Ausgabe vom 15. August 2026

Am 11. August hat Mistral drei Dinge auf einmal angekündigt, die zusammen eine strategische Neuausrichtung ergeben. Erstens: Regional Endpoints sind allgemein verfügbar — Kunden können festlegen, ob ihre Anfragen in Europa oder in den USA verarbeitet werden, was Datenresidenz-Anforderungen erfüllbar macht. Zweitens: ein Priority Tier mit zugesicherter Verfügbarkeit und eigenen Ratenbegrenzungen für kritische Arbeitslasten, vorerst als öffentliche Vorschau. Preise nennt die Ankündigung für beides nicht.

Drittens, und das ist der eigentliche Bruch: Mistral hostet erstmals ein fremdes offenes Modell auf der eigenen Plattform — und zwar GLM-5.2 von Z.ai, unverändert, aus China. Dasselbe Haus also, dessen Nachfolgemodell wir im Leitartikel dieser Ausgabe behandeln.

Dazu kommt eine Infrastruktur-Initiative: die European Compute Units, eine Koalition, die bis 2030 bis zu ein Gigawatt langfristige europäische Rechenkapazität sichern soll. Unterzeichnet haben unter anderem Amadeus (Luis Maroto), ASML (Christophe Fouquet), Capgemini (Aiman Ezzat), die Caisse des Dépôts (Olivier Sichel) und CMA CGM (Rodolphe Saadé). Das ist bemerkenswert nicht wegen der Zahl — ein Gigawatt bis 2030 ist im Vergleich zu den amerikanischen Ausbauplänen bescheiden — sondern wegen der Zusammensetzung: Das sind Abnehmer, keine Anbieter.

Der t3n-Autor Florian Zandt hat die Ankündigung am 14. August als „Kapitulation" gelesen: Mistral gebe damit den Anspruch auf, ein „ChatGPT aus Europa" zu bauen. Die Wertung stammt vom Kommentator, nicht von Mistral — ein entsprechendes Zitat aus dem Unternehmen gibt es nicht. In der Sache trifft die Beobachtung aber einen Punkt: Wer fremde Modelle ausliefert, verkauft nicht mehr primär Modellqualität, sondern Betrieb unter europäischer Kontrolle.

Ob das ein Rückzug oder eine Positionierung ist, hängt davon ab, wo man den Wert vermutet. Die Modellschicht ist inzwischen der Teil des Marktes mit dem härtesten Preisverfall und der kürzesten Halbwertszeit — Google ersetzt sein Arbeitspferd im Dreiwochentakt, die Tokenpreise fallen quer durch die Branche. Die Schicht darunter — Rechenkapazität, Datenresidenz, garantierte Verfügbarkeit — ist träger, kapitalintensiver und für europäische Kunden regulatorisch nicht ersetzbar. Mistral verlässt also das Feld mit dem stärksten Wettbewerb und besetzt eines, in dem Herkunft ein Kaufargument ist.

Für Entscheider in Europa ergibt sich daraus ein konkreter Prüfauftrag. Wenn ein europäischer Anbieter ein chinesisches Modell auf europäischer Infrastruktur ausliefert, ist die Datenverarbeitung europäisch — die Modellgewichte und ihr Trainingsprozess sind es nicht. Für DSGVO-Fragen ist das ein echter Fortschritt. Für Fragen der Lieferkettensicherheit oder der Modellherkunft, wie sie manche Branchenaufsichten inzwischen stellen, ist es keine Antwort. Beide Kriterien sollte man getrennt bewerten, statt sie unter dem Wort Souveränität zu vermischen.

Am 14. August erschien in der Financial Times — hierzulande über Ars Technica und Golem verbreitet — eine Bestandsaufnahme des Preiskampfs zwischen den führenden US-Laboren. Die Meldung hat keinen einzelnen neuen Preisschritt zum Anlass; ihr Wert liegt im Gesamtbild, und das ist deutlicher, als die Einzelmeldungen der vergangenen Wochen vermuten ließen.

