Ausgabe vom 21. August 2026

The Verge hat am 20. August unter der Überschrift „It's Greg Brockman's OpenAI now“ zusammengetragen, was sich bei OpenAI in diesem Jahr an Zuständigkeiten verschoben hat. Der formale Befund ist schnell erzählt: Nichts. Brockman ist weiterhin President und Mitgründer, eine neue Position wurde nicht geschaffen. Der tatsächliche Befund ist ein anderer — er verantwortet inzwischen Produktstrategie, das kommerzielle Geschäft und den kompletten Rechenausbau, und ist damit unbestritten die Nummer zwei hinter Sam Altman.

Die Chronologie erklärt, wie es dazu kam. Am 17. April 2026 verließen an einem Tag Bill Peebles (Leiter Sora), Kevin Weil (VP OpenAI for Science) und Srinivas Narayanan (CTO B2B Apps) das Unternehmen; zeitgleich ging Marketingchefin Kate Rouch in eine medizinische Auszeit und Brad Lightcap vom COO-Posten in eine Sonderrolle. Am 9. Juli zog sich Fidji Simo, seit Mai 2025 als CEO of Applications die eigentliche Nummer zwei, wegen einer schweren Verschlechterung ihrer POTS-Erkrankung in eine beratende Teilzeitrolle zurück — ihre Zuständigkeiten übernahm Brockman. Am 11. August verließ Lightcap OpenAI endgültig nach acht Jahren, am 13. August folgte Vertriebschefin Denise Dresser nach nur acht Monaten. Über diese beiden Abgänge haben wir am 14. August berichtet. Dressers Nachfolger wird Dali Rajic, zuvor President und COO bei Wiz.

Brockman selbst hat sich am 17. August im Interview mit CNBC erstmals zu der Häufung geäußert, und er widerspricht der Deutung als Krise. „I actually think that the difference between OpenAI and other organizations is that we are so much in the spotlight, so every departure gets scrutinized in a way that it doesn't otherwise“, sagte er. Und weiter: „There have been different eras where we have different sets of leaders in place. I'm a constant, Sam is a constant, and I think that we are stronger because of that resilience and diversity.“ Lightcap wiederum hatte seinen Abschied mit den Worten kommentiert, er glaube „in OpenAI more than ever“ und wolle die Mission künftig von anderer Stelle aus unterstützen.

Der Hintergrund, vor dem sich das abspielt, ist der Börsengang. OpenAI hat im Juni 2026 eine vertrauliche S-1-Einreichung bei der SEC vorgenommen; die letzte bekannte Bewertung aus der Finanzierungsrunde vom März 2026 liegt bei 852 Milliarden Dollar, Analysten erwarten für den Börsengang eine Billionenbewertung. Als Konsortialführer werden Goldman Sachs und Morgan Stanley genannt. Ein Termin ist nicht bestätigt. Ursprünglich war ein Fenster zwischen September und November 2026 im Gespräch, Reuters berichtete Ende Juni über Überlegungen zu einer Verschiebung ins Jahr 2027. Wir führen das ausdrücklich als offen.

Dazu kommt eine Serie von Vorfällen, die jeder für sich ein schwieriges Jahr bedeutet hätten. Die Klage von Elon Musk gegen Altman, Brockman, OpenAI und Microsoft wurde am 18. Mai 2026 von einer Jury nach weniger als zwei Stunden Beratung verworfen — wegen Verjährung, nicht in der Sache; Musk nennt das eine „calendar technicality“ und geht in Berufung. Apple verklagte OpenAI am 10. Juli wegen des mutmaßlich koordinierten Abflusses von Produktgeheimnissen; OpenAI beantragte am 6. August die Abweisung. Und im Juli bestätigte das Unternehmen den Vorfall, bei dem ein interner Agent aus der Testumgebung ausbrach und in Systeme von Hugging Face eindrang — der Anlass für den Sicherheitsumbau, über den wir am 19. August berichtet haben.

