Bei Agenten kann eine einzige fehlerhafte Schleife die Kosten um Größenordnungen verschieben, ohne dass irgendetwas abstürzt. Wer keine harten Ausgabengrenzen pro Projekt und keine Alarme auf Tagesbasis gesetzt hat, hat diese Lücke ebenfalls.

Zum Gesamtbild: Nach einer von heise aufgegriffenen FT-Auswertung haben Amazon, Alphabet, Meta und Microsoft von Anfang 2023 bis Ende Juni 2026 zusammen rund 1,1 Billionen Dollar investiert — nicht trennscharf zwischen KI und allgemeiner Cloud-Infrastruktur. Allein für 2026 liegen die vier zusammen bei über 700 Milliarden. Der gemeinsame freie Cashflow der Gruppe sank im zweiten Quartal auf 7 Milliarden Dollar, den niedrigsten Stand seit zehn Jahren — eine Angabe, die sich nur in dieser einen Quelle findet und entsprechend vorsichtig zu lesen ist. Gartner nennt den Ausbau das größte Infrastrukturprojekt der Menschheitsgeschichte, dessen Erfolg davon abhänge, ob OpenAI und Anthropic ihre Nachfrage nach Rechenleistung langfristig finanzieren können.

Google hat sein Bildmodell Nano Banana 2 direkt in Google Earth integriert: Nutzer konnten per Texteingabe beliebige Objekte und Szenen in echtes Satellitenbildmaterial einfügen — an realen Koordinaten, im selben Licht, Winkel und Farbton wie das Original. Genau diese Passgenauigkeit machte die Ergebnisse nach Einschätzung von TechCrunch besonders glaubwürdig. Nach rund einem Tag war das Feature wieder verschwunden.

Ausgelöst hat den Rückzug im Wesentlichen ein einzelner Nutzer. Der niederländische OSINT-Rechercheur Henk van Ess testete das Werkzeug unmittelbar nach dem Start und dokumentierte die Ergebnisse öffentlich: Mit jeweils einer einzigen Eingabe platzierte er Geflüchtete an der US-mexikanischen Grenze und ein Atomkraftwerk im Iran. Weitere von ihm erzeugte Bilder zeigten einen tödlichen Unfall in Amsterdam und einen Bombenkrater neben einem Krankenhaus in Gaza. Seine Angabe: Kein einziger seiner Prompts wurde abgelehnt. Der Beitrag erreichte über 2,4 Millionen Aufrufe.

Der Kern der Kritik zielt nicht auf die Existenz von Bildgeneratoren — davon gibt es reichlich —, sondern auf den Ort. Google Earth gilt bei Journalistinnen, Faktenprüfern und OSINT-Analysten als Referenz, gegen die man prüft, ob ein Bild echt sein kann. Wird in dasselbe Werkzeug ein Generator eingebaut, entsteht die Fälschung künftig dort, wo bislang die Verifikation stattfand. Als Beleg für das reale Missbrauchsrisiko verweisen mehrere Berichte auf einen bereits kursierenden Fall fingierter Schäden an einer US-Basis in Bahrain, mutmaßlich mit Google-Earth-Material und KI erzeugt.

Googles Erklärung fällt knapp aus: Man habe sinnvolle Nutzung durch Geodaten-Fachleute gesehen, aber auch Bildschirmfotos generierter Bilder, die gegen die eigenen Richtlinien verstießen. Wörtlich heißt es, man nehme das Feature zurück, während man an stärkeren Schutzmechanismen arbeite. Es ist also ausdrücklich eine Aussetzung, keine Streichung.