Die harten Zahlen: OpenAI senkte den Preis für GPT-5.6 Luna um 80 Prozent — von einem Dollar auf 0,20 Dollar je Million Eingabe-Token und von sechs auf 1,20 Dollar je Million Ausgabe-Token. Anthropic brachte Claude Opus 5 zu 5 Dollar Eingabe und 25 Dollar Ausgabe an den Start, also zum halben Preis des hauseigenen Spitzenmodells Fable 5. Und in der Woche vor der Veröffentlichung sagte Anthropic eine für September geplante Preiserhöhung für Sonnet 5 ab. Der Token-Preisindex des Datenanbieters Silicon Data weist über alle führenden US-Modelle hinweg einen Rückgang von knapp einem Viertel seit Mitte Juli aus.

Der Auslöser wird offen benannt: chinesische offene Modelle. Unternehmen wie DoorDash und Airbnb haben nach eigenen Angaben begonnen, chinesische Modelle einzusetzen, um Rechnungen zu begrenzen. Verstärkt wird der Effekt dadurch, dass OpenAI und Anthropic Geschäftskunden zunehmend von Pauschalabonnements auf nutzungsabhängige Abrechnung umstellen — was steigende Rechnungen sichtbarer macht und Ausweichbewegungen auslöst.

Eine methodische Warnung liefert der Artikel gleich mit, und sie ist wichtiger als die Preistabelle: Listenpreise pro Token sind kein Vergleichsmaßstab. Ein fähigeres Modell löst eine Aufgabe oft mit weniger Token und weniger Anläufen, und die meisten Modelle laufen zusätzlich in verschiedenen Effort-Stufen, die Rechenaufwand und Ergebnis gleichermaßen verschieben. Artificial Analysis misst entsprechend: Anthropics Opus 5 auf mittlerer Stufe liefert ähnliche Leistung und ähnliche Kosten pro Aufgabe wie Moonshots Kimi K3 auf höchster Stufe. GPT-5.6 Luna auf höchster Stufe kommt an DeepSeeks V4 Flash heran, kostet pro Aufgabe aber knapp das Doppelte. Warum diese Rechnung wichtiger ist als der Stückpreis, haben wir in unserer gestrigen Reportage ausführlich behandelt.

Anthropic und OpenAI wollten sich nicht äußern. Eine Anthropic nahestehende Person erklärte lediglich, die Positionierung von Opus 5 unterhalb des Flaggschiffs sei die normale Struktur der Modellfamilie und habe „keinen Zusammenhang mit Wettbewerbern". Die aufschlussreichste Einordnung stammt von einem Kunden: Mantas Lukauskas, KI-Verantwortlicher beim Hosting-Anbieter Hostinger, weist darauf hin, dass die Preise für die allerbesten Modelle „gleichbleibend bis steigend" seien, und fasst zusammen: „Die US-Labore haben die Mitte gekappt und verteidigen die Spitze."

Für die Budgetplanung heißt das etwas Unbequemes. Wer heute günstiger einkauft, tut das in der mittleren Leistungsklasse — dort, wo der Wettbewerb mit offenen chinesischen Modellen stattfindet. Wer Spitzenmodelle braucht, sieht keinen Preisverfall und sollte auch keinen einplanen. Beide Sätze gleichzeitig zu berücksichtigen ist die eigentliche Aufgabe, und sie fällt leichter, wenn die eigene Architektur einen Modellwechsel pro Anwendungsfall zulässt statt nur pro Unternehmen.

Auf dem 35. USENIX Security Symposium in Baltimore, das vom 12. bis 14. August lief, haben Forschende der TU Berlin, des BIFOLD, von Inria und der Ruhr-Universität Bochum eine Feldstudie vorgestellt, die eine oft behauptete These erstmals sauber beziffert. Autoren sind Stefan Czybik, Anne Josiane Kouam und Konrad Rieck (alle BIFOLD/TU Berlin beziehungsweise Inria) sowie Peter Heubl und Jan Magnus Nold (Ruhr-Universität Bochum).

