Ausgabe vom 7. August 2026

Der 9. US-Berufungsgerichtsbezirk in San Francisco hat die einstweilige Verfügung aufgehoben, mit der Amazon dem KI-Browser Comet von Perplexity das Einkaufen auf der eigenen Plattform untersagt hatte. Die Entscheidung im Verfahren Amazon.com Services v. Perplexity AI (Az. 26-1444) stammt von einem dreiköpfigen Gremium; verfasst hat sie Circuit Judge Milan D. Smith Jr. Es handelt sich ausdrücklich nicht um ein Endurteil — der eigentliche Prozess läuft in der ersten Instanz weiter. Aber die Begründung wiegt schwerer als das Ergebnis.

Der Kernsatz der Entscheidung lautet: „It is the user who ‚accesses‘ Amazon's computers, with the help of the Assistant to carry out specific acts on Amazon.com.“ Zugegriffen hat also der Nutzer, der Assistent war das Werkzeug dabei. Ausschlaggebend war, wie Comet technisch arbeitet. Der Assistent macht Bildschirmaufnahmen der Browseransicht auf dem Rechner des Nutzers, schickt diese an Perplexitys Server und erhält von dort Anweisungen zurück, wie er sich durch Amazon.com bewegen soll. Perplexitys Infrastruktur spricht also nie direkt mit Amazons Servern — der Browser des Nutzers ist immer dazwischen. Genau daran scheiterte Amazons Hauptargument aus dem Computer Fraud and Abuse Act (CFAA), dem US-Bundesgesetz gegen unbefugten Computerzugriff.

Amazon hatte sich auf den Präzedenzfall Facebook v. Power Ventures von 2016 gestützt, in dem ein Drittanbieter unterlag, der Facebook-Konten mit Erlaubnis der Nutzer, aber gegen den Willen der Plattform abgriff. Das Gericht grenzte ab: Dort habe das fremde System direkt mit Facebooks Servern kommuniziert, hier laufe alles über den Client des Nutzers. Der zweite bekannte Präzedenzfall, hiQ Labs v. LinkedIn, half nur begrenzt weiter, weil es dort um öffentlich zugängliche Daten ging — bei Comet geht es um passwortgeschützte Kontoseiten. Die eigentlich neue Frage war deshalb nicht „öffentlich oder geschützt“, sondern wer im Rechtssinne zugreift, wenn eine Software im Auftrag eines Menschen handelt. Das Gericht beantwortet sie bewusst eng und hält ausdrücklich fest, mit dieser Entscheidung kein neues Rechtsregime für agentische KI zu schaffen.

Die Vorgeschichte erklärt, warum Amazon so hart vorgegangen ist. Nach eigener Darstellung hat der Konzern Perplexity seit November 2024 mindestens fünfmal abgemahnt; im August 2025 baute Amazon eine technische Sperre gegen Comet ein, die Perplexity nach Amazons Angaben binnen 24 Stunden per Update umging. Zu den Vorwürfen der im November 2025 eingereichten Klage gehört auch, Comet habe sich gegenüber Amazon als gewöhnlicher Chrome-Browser ausgegeben. Richterin Maxine M. Chesney gab Amazon am 9. März 2026 in erster Instanz recht — Perplexity habe auf Konten zugegriffen „with the Amazon user's permission but without authorization by Amazon“ — und ordnete sogar die Vernichtung der erlangten Daten an. Acht Tage später setzte das Berufungsgericht diese Verfügung vorläufig aus; jetzt ist sie ganz weg.

Die Reaktionen fallen erwartbar aus. Amazon: „We respectfully disagree with today's decision on the preliminary injunction. We remain confident in our case and are evaluating our next steps.“ Perplexity-Sprecher Jesse Dwyer: „Perplexity will continue to fight for the right of internet users to choose whatever AI they want.“ Amazon kann eine erneute Verhandlung beantragen oder den Supreme Court anrufen.