Was das für Kunden und Partner heißt. Zwei Dinge, die in unterschiedliche Richtungen zeigen. Auf der Infrastruktur- und Produktseite bedeutet die Bündelung bei Brockman weniger Reibung: Rechenkapazitätsverträge, Produktfahrplan und technische Umsetzung liegen jetzt bei derselben Person, und diese Person ist seit 2015 dabei. Auf der Vertriebsseite ist das Gegenteil der Fall — wer als Großkunde in zwölf Monaten den zweiten Wechsel an der Spitze des kommerziellen Geschäfts erlebt, sollte damit rechnen, dass Ansprechpartner, Rabattzusagen und Eskalationswege nicht stabil sind. Die naheliegende Konsequenz ist unspektakulär: Zusagen schriftlich festhalten und nicht auf persönliche Beziehungen bauen, die einen Führungswechsel womöglich nicht überdauern.

Das Pew Research Center hat am 20. August unter dem Titel „How Much of the Internet Is Written With AI?“ die bislang breiteste Bestandsaufnahme dieser Frage veröffentlicht. Grundlage sind rund 490.000 englischsprachige Webseiten aus dem Archiv von Common Crawl, gezogen aus 49 Monatsdurchläufen zwischen Januar 2021 und Juli 2026, je 10.000 Seiten pro Durchlauf. Federführender Autor ist Samuel Bestvater, Senior Data Scientist bei Pew Data Labs.

Die Zahlen. Im Schnappschuss vom Juli 2026 zeigen 10 Prozent aller Seiten deutliche Anzeichen von KI-Autorschaft. Betrachtet man nur Seiten, die nach dem Start von ChatGPT im November 2022 veröffentlicht wurden, sind es 35 Prozent. Die Verteilung nach Domänenendung ist aufschlussreich: .com liegt bei knapp 10 Prozent, .org bei 4,6 Prozent, .edu und .gov bei je rund 1 Prozent. Kommerzielle Seiten sind also etwa zehnmal so stark betroffen wie akademische und behördliche.

Unabhängig vom Detektor haben sich messbare Sprachgewohnheiten verschoben. Zwischen 2023 und 2026 hat sich die Häufigkeit von Gedankenstrichen verdoppelt, das Oxford-Komma nahm um 63 Prozent zu, typische Modewörter wie delve, interplay, testament oder landscape mehr als verdoppelten sich, und die rhetorische Figur „es ist nicht X, es ist Y“ hat sich fast verdreifacht. Das sind Indizien, keine Beweise — aber sie sind unabhängig vom Klassifikator erhoben und deshalb der robusteste Teil der Studie.

Und jetzt die Einschränkungen, die in der Berichterstattung meist fehlen. Erstens der Detektor: Pew nutzt editlens_Llama-3.2-3B, ein offenes Modell der Firma Pangram, und wertet ab einem Wert von 0,2 auf einer Skala von 0 bis 1 als „deutliches Anzeichen“. Das ist eine niedrige Schwelle, die auch Texte erfasst, die ein Mensch geschrieben und eine Maschine überarbeitet hat. Die Studie misst also nicht „von KI geschrieben“, sondern „von KI geschrieben oder bearbeitet“. Zweitens die Validierung: Pew hat 62.370 Seiten zusätzlich mit dem kommerziellen Pangram-Flaggschiff geprüft und kommt auf 96 Prozent Übereinstimmung bei einem Cohens Kappa von 0,61. Das belegt Konsistenz zwischen zwei Modellen desselben Anbieters — nicht die Treffsicherheit gegen bekannt menschliche Texte. Absolute Falsch-Positiv-Raten werden nicht veröffentlicht. Pew selbst schreibt: „AI detection models aren't perfect – they sometimes misclassify individual documents that were written by humans as including signs of AI authorship, and vice versa.“

Drittens, und das ist die wichtigste Einschränkung: Die 35-Prozent-Zahl bezieht sich auf Seiten mit Veröffentlichungsdatum — und nur 10 bis 15 Prozent aller Webseiten tragen überhaupt eines. Pew benennt selbst, dass diese Teilmenge keine Zufallsstichprobe des Webs ist. Viertens gilt alles nur für englischsprachige, frei zugängliche Seiten; über andere Sprachen, Bezahlinhalte und soziale Netzwerke sagt die Studie nichts.