Der Aufbau: 7.700 Teilnehmende an einer Partneruniversität erhielten Phishing-Mails. Aus der bloßen E-Mail-Adresse heraus sammelte eine automatisierte Pipeline öffentlich verfügbare Informationen über die Zielperson und verfasste daraus eine maßgeschneiderte Mail — Spear Phishing genannt, also der gezielte Angriff auf eine einzelne Person statt der Massenversand.

Die Ergebnisse in einer Zeile: Generische Massen-Mails erreichten eine Klickrate von 3,9 Prozent. Automatisch personalisierte Mails kamen auf 10,0 Prozent — nahezu eine Verdreifachung. Von Hand geschriebene Spear-Phishing-Mails eines erfahrenen Sicherheitsforschers erreichten mit 24,2 Prozent weiterhin gut das Zweieinhalbfache der automatisierten Variante. Die Maschine ist also noch nicht so gut wie ein guter Mensch.

Nur ist das die falsche Vergleichsgröße. Der eigentliche Befund steht in der Kostenrechnung. Für die manuelle Variante veranschlagten die Forschenden fünf Minuten Recherche und zwei Minuten Schreiben pro Mail; für 100 Ziele ergab das rund elf Stunden und 40 Minuten Arbeitszeit eines Fachmanns. Die automatisierte Pipeline erzeugte 4.010 Mails in etwa 50,5 Stunden auf einer einzigen Nvidia A40 — rund 45 Sekunden pro Mail und damit fast neunmal schneller als der Mensch, bei Kosten von etwa drei Cent pro Mail. Und der Ablauf ist vollständig parallelisierbar.

Für die Sicherheitslage ist ein technisches Detail der Studie das wichtigste: Es kamen ausschließlich lokal betriebene offene Modelle zum Einsatz — Varianten von Llama, DeepSeek, Gemma, Mistral und Phi, orchestriert über LangChain. Kein kommerzieller Dienst, keine API, kein Anbieter, der etwas hätte blockieren können. Damit greift die gesamte Schutzschicht der geschlossenen Anbieter — Nutzungsbedingungen, Missbrauchserkennung, Kontosperren — an dieser Stelle prinzipiell nicht. Das ist derselbe strukturelle Punkt, der auch im Leitartikel dieser Ausgabe steht, nur von der anderen Seite betrachtet.

Die Autoren nennen zwei Gegenmaßnahmen, und beide sind für Unternehmen unmittelbar umsetzbar. Erstens: die Menge öffentlich verfügbarer Information begrenzen, die sich einer E-Mail-Adresse zuordnen lässt — die Pipeline lebt genau davon. Bemerkenswert dabei ist ein Nebenbefund: Personen mit geringer bis mittlerer öffentlicher Informationsmenge waren am anfälligsten, nicht die mit der größten. Zweitens: personalisiertes Phishing in die Awareness-Schulungen aufnehmen. Wer sein Personal weiterhin an Massen-Mails mit Rechtschreibfehlern trainiert, trainiert auf ein Angriffsmuster, das drei Cent pro Kopf teurer geworden ist — und dabei aus der Mode kommt.

Google hat am 14. August in der Gemini-App und im Videowerkzeug Flow eine Einstellung namens „Media watermark" eingeführt. Ist sie ausgeschaltet, verschwindet das sichtbare Funkel-Symbol aus allen generierten Inhalten — betroffen sind Bilder aus dem Bildmodell, Videos und generierte Musik. Der Rollout läuft nach Firmenangabe über die folgenden Tage; in Indien, Südkorea und Vietnam ist die Option zunächst nur für Abonnenten von Google AI Ultra verfügbar.