Für Unternehmen, die Webangebote betreiben, ist die Botschaft konkreter, als die juristische Verpackung vermuten lässt: Der CFAA taugt als Hebel gegen KI-Agenten deutlich weniger, als viele angenommen hatten — das Gericht behandelt ihn als das, was er ursprünglich war, nämlich ein Gesetz gegen Hacking. In einer Fußnote stellt es zugleich klar, dass Amazon den Zugang sehr wohl weiter über die eigenen Nutzungsbedingungen regeln darf. Wer Agenten fernhalten will, muss also künftig über Vertragsrecht und technische Maßnahmen argumentieren, nicht über Strafrecht. Und die Konstruktion, die Perplexity vor Gericht gerettet hat, ist zugleich eine Bauanleitung: Wer den Agenten im Browser des Nutzers laufen lässt statt auf eigenen Servern, steht rechtlich besser da. Warum agentischer Handel trotzdem nicht abhebt, behandelt die Reportage dieser Ausgabe.

Science hat am Donnerstag die Arbeit „Generative design of bacteriophages with genome language models“ veröffentlicht (DOI 10.1126/science.aec2657). Senior Author ist Brian Hie, Assistant Professor für Chemieingenieurwesen in Stanford und Gruppenleiter am Arc Institute, Erstautor der Postdoc Samuel King. Eine Einordnung vorweg, weil sie für das Verständnis der Meldung entscheidend ist: Die experimentellen Ergebnisse sind nicht neu. Sie liegen seit dem 12. September 2025 als Preprint auf bioRxiv vor und wurden damals auch bereits berichtet. Was diese Woche passiert ist, ist die formale Begutachtung — plus ein Begleitkommentar, den es 2025 noch nicht gab.

Die Arbeit selbst: Das Team nutzte die Genom-Sprachmodelle Evo 1 und Evo 2. Genom-Sprachmodelle funktionieren im Prinzip wie Textmodelle, nur dass sie statt auf Wörtern auf DNA-Sequenzen trainiert werden — Evo 2 auf rund 9,3 Billionen Nukleotiden aus etwa 128.000 Organismen. Für die konkrete Aufgabe wurden die Modelle auf etwa 15.000 Genomsequenzen der Virenfamilie Microviridae nachtrainiert. Als Vorlage diente ΦX174, ein 1935 in der Pariser Kanalisation entdeckter Bakteriophage mit rund 5.386 Nukleotiden und elf Genen, der ausschließlich harmlose E.-coli-Stämme befällt. Bakteriophagen sind Viren, die Bakterien infizieren und töten, für Menschen aber ungefährlich sind.

Von 302 generierten Kandidatengenomen wurden 285 chemisch synthetisiert; 16 erwiesen sich als lebensfähig und töteten E. coli tatsächlich ab, manche schneller als der natürliche Ausgangsphage. Die funktionsfähigen Varianten weichen zwischen 67 und 392 Mutationen vom Original ab — die abweichendste wäre taxonomisch als eigene Spezies einzuordnen. Ein Kandidat vermehrte sich bis zum 65-Fachen des Wildtyps. Praktisch relevant ist vor allem ein Nebenergebnis: Cocktails aus mehreren KI-entworfenen Varianten überwanden in allen drei getesteten E.-coli-Stämmen die bakterielle Resistenzbildung innerhalb von ein bis fünf Passagen, während der natürliche ΦX174 daran scheiterte. Für die Phagentherapie gegen multiresistente Keime ist genau das die Kernfrage — Bakterien werden auch gegen Phagen resistent, und bislang fehlt ein schneller Weg, das Repertoire nachzuziehen.

Der eigentliche Grund, warum diese Woche darüber geredet wird, steht allerdings im Begleitkommentar. Thomas V. Inglesby und Moritz S. Hanke vom Johns Hopkins Center for Health Security schreiben in derselben Ausgabe unter dem Titel „AI-designed viral genomes“ einen Satz, der die Debatte zusammenfasst: „The ability to compose viral genomes using generative AI now exists; the governance to safely steer it does not.“ Also: Die Fähigkeit ist da, die Regulierung nicht. Bestehende internationale Richtlinien, auch die der WHO, erfassen KI-generierte Organismen bislang schlicht nicht.