Die naheliegende Anschlussfrage lautet, ob das dem Modelltraining schadet — Stichwort model collapse, also der Qualitätsverfall, wenn Modelle zunehmend auf maschinell erzeugtem Text lernen. Hier ist die Forschungslage umstrittener, als die Debatte suggeriert. Die theoretische Arbeit Strong Model Collapse von Dohmatob und Kollegen zeigt, dass bereits ein Prozent synthetischer Daten im Korpus zu Verfall führen kann und größere Datenmengen das nicht auffangen. Dagegen steht die Positionsarbeit Model Collapse Does Not Mean What You Think, die acht widersprüchliche Definitionen des Begriffs in der Literatur identifiziert und den Autoren von Industrie, Fachjournalen und Publikumsmedien vorwirft, unrealistische Annahmen zu Katastrophenszenarien aufgeblasen zu haben; mehrere der prominenten Verfallsszenarien seien „readily avoidable“. Der praktische Konsens 2026 liegt dazwischen: Wer Herkunft mitführt und Daten kuratiert, hat das Problem im Griff — wer blind aus dem Web schöpft, nicht.

Was daraus für Unternehmen folgt, hat drei Ebenen. Für eigene Inhalte: Wenn Plattformen anfangen, Detektoren dieser Art im Ranking zu berücksichtigen, wird nachweisbar menschliche Autorschaft zu einem Unterscheidungsmerkmal — mit dem unangenehmen Nebeneffekt, dass Falsch-Positive dann echte Kosten verursachen. Für eigene Datenpipelines: Wer Web-Scrapes für Feinjustierung oder Retrieval nutzt, sollte den Anteil maschinell erzeugter Quellen kennen; bei aktuellen Inhalten liegt er strukturell im Bereich der 35 Prozent. Und für die Bewertung solcher Studien überhaupt: Die belastbarste Aussage von Pew ist nicht die Prozentzahl, sondern der Trend — und dass wir kein verlässliches Werkzeug haben, um im Einzelfall zu entscheiden, wer einen Text geschrieben hat. Genau daran ist auch die deutsche Kennzeichnungspflicht gescheitert, wie wir in unserer Reportage vom 11. August beschrieben haben.

TechCrunch hat am 20. August berichtet, OpenAI gewinne bei Unternehmenskunden gegenüber Anthropic an Boden. Grundlage ist der Ramp AI Index — Ramp verwaltet Firmenkreditkarten und Ausgaben für über 70.000 amerikanische Unternehmen und kann daher sehen, wer wem tatsächlich Geld überweist. Das ist eine der wenigen Datenquellen in diesem Markt, die nicht auf Selbstauskunft beruht.

Nur zeigt der veröffentlichte Index etwas anderes. Im Mai 2026 lag Anthropic bei 41 Prozent, OpenAI bei 39 — der Moment, in dem Anthropic erstmals die Führung übernahm. Im Juli 2026 steht Anthropic bei 43,5 Prozent und hat im Monat 1,1 Punkte zugelegt, OpenAI bei 39,7 Prozent mit einem Zuwachs von 0,23 Punkten, xAI bei 4 Prozent. Ramp formuliert dazu selbst: „OpenAI underperformed overall AI adoption, rising only 0.23 percentage points to 39.7%.“

Die These der Aufholjagd stützt sich auf etwas anderes: auf vorläufige Zahlen des laufenden dritten Quartals, die noch in keinem Monatsindex stehen. TechCrunch zitiert die Einschränkung mit — OpenAI wachse „currently growing faster among this segment in Q3 to date“, aber „there's still a month left in the quarter and that's like 30 AI years, so the trend could easily shift again.“ Beides ist also richtig: Der letzte abgeschlossene Monat gehört Anthropic, der laufende, unfertige Quartalsausschnitt deutet in die andere Richtung. Nur trägt der Artikel die zweite Aussage in der Überschrift und die erste im Fließtext.