Wichtig ist die Abgrenzung, die in der Kurzberichterstattung leicht untergeht: Das unsichtbare Wasserzeichen SynthID bleibt immer erhalten, ebenso die C2PA-Herkunftsmetadaten. Der Schalter ändert also nichts an der maschinellen Nachweisbarkeit, sondern nur an der optischen Kennzeichnung für Menschen. Das ist ein realer Unterschied — und zugleich eine Unterscheidung, die im Alltag kaum jemand trifft.

Genau darin liegt der Widerspruch. Ein sichtbares Wasserzeichen informiert jeden Betrachter ohne Werkzeug. Ein unsichtbares informiert nur denjenigen, der ein Prüfwerkzeug hat, es kennt und benutzt. Wer die sichtbare Kennzeichnung abschaltbar macht, verlagert die Beweislast vom Ersteller zum Betrachter. Googles Argument dafür ist nachvollziehbar: Professionelle Nutzer, die generierte Elemente in eigene Produktionen einbauen, brauchen saubere Ausgangsdateien, und wer die Markierung wegretuschieren will, schafft das ohnehin in wenigen Minuten.

Der Vorgang reiht sich in eine Debatte ein, die diese Woche schon zweimal lief. Anthropic hatte am 11. August begonnen, unsichtbare Zeichen in Claude-Textausgaben zu schreiben; binnen zwei Tagen kursierten Werkzeuge zum Entfernen, begleitet von deutlicher Nutzerkritik. Google zieht bei sichtbaren Markierungen nun die Konsequenz aus derselben Dynamik — allerdings freiwillig und mit dem Hinweis, dass die belastbarere Kennzeichnung ohnehin die unsichtbare sei.

Für Unternehmen, die generierte Medien veröffentlichen, ändert das die Rechtslage nicht. Die Kennzeichnungspflicht nach Artikel 50 der EU-KI-Verordnung gilt seit dem 2. August und knüpft an den Anbieter des Inhalts, nicht an die Voreinstellung eines Werkzeugs. Wer den Schalter umlegt, übernimmt die Kennzeichnung damit selbst — und sollte einen Prozess dafür haben, statt sich auf ein Symbol zu verlassen, das der Anbieter jederzeit optional stellen kann.

Reuters berichtete am 14. August unter Berufung auf mit dem Vorgang vertraute Personen, dass Apple ein eigenes großes Sprachmodell für den chinesischen Markt trainiert hat — gemeinsam mit Alibaba. Sollte sich der Bericht bestätigen, wäre Apple das erste ausländische Unternehmen, dem die chinesischen Behörden den Betrieb eines eigenen, proprietären KI-Modells im Land gestatten. Apple und Alibaba haben sich nicht geäußert.

Der Hintergrund erklärt, warum das eine Meldung ist. Chinesische Regeln verlangen für generative KI-Dienste eine Registrierung und Freigabe bei der Cyberspace-Verwaltung; ausländische Modelle sind faktisch ausgeschlossen. Apple hatte seinen generativen KI-Dienst im Vormonat dort registriert. Bislang lief Apple Intelligence in China über Alibabas Modellfamilie Qwen — das eigene Modell soll nun parallel dazu betrieben werden, nicht an dessen Stelle.

Die Konstruktion ist aufschlussreicher als das Produkt. Apple trainiert selbst, aber nicht allein: Der einheimische Partner liefert offenbar die Voraussetzungen, unter denen die Genehmigung überhaupt möglich wird — von der Datengrundlage über die Infrastruktur bis zur regulatorischen Beziehung. Dasselbe Muster hatte zuvor schon Google für Gemini in China gewählt. Was hier entsteht, ist keine Lokalisierung im Sinne einer Übersetzung, sondern ein separates Produkt mit separater Aufsicht.