Die Autoren betonen, dass die Sicherheitsvorkehrungen über die üblichen Anforderungen hinausgegangen seien und ausschließlich nicht-pathogene Wirtsstämme verwendet wurden. Das Arc Institute erklärt zudem, Evo könne durch bewusste Ausschlüsse in den Trainingsdaten keine humanpathogenen Virussequenzen erzeugen. Diese Behauptung ist allerdings nicht unumstritten: Mindestens ein Fachkommentar bezweifelt öffentlich, dass der Trainingskorpus tatsächlich frei von menschlichen Virussequenzen war. Bereits 2025 hatte Craig Venter zum Preprint angemerkt, der Ansatz sei letztlich „eine schnellere Version von Versuch und Irrtum“, und die eigentliche Sorge gelte einer möglichen Übertragung auf Pockenviren. Erstautor King selbst nennt die Arbeit einen „proof of concept of what's possible for genome design guided by AI“ — ein Machbarkeitsnachweis, kein Therapieprodukt. Der Weg von einem 5.386-Nukleotid-Phagen zu klinisch relevanten Erregern gilt in allen Quellen als sehr weit.

Google DeepMind hat am Donnerstag zeitgleich mit einer Nature-Veröffentlichung („Operational Tropical Cyclone Forecasting with AI“, DOI 10.1038/s41586-026-10953-2) ein Zyklon-Vorhersagemodell vorgestellt, das gegenüber führenden operationellen Systemen im Mittel mehr als 24 Stunden Vorlaufzeit gewinnt — und zwar gleichzeitig bei Zugbahn, Intensität und Windfeldradien. DeepMind formuliert es griffiger: Eine Drei-Tages-Vorhersage des Modells ist so genau wie eine frühere Zwei-Tages-Vorhersage. Das entspreche etwa einem Jahrzehnt meteorologischen Fortschritts.

Technisch beruht das Modell auf sogenannten Functional Generative Networks. Statt einer einzelnen Vorhersage erzeugt das Verfahren ein großes Ensemble möglicher Wetterverläufe — bis zu 1.000 Szenarien, gegenüber 50 beim klassischen europäischen Ensemble-System. Trainiert wurde auf rund 20 Terabyte atmosphärischer Reanalysedaten plus der historischen Sturmdatenbank IBTrACS mit etwa 5.000 Wirbelstürmen. Kurios ist die Auflösung: Das Modell arbeitet mit 28 × 28 Kilometern, also rund hundertmal gröber als spezialisierte regionale Hurrikanmodelle. Wie es aus so groben Daten präzise Intensitätssignale zieht, bezeichnet DeepMind selbst als offene Forschungsfrage.

Was das Ergebnis von den üblichen Benchmark-Ankündigungen abhebt, ist die Erprobung im Echtbetrieb. DeepMind arbeitet seit mehreren Jahren mit dem National Hurricane Center der USA zusammen. Beim Hurrikan Erin im August 2025 schlug das Modell in den ersten 72 Stunden sowohl die offizielle NHC-Vorhersage als auch die physikbasierten Modelle. Beim Hurrikan Melissa im Oktober 2025, der als Kategorie-5-Sturm auf Jamaika traf, sagte es die Kategorie-5-Intensität laut DeepMind fünf Tage im Voraus mit 80 Prozent Konfidenz voraus. James Franklin, ehemaliger Branch Chief des NHC, bezeichnete das Modell laut Presseberichten als „the best guidance we saw this year“. NHC-Direktor Michael Brennan äußert sich deutlich zurückhaltender und verweist darauf, wie schnell sich tropische Stürme verändern können.