Ein Muster ist erkennbar. Im Februar 2024 hatte Google die Personen-Bildgenerierung von Gemini pausiert, nachdem das Modell historisch unpassende Ergebnisse produziert hatte. Beide Male dieselbe Abfolge: aggressiver Start, öffentlicher Druck, schneller Rückzug. Das lässt zwei Lesarten zu. Wohlwollend: Das Unternehmen korrigiert schnell. Weniger wohlwollend: Die naheliegenden Missbrauchsfälle wurden vor der Freigabe nicht durchgespielt — van Ess brauchte für seine Beispiele weder Spezialwissen noch Umgehungstricks, sondern nur wenige Stunden und normale Prompts.

Für Produktverantwortliche ist genau das die übertragbare Lehre, und sie ist billiger zu haben als ein öffentlicher Rückzieher. Der Missbrauchstest gehört vor die Freigabe, nicht danach; und er kostet, wie dieser Fall zeigt, wenige Stunden Arbeit einer Person, die die Domäne kennt. Der zweite Punkt ist die Kontextfrage: Dieselbe Funktion ist in einem Kreativwerkzeug harmlos und in einem Referenzwerkzeug gefährlich. Was ein Feature anrichtet, hängt nicht nur davon ab, was es kann, sondern davon, welchen Vertrauensanspruch das Produkt hat, in dem es steckt.

Am selben Tag, an dem Google seinen Bildgenerator aus Google Earth entfernte, wurden zwei weitere Rückzugsgefechte gegen maschinell erzeugte Massenware sichtbar — und ein regulatorischer Stichtag rückte in Reichweite.

Snapchat kündigte am 31. Juli an, vollständig KI-generierte Videos nicht mehr für Empfehlungen und Monetarisierung in Spotlight zu berücksichtigen; der Empfehlungsalgorithmus wurde entsprechend angepasst. Die Begründung des Unternehmens: Spotlight solle ein Ort bleiben, an dem Menschen authentische Kreativität von echten Menschen entdecken. Wichtig ist die Abgrenzung — Inhalte, die mit Snapchats eigenen KI-Werkzeugen bearbeitet wurden, bleiben förderfähig. Betroffen sind nur andernorts erzeugte, komplett synthetische Videos. Wie Snapchat technisch zwischen „vollständig KI“ und „KI-unterstützt“ unterscheidet, geht aus keiner der Quellen hervor; für die eigenen Werkzeuge setzt das Unternehmen sichtbare Wasserzeichen ein. Bereits im April 2026 hatte Snapchat angekündigt, KI-Inhalte im Hauptfeed zurückzudrängen.

Parallel hat eine Koalition von rund einem Dutzend Musikunternehmen — angeführt von Universal, Sony und Warner Music, dazu Believe, BMG, Concord, Dirty Hit, Glassnote, HYBE, Mom+Pop und Partisan — neue Zulassungskriterien für Musikcharts vorgeschlagen. Adressiert sind Chart-Betreiber und Branchengremien weltweit. Fünf Kriterien sollen künftig gelten: rechtmäßige und autorisierte Erzeugung, ein substanziell menschlicher Anteil, keine Stream-Manipulation, Wahrung von Urheber- und Persönlichkeitsrechten sowie Offenlegung gegenüber Konsumenten. Der Status ist eindeutig: Das ist ein Vorschlag, den bislang kein Chart-Betreiber übernommen hat. Er knüpft an die freiwillige Kennzeichnung an, auf die sich die Branche Anfang Juli geeinigt hatte — ebenfalls ohne Sanktionsmechanismus.

Wie groß das Problem tatsächlich ist, zeigt der Blick auf die Zahlen, die wir in unserer Ausgabe vom 22. Juli ausführlich eingeordnet haben: Bei Deezer stammen inzwischen über 50 Prozent der täglichen Uploads von Maschinen, rund 90.000 Titel am Tag. Der Anteil an den tatsächlich gehörten Streams liegt aber nur bei ein bis drei Prozent — und davon gelten bis zu 85 Prozent als betrügerisch, also von Bots erzeugt. Genau deshalb ist die Chart-Regel der wirksamere Hebel als ein Label: Charts entscheiden über Sichtbarkeit und Geld, Kennzeichnungen nur über Information.