Für Produktverantwortliche außerhalb Chinas ist das der eigentliche Lerneffekt, und er ist nicht auf China beschränkt. Wer KI-Funktionen in ein Produkt einbaut, das in mehreren regulierten Märkten ausgeliefert wird, plant zunehmend nicht mehr ein Modell mit regionalen Einstellungen, sondern mehrere Modelle mit getrennten Freigabewegen, getrennten Datenflüssen und getrennten Verantwortlichkeiten. Der Aufwand dafür fällt nicht in der Modellauswahl an, sondern in der Architektur — und wer ihn erst bemerkt, wenn der erste Markt eine eigene Zulassung verlangt, bezahlt ihn doppelt.

Zur Einordnung gehört auch, was hier nicht belegt ist: Größe, Architektur, Trainingsdaten und Zeitplan des Modells nennt der Bericht nicht. Es handelt sich um eine Recherche mit anonymen Quellen, nicht um eine Unternehmensankündigung. Bis Apple oder Alibaba etwas bestätigen, bleibt der Kern der Meldung die regulatorische Neuheit, nicht die technische.

X hat am 13. August eine deutlich erweiterte Fassung seines Empfehlungsalgorithmus auf GitHub veröffentlicht — unter Apache-2.0-Lizenz, im Repository xai-org/x-algorithm. Nach übereinstimmenden Berichten ist der Umfang zehn- bis fünfzehnmal größer als bei der Veröffentlichung vom Januar 2026; enthalten sind diesmal Modellkonfigurationen, Filterregeln und Ranking-Parameter. Pull Requests aus der Community sind ausdrücklich vorgesehen.

Die praktisch interessanteste Neuerung ist keine Codezeile, sondern eine Funktion in den Kontoeinstellungen: ein Schattenbann-Prüfer, der als JSON-Datei ausgibt, ob und wie stark die eigenen Beiträge in der Verteilung heruntergestuft werden. Der Pilot ist zunächst auf Konten beschränkt, die mindestens ein Jahr alt sind. Shadowbanning — die stille Reichweitenreduzierung ohne Sperrung oder Benachrichtigung — war jahrelang Gegenstand von Spekulation; erstmals gibt es eine Auskunft dazu vom Betreiber selbst.

Bei aller Transparenz gibt es eine Lücke, die man kennen sollte: Die auf Grok basierende Vorhersage von Regelverstößen ist von der Veröffentlichung ausdrücklich ausgenommen. Das ist ausgerechnet die Komponente, die entscheidet, ob ein Beitrag als problematisch eingestuft und damit heruntergestuft wird. Offen liegt also, wie das Ranking rechnet — nicht, wie das Modell urteilt, das ins Ranking hineinreicht.

Für Unternehmen mit Reichweite auf der Plattform ist das trotzdem mehr als eine Randnotiz. Wer Social-Media-Kennzahlen als Erfolgsmaßstab verwendet, konnte bislang nicht unterscheiden, ob schlechte Zahlen an schlechten Inhalten oder an einer Herabstufung lagen. Diese Unterscheidung ist jetzt zumindest teilweise messbar. Und der veröffentlichte Code ist die erste belastbare Grundlage, um Behauptungen über Reichweitensteuerung zu prüfen, statt sie zu glauben oder zu bestreiten.

In einem am 14. August veröffentlichten Interview mit dem Handelsblatt hat OpenAI-Chef Sam Altman einen zweiten deutschen Standort angekündigt: ein Büro in Berlin, nach dem bestehenden in München. Eröffnungsdatum, Teamgröße und Aufgabenzuschnitt nennt er nicht.

Die Begründung liefert die einzige belastbare Zahl des Interviews: Deutschland sei für OpenAI der größte zahlende ChatGPT-Markt Europas und liege weltweit unter den ersten drei. Das ist ein bemerkenswerter Befund für ein Land, dessen Verhältnis zu amerikanischen Cloud-Diensten üblicherweise als zurückhaltend beschrieben wird — und er passt zu der Beobachtung, dass Zahlungsbereitschaft und öffentliche Skepsis in Deutschland regelmäßig auseinanderfallen.