Ungewöhnlich ist die Veröffentlichungspolitik: Code und Modellgewichte für WeatherNext Cyclones, WeatherNext 2 und eine kompakte Variante WeatherNext 2-mini liegen offen auf GitHub. Die Mini-Version läuft in einem kostenlosen Colab-Notebook auf einer einzelnen TPU und rechnet eine 15-Tage-Vorhersage in unter einer Minute. Vorhersagen lassen sich zudem über das Weather Lab und Google Earth AI ansehen. DeepMind weist ausdrücklich darauf hin, dass für amtliche Warnungen weiterhin die nationalen Wetterdienste zuständig sind.

Die Kritik unabhängiger Meteorologen zielt weniger auf die Zahlen als auf das Verfahren. KI-Wettermodelle sind Black Boxes: Sie erkennen Muster, ohne Physik zu rechnen, und lassen sich deshalb schlecht auf Plausibilität prüfen. Ein bekanntes Strukturproblem der Modellklasse ist zudem, dass ein auf Fehlerminimierung trainiertes System dazu neigt, Extreme zu glätten — also ausgerechnet die rapide Intensivierung zu unterschätzen, auf die es bei Hurrikanen ankommt. DeepMind hält dem den Ensemble-Ansatz und den Melissa-Fall entgegen; das ist allerdings die Darstellung des Anbieters. Zur Einordnung des Feldes: Das ECMWF hat Anfang 2026 den täglichen Vergleichsbetrieb externer KI-Modelle wie Huaweis Pangu-Weather, Microsofts Aurora und Nvidias FourCastNet beendet, weil das eigene AIFS-System und die probabilistischen Nachfolgemodelle die alte Generation überholt hatten.

Reuters hat am 4. August exklusiv berichtet, dass die US-Regierung an einem Importverbot für chinesische Rechenzentrums-Komponenten arbeitet. Die deutschsprachige Berichterstattung folgte am 6. August. Vorweg die wichtigste Einschränkung: Die Meldung stützt sich ausschließlich auf anonyme Quellen, es handelt sich um einen Entwurf, und die Gewährsleute betonen selbst, dass die Regel noch geändert oder ganz fallengelassen werden kann. In Kraft ist nichts.

Im Kern geht es um ein einziges, unscheinbares Bauteil: optische Transceiver. Das sind steckbare Module, die elektrische Signale in Lichtsignale umwandeln und damit die Hochgeschwindigkeits-Datenübertragung über Glasfaser innerhalb eines Rechenzentrums ermöglichen. In KI-Clustern, in denen Tausende Beschleuniger permanent miteinander reden müssen, ist das keine Nebensache, sondern das Nervensystem. Zuständig wäre die FCC über ihr bestehendes Rahmenwerk für Geräte-Zulassungen — dasselbe Instrument, mit dem in der Vergangenheit Huawei- und ZTE-Technik aus US-Netzen gedrängt wurde. Ob auch das Handelsministerium mitgestaltet, wird uneinheitlich berichtet.

Der Hauptbetroffene wäre Zhongji Innolight, laut Counterpoint Research mit rund 27 Prozent Marktanteil bei Rechenzentrums-Transceivern und mit einem sehr hohen US-Umsatzanteil. Auch Eoptolink Technology wird genannt; beide Aktien brachen nach Bekanntwerden zweistellig ein, während westliche Anbieter wie Coherent, Lumentum, Applied Optoelectronics, Nokia und Marvell zulegten. Genau hier liegt allerdings das Problem: Im schnellen 800G-Segment, das KI-Cluster tatsächlich einkaufen, halten chinesische Hersteller nach Branchendaten über 60 Prozent — und mehrere Analysen weisen darauf hin, dass die westlichen Anbieter kurzfristig nicht die Fertigungskapazität haben, das zu ersetzen. Die größten Abnehmer sind AWS, Microsoft Azure und Google Cloud; für sie hieße ein Verbot höhere Kosten und längere Beschaffungszeiten.

Zur Bewertung des Umfangs ist Vorsicht geboten. Einzelne Berichte legen nahe, der Entwurf könne auch Prozessoren, Speicherlaufwerke und Netzwerkausrüstung in Einrichtungen mit Bundesverträgen umfassen. Das ließ sich nicht in einer belastbaren Primärquelle bestätigen — konsistent berichtet wird nur der Transceiver-Teil. Firmen wie Huawei, Inspur oder SMIC werden im Zusammenhang mit diesem Vorhaben nicht namentlich genannt.