Der dritte Strang ist der einzige verbindliche. Am 2. August 2026 greifen die Transparenzpflichten aus Artikel 50 der EU-KI-Verordnung, 24 Monate nach deren Inkrafttreten. Anbieter müssen offenlegen, wenn Nutzer unmittelbar mit einer KI interagieren; Deepfakes und KI-generierte Texte zu Themen von öffentlichem Interesse müssen als künstlich gekennzeichnet werden. Ausgenommen sind erkennbar künstlerische, satirische oder fiktionale Werke sowie die rein private Nutzung. Der Bußgeldrahmen reicht bis 15 Millionen Euro oder drei Prozent des weltweiten Jahresumsatzes.

Ausgerechnet zu diesem Stichtag meldet netzpolitik.org erhebliche Zweifel an der Wirksamkeit an — und die Einwände sind konkret. Erstens sind die Kennzeichen nicht verbindlich standardisiert, sodass ein Flickenteppich firmeneigener Label droht. Zweitens sagt ein KI-Label nichts darüber aus, ob ein Inhalt zutreffend, fair oder verlässlich ist; es beschreibt die Herstellungsweise, nicht die Qualität. Drittens — und das ist der unangenehmste Befund — verweist der Beitrag auf eine Studie, die einen paradoxen Effekt fand: Gekennzeichneten, aber wahren Inhalten wurde seltener geglaubt, während ungekennzeichneten Falschinformationen eher vertraut wurde. Ein Transparenzinstrument, das Vertrauen von der Wahrheit auf das Etikett umlenkt, kann die Lage verschlechtern.

Für Unternehmen, die Inhalte erzeugen oder verteilen, ergibt sich daraus eine nüchterne Reihenfolge. Die rechtliche Pflicht ist ab morgen da und erfordert eine schlichte Bestandsaufnahme: Wo interagieren Kunden mit einem Bot, ohne es zu wissen? Wo geht synthetisches Material nach außen? Die wirtschaftlich schärfere Veränderung kommt aber nicht vom Gesetzgeber, sondern von den Plattformen. Wenn Snapchat die Ausschüttung streicht und die Charts sich verschließen, verschwindet der Geschäftszweck maschineller Massenware — und zwar wirksamer, als jede Kennzeichnungspflicht es könnte.

Die Befundlage zu KI am Arbeitsplatz wird 2026 nicht klarer, aber sie wird interessanter. Zwei Studien, über die diese Woche berichtet wurde, zeigen zusammengenommen mehr als jede einzeln.

Die erste stammt von der Technologieberatung Adaptavist und wurde im Juni 2026 unter dem Titel „Understanding the Human Cost of AI Transformation“ veröffentlicht. Befragt wurden 2.500 Wissensarbeitende in Großbritannien, den USA, Kanada, Deutschland und Spanien, Feldzeit März 2026. Die aussagekräftigsten Werte: 42 Prozent investieren mehr Zeit in die Überprüfung von KI-Ergebnissen, als sie durch deren Einsatz einsparen. 36 Prozent verstehen oft gar nicht, warum sie KI in ihrer Rolle überhaupt nutzen sollen. 65 Prozent empfinden Nostalgie gegenüber der Arbeitsweise vor der KI, jede dritte Person erwägt einen Branchenwechsel — und gleichzeitig bilden sich 74 Prozent aktiv weiter, um relevant zu bleiben.

An dieser Stelle ist eine Warnung angebracht. In der deutschsprachigen Berichterstattung kursiert ein zweiter, abweichender Zahlensatz zu derselben Studie — dort ist von 72 Prozent Nostalgie und 41 Prozent die Rede, die generative KI am liebsten ganz abschaffen würden. Ob es sich um länderspezifische Werte für Deutschland, ein separates Erhebungsmodul oder einen Übertragungsfehler handelt, ließ sich nicht klären. Wir nennen deshalb die Zahlen der Primärquelle und weisen auf die Abweichung hin. Methodisch handelt es sich ohnehin um eine Selbstauskunft in einem Online-Panel, finanziert von einem Beratungshaus — ein Stimmungsbild, kein Kausalnachweis.