Beim zweiten Thema des Interviews ist die Lage dünner. Altman bekräftigt, eigene Rechenzentren in Deutschland zu bevorzugen. Nach dem Bericht gibt es bei diesem Projekt allerdings seit Juli keine neuen Entwicklungen: kein Standort, keine Investitionssumme, kein Zeitplan, kein Partner. Damit ist es das, was es im Juli war — eine Absichtserklärung.

Diese Unterscheidung lohnt sich, weil sie im politischen Echo solcher Interviews regelmäßig verschwindet. Ein Büro ist eine Vertriebs- und Personalentscheidung im niedrigen zweistelligen Millionenbereich, oft darunter. Ein Rechenzentrum ist eine Infrastrukturentscheidung, die Netzanschluss, Genehmigungen, Kühlung, Wasser und Stromverträge über Jahre voraussetzt — Themen, bei denen Deutschland langsam ist und bei denen wir zuletzt festgestellt haben, dass nicht einmal der Wasserverbrauch der eigenen Ausbaupläne bekannt ist. Zwischen beiden Ankündigungen liegen zwei Größenordnungen und mehrere Jahre.

Für deutsche Unternehmen ändert das kurzfristig wenig. Wer heute Datenresidenz in Europa braucht, bekommt sie über die bestehenden europäischen Regionen der Hyperscaler oder über Anbieter wie den in dieser Ausgabe behandelten europäischen Weg von Mistral — nicht über ein Rechenzentrum, das noch keinen Standort hat.

TechCrunch hat am 14. August ein Porträt des französischen Startups Kog veröffentlicht. Es ist keine Finanzierungsmeldung — die Seed-Runde unter Beteiligung von Varsity VC liegt zurück, ein Betrag wurde nie genannt; zu den Unterstützern zählen der Cloud-Anbieter Scaleway, die Förderbank Bpifrance und das Programm French Tech 2030. Das Unternehmen hat elf Beschäftigte.

Die These ist die interessante Zutat. Der verbreitete Befund lautet, dass Grafikkarten für agentische Arbeitslasten — also für viele kleine, schnell aufeinanderfolgende Modellaufrufe statt weniger großer — schlecht geeignet seien; das ist unter anderem das Verkaufsargument von Spezialanbietern wie Cerebras oder Groq. Kog hält das für ein Missverständnis: Nicht die Hardware sei das Problem, sondern die Softwareschichten darüber.

Der Ansatz ist entsprechend unbequem. Statt auf den üblichen Bibliotheken aufzusetzen, arbeitet Kog nach eigener Darstellung per Reverse Engineering bis auf die Assembler- und Binärcode-Ebene bestehender Rechenzentrums-GPUs — konkret AMDs MI300X und Nvidias H200. Der behauptete Effekt: bis zu dreißigfach schnellere Inferenz gegenüber Standard-Software auf derselben Hardware.

Diese Zahl ist eine Firmenangabe ohne unabhängige Nachmessung, und sie sollte entsprechend gelesen werden. Kog kündigt für September ein erstes großes Modell mit zehnfacher Geschwindigkeit an; eine Series-A-Runde soll danach folgen. Das ist der übliche Ablauf — die Zahl kommt zuerst, der Beleg später, die Finanzierung dazwischen.

Warum die Meldung trotzdem zählt: Wenn die Behauptung auch nur teilweise trägt, verschiebt sie eine Annahme, auf der derzeit erhebliche Investitionen beruhen — nämlich dass Geschwindigkeitsgewinne bei der Inferenz vor allem neue Hardware erfordern. OpenAI hat genau darauf gerade eine eigene Produktkategorie aufgebaut. Für Unternehmen, die eigene Modelle betreiben, lohnt daher weniger die Frage nach dem Faktor als die dahinter: Wie viel Leistung liegt auf den bereits gekauften Karten brach, weil niemand die Softwareschicht darunter angefasst hat?