Einzuordnen ist der Vorstoß in eine breitere Kampagne. Bereits am 29. Juli hat die FCC ein tatsächlich in Kraft getretenes Importverbot für chinesische humanoide und vierbeinige Roboter — vor allem von Unitree — sowie für vernetzte Wechselrichter verhängt. Davor liegen der 25-Prozent-Zoll auf fortgeschrittene KI-Chips nach Section 232 vom Januar 2026 und die von Einzelfall-Lizenzen geprägte Nvidia-China-Politik. Peking hat bereits mit Gegenmaßnahmen reagiert: Geschäftsverbote mit mehreren US-Einrichtungen, verschärfte Exportkontrollen für Drohnenkomponenten und Sicherheitsüberprüfungen importierter Software.

Adam Segal vom Council on Foreign Relations nennt die inhaltliche Begründung: „There are real concerns with the transceivers around data collection, disruption, and long term dependence on Chinese suppliers.“ Also Datenabfluss, Störanfälligkeit und langfristige Abhängigkeit. Für europäische Betreiber ist der Vorgang trotz US-Fokus relevant, weil er zeigt, an welcher Stelle die KI-Lieferkette wirklich eng ist: nicht bei den Beschleunigern, über die alle reden, sondern bei einem Steckmodul, das kaum jemand auf der Risikoliste hat.

Jay Parikh, Executive Vice President von Microsofts CoreAI-Organisation, hat seinen Teams in einem internen Schreiben nahegelegt, den Token-Verbrauch im Blick zu behalten. Der Kernsatz, der durch die Berichterstattung geht, ist knapp und ziemlich eindeutig: „Tokenmaxxing is not what we are optimizing for.“ Davor steht die Begründung: „As we accelerate our use of GitHub Copilot to deliver on our goals, we all need to be aware of how we consume tokens.“

Die Größenordnung, die dahintersteht: Viele Microsoft-Ingenieure verursachen laut übereinstimmenden Berichten monatlich zwischen einigen hundert und einigen tausend US-Dollar an Token-Kosten. Einen exakten Median nennt keine Quelle. Seit Juli 2026 arbeiten Microsoft-Abteilungen mit einem internen Token-Budgetziel, und Mitarbeitende sehen ihre persönlichen KI-Kosten in Echtzeit. Ein Bericht nennt zusätzlich, Microsoft habe intern GPT-5.6 zum Standardmodell gemacht — als günstigere Alternative zu den zuvor vorwiegend genutzten Claude-Modellen. Diese Angabe stammt allerdings nur aus einer Quelle. Eine offizielle Microsoft-Stellungnahme gibt es nicht; alles beruht auf einem durchgesickerten internen Memo.

Interessant ist der Kontrast zur eigenen Vorgeschichte. Im Juni 2025 hatte Julia Liuson, Präsidentin der Developer Division, ihre Manager angewiesen, die Nutzung interner KI-Werkzeuge in die Leistungsbeurteilung einfließen zu lassen — „AI is no longer optional“. Ein Jahr später lautet die Botschaft, man möge bitte weniger verbrauchen. Parikh betont laut den Berichten ausdrücklich, es gehe nicht darum, den Weg zu „AI-first“ zu bremsen, sondern um Ausgaben-Effizienz. Aufgelöst wird der Widerspruch damit nicht: Wer Nutzung misst und belohnt, bekommt Nutzung.

Microsoft ist damit kein Einzelfall, sondern der prominenteste in einer Reihe. Uber hatte sein KI-Budget für 2026 nach vier Monaten aufgebraucht und deckelte individuelle Ausgaben anschließend bei 1.500 Dollar im Monat; die API-Kosten pro Ingenieur lagen dort zwischen 500 und 2.000 Dollar monatlich. Meta kündigte Mitte Juni 2026 Grenzen für die interne KI-Nutzung an, AT&T beschränkte für Teile der Belegschaft den Copilot-Zugriff, Walmart deckelte den Verbrauch seines internen Agenten, und Amazon schaffte ein internes Nutzungs-Leaderboard ab, nachdem Mitarbeitende anfingen, es zu manipulieren.