Deutlich belastbarer ist die zweite Studie, weil sie nicht fragt, sondern misst. Ein Forschungsteam um Jackson G. Lu (MIT Sloan) führte bei einer Technologieberatung in China ein Feldexperiment mit 250 Beschäftigten durch, die per Zufall einer Kontrollgruppe oder einer Gruppe mit ChatGPT-Zugang zugeteilt wurden. Entscheidend: Die Kreativität der Arbeitsergebnisse wurde nicht selbst eingeschätzt, sondern von Vorgesetzten und externen Gutachtern bewertet. Die Studie erscheint im Journal of Applied Psychology.

Das Ergebnis ist unbequem für jede pauschale Einführungsstrategie: KI-Zugang steigerte die Kreativität nicht allgemein, sondern nur bei Beschäftigten mit ausgeprägten metakognitiven Fähigkeiten. Metakognition meint das Nachdenken über das eigene Denken — zu bemerken, wann eine Antwort nicht taugt, die eigene Herangehensweise zu hinterfragen, die Fragestellung anzupassen. Wer das kann, nutzt ein Sprachmodell als Sparringspartner. Wer es nicht kann, übernimmt den ersten Vorschlag. Die für Führungskräfte wichtigste Aussage der Autoren: Metakognition ist trainierbar, keine feste Eigenschaft.

Zusammen ergeben beide Studien ein kohärentes Bild, das sich auch mit den methodisch stärksten Messungen deckt. Die Entwicklerstudie von METR hatte Anfang 2025 mit Stoppuhr gemessen, dass erfahrene Open-Source-Entwickler mit KI-Werkzeugen 19 Prozent langsamer waren, während sie selbst glaubten, 20 Prozent schneller zu sein. Im Update vom Februar 2026 mit 57 Entwicklern und über 800 Aufgaben fiel der Effekt bei neu rekrutierten Teilnehmern auf minus 4 Prozent — METR selbst hält es für wahrscheinlich, dass die Beschleunigung 2026 real zugenommen hat, bezeichnet die Evidenz dafür aber ausdrücklich als sehr schwach, unter anderem weil 30 bis 50 Prozent der eingeladenen Entwickler die Teilnahme verweigerten, da sie nicht ohne KI arbeiten wollten. Ähnlich aufschlussreich ist ein interner Microsoft-Versuch: Über drei Wochen mit mehr als 200 Ingenieuren fand sich in der Telemetrie keine signifikante Veränderung bei Programmierzeit oder Pull-Request-Aktivität — wohl aber eine deutlich positivere Wahrnehmung der Werkzeuge.

Das ist das durchgehende Muster über alle hier verglichenen Arbeiten: Gefühlte und gemessene Produktivität fallen systematisch auseinander, meist zugunsten des Gefühls. Für Führungskräfte in SaaS- und Techunternehmen folgen daraus drei praktische Konsequenzen. Erstens: Umfragen zur KI-Zufriedenheit messen Stimmung, nicht Wirkung — wer wissen will, ob etwas hilft, muss Durchlaufzeiten und Nacharbeit messen, nicht Zustimmungswerte. Zweitens: Der Prüfaufwand ist ein realer Kostenposten und gehört in die Kalkulation, nicht in die Fußnote. Und drittens: Wenn der Nutzen an einer trainierbaren Fähigkeit hängt, ist Schulung der wirksamere Hebel als der nächste Lizenzkauf. Die tieferliegende Frage, wie KI-Ratschläge das Urteilsvermögen selbst verändern, haben wir in unserer Reportage vom 20. Juli behandelt.