Für Unternehmen, die gerade Coding-Agenten einführen, ist das die derzeit belastbarste Kostenreferenz, die es gibt. Marktberichte nennen als Spanne grob 20 bis 300 Dollar pro Entwickler und Monat bei leichter bis mittlerer Nutzung, 150 bis 900 Dollar bei intensiver professioneller Arbeit und in Ausreißerfällen vierstellige Beträge. Wer mit den Listenpreisen der Abo-Modelle kalkuliert, rechnet also potenziell um eine Größenordnung zu niedrig. Und der Effekt hat eine unangenehme Eigendynamik: Je autonomer ein Agent arbeitet, desto mehr Kontext zieht er, und desto schlechter korreliert der Verbrauch mit der Zahl der Tastenanschläge eines Menschen. Wer hier keine Budgets und keine Sichtbarkeit pro Team einzieht, merkt es erst auf der Rechnung.

Mistral hat mit Shieldstral-1.0-3B einen Sicherheitsklassifikator veröffentlicht, der das übliche Prinzip solcher Modelle umdreht. Klassische Guardrail-Modelle wie Llama Guard oder ShieldGemma sind auf einen festen Katalog von Kategorien trainiert — Gewalt, Selbstverletzung, Hassrede und so weiter. Wer eine eigene Richtlinie durchsetzen will, die nicht in dieses Raster passt, muss nachtrainieren oder tricksen.

Shieldstral verlangt stattdessen, dass man die Richtlinie zur Laufzeit als ganz normale Frage formuliert — etwa: „Ruft dieser Inhalt zu echter Gewalt auf?“ Mistral nennt das Prinzip policy-as-prompt und beschreibt es so: „you write the policy as a plain-language question at inference time, and the model returns a calibrated safety score.“ Zurück kommt also kein Kategorielabel, sondern ein kalibrierter Wert zwischen 0 und 1. Bewertet werden können Anweisung, Nutzeranfrage und Dokument. Ändert sich die Richtlinie, ändert man den Satz — kein Trainingslauf nötig.

Die technischen Eckdaten: 3 Milliarden Parameter auf Basis von Ministral-3B, für Bildinhalte kommt Mistrals Pixtral-Vision-Encoder dazu. Das Modell läuft nach Anbieterangaben auf einer einzelnen Grafikkarte mit 16 GB Speicher, steht unter Apache 2.0 mit offenen Gewichten und liegt frei auf Hugging Face. Die Benchmarks sind Herstellerangaben aus Mistrals Paper: 84,9 Prozent F1 bei der Textklassifikation und damit gleichauf mit GPT-OSS-Safeguard-20B, einem rund siebenmal größeren Modell; 83,8 Prozent bei Bild- und Bild-Text-Sicherheit, womit es OmniGuard-7B und LlavaGuard-7B schlägt; 91,3 Prozent bei der Anpassbarkeit an neue Richtlinien, hier knapp hinter dem 20B-Modell mit 94,1 Prozent. Unabhängige Nachmessungen liegen bislang nicht vor.

Praktisch interessant ist das für alle, die ein Produkt mit nutzergenerierten Inhalten oder einem offenen Chat-Interface betreiben und dabei branchenspezifische oder regulatorische Regeln durchsetzen müssen, die kein Standardkatalog abdeckt. Bislang war die Wahl zwischen einem großen Modell als Moderator — teuer pro Anfrage — und einem kleinen Klassifikator mit starren Kategorien. Ein 3B-Modell mit frei formulierbarer Richtlinie, das auf einer einzelnen Karte im eigenen Rechenzentrum läuft, trifft eine Lücke dazwischen. Dass der Output aus einem einzigen Wort besteht, drückt die Inferenzkosten zusätzlich.

Zur Lage des Anbieters: Mehrere Wirtschaftsmedien berichteten im Juni 2026 übereinstimmend, Mistral verhandle über eine Finanzierungsrunde von rund 3 Milliarden Euro bei einer angestrebten Bewertung um 20 Milliarden Euro — nach 11,7 Milliarden in der Series C vom September 2025. Angeführt werden soll sie erneut vom Chipausrüster ASML, der bereits mit rund 11 Prozent größter Anteilseigner ist; das Kapital soll vor allem in eigene europäische Rechenzentren fließen. Diese Zahlen sind Berichterstattung, nicht offiziell bestätigt. Zur Positionierung passen sie: Ein offenes, kleines, im eigenen Haus betreibbares Sicherheitsmodell ist genau das Angebot, mit dem sich ein europäischer Anbieter von US- und chinesischen Frontier-Modellen abgrenzen kann.

OpenAI hat am Donnerstag zwei Änderungen an ChatGPT angekündigt, die auf den ersten Blick nach Produktpflege aussehen und auf den zweiten viel über die Wettbewerbslage verraten. Die auffälligere: Gratis- und Go-Konten bekommen GPT-5.6 Luna als Standardmodell und dazu unbegrenzt viele Textchats — „unlimited text chats, with no text-based rate limits“. Ein Think-Knopf für tieferes Nachdenken folgt in der Woche darauf.

Wichtig ist, was nicht mitgemeint ist. OpenAI schreibt ausdrücklich: „There will still be separate limits for files, images, voice, and image generation.“ Datei-Uploads, Bilder, Sprache und Bildgenerierung bleiben also gedeckelt. Unbegrenzt ist nur reiner Text — das ist zugleich die günstigste Modalität und die, bei der ein Limit am ehesten Nutzer vertreibt.

Für zahlende Kunden gibt es parallel ein Update von GPT-5.6 Sol. OpenAI nennt dazu eine Zahl, die für die Branche ungewöhnlich konkret ist: Faktenfehler seien bei Luna um 62 Prozent und bei Sol um 68 Prozent seltener als bei GPT-5.5-Instant. Das ist eine interne Auswertung des Anbieters, keine unabhängige Messung, und die Bezugsgröße — welche Fragenmenge, welcher Fehlerbegriff — ist nicht offengelegt. Daneben stehen die üblichen Verhaltensanpassungen: direktere Antworten, sparsameres Formatting, und die Ansage, dass das Modell Nutzern eher widerspricht, statt ihnen nach dem Mund zu reden. Plus- und Pro-Kunden bekommen zudem einen Regler, mit dem sich die Denktiefe zwischen schneller Alltagsantwort und ausführlicher Recherche einstellen lässt.

Ein Detail zur Einordnung, das nicht aus OpenAIs Ankündigung stammt: Nach den Messungen von Artificial Analysis liegt Luna im allgemeinen Intelligence-Index mit 51,2 Punkten unter GPT-5.5 mit 54,8 — bei gleichzeitig deutlich niedrigerer Fehlerquote laut OpenAI. Das ist kein Widerspruch, sondern die Designabsicht der 5.6-Familie: nicht maximale Rohleistung, sondern Kosten und Verlässlichkeit im Alltagsbetrieb. Und nur mit einem billigen Modell lässt sich ein Gratis-Angebot ohne Textlimit überhaupt rechnen.

Die strategische Lesart liegt nahe, auch wenn OpenAI sie nicht selbst formuliert. ChatGPT bewegt sich seit Anfang 2026 bei rund 900 Millionen wöchentlich aktiven Nutzern; Google nannte für Gemini auf der I/O im Mai 2026 etwa 900 Millionen monatlich aktive Nutzer, und die chinesischen Anbieter drücken über offene Gewichte auf die Preise. Ein Gratiszugang ohne Textlimit ist in dieser Lage weniger Großzügigkeit als Verteidigung der Reichweite — die Ebene, auf der sich entscheidet, welcher Assistent zur Gewohnheit wird.