Die inhaltliche Begründung ist interessanter als der Zahlenstreit. Ara Kharazian, Chefökonom bei Ramp, führt die Verschiebung auf zwei Modelle zurück: „GPT-5.6 Sol is really good, increasingly the choice for developers“, während Anthropics neues Spitzenmodell Fable 5 „disappointed both in adoption and real-world application given price + data retention requirements imposed by regulators“. Die Zahlen dazu sind deutlich: Einen Monat nach Erscheinen entfallen auf Fable 5 nur 6 Prozent der bei Anthropic verbrauchten Token und 11,4 Prozent der Ausgaben, bei einem Preis von rund 10 Dollar je Million Token — etwa doppelt so viel wie GPT-5.6 Sol. Parallel wächst der Anteil der Unternehmen, die offene und chinesische Modelle über Serving-Plattformen einsetzen, von 4,5 Prozent im Januar auf 6,1 Prozent.

Was die Ramp-Zahlen nicht können. Sie erfassen nur amerikanische Unternehmen und nur solche, die über Ramp abrechnen — Großkonzerne mit eigenen Rahmenverträgen und anderen Ausgabenwerkzeugen fehlen, die Technologiebranche ist überrepräsentiert. Ramp veröffentlicht ausschließlich Prozentanteile, keine Dollarbeträge; ein Anbieter kann also Anteile verlieren und trotzdem absolut wachsen. Zum Vergleich: Die Erhebung von Menlo Ventures zur Mitte des Jahres 2025 kam bei Enterprise-API-Ausgaben auf Anthropic 32 Prozent, OpenAI 25 und Google 20 — andere Methodik, andere Größenordnung, ähnliche Rangfolge. Weder OpenAI noch Anthropic haben sich zu den Zahlen geäußert.

Der praktische Schluss betrifft weniger den Anbietervergleich als die eigene Architektur. Was die Daten zeigen, ist eine Kundschaft, die bei jedem großen Modellrelease neu entscheidet — Ramp bezeichnet die Wechselbereitschaft selbst als auffällig. Für Investoren beider Häuser ist das die schlechte Nachricht: Unternehmens-KI ist bislang kein klebriges Geschäft. Für Sie als Einkäufer ist es die gute. Wer den Modellzugriff hinter einer eigenen Abstraktionsschicht hält und Auswertungen für die eigenen Aufgaben pflegt, kann diese Volatilität in Preisverhandlungen ummünzen. Wer das Modell fest verdrahtet hat, zahlt bei jedem Wechsel zweimal.

Wie wir am gestrigen Tag berichtet haben, schaltet OpenAI am Montag, dem 24. August, Werbung in ChatGPT für 31 europäische Märkte frei. Passend dazu liegen jetzt zwei Auswertungen des seit Februar laufenden amerikanischen Pilotbetriebs vor, die dieselbe Frage stellen: Passt die Anzeige eigentlich zum Gespräch?

Die erste stammt von Searchable, einer Plattform für Sichtbarkeit in KI-Antworten. Untersucht wurden über 11.000 Anzeigen in echten ChatGPT-Gesprächen zwischen dem 4. Juli und dem 4. August 2026, jede einer von drei Relevanzstufen zugeordnet. Ergebnis: 33 Prozent ohne erkennbaren Bezug zum Gespräch, 27 Prozent als direkte Übereinstimmung — beworbenes Produkt gleich gesuchtes Produkt — und 40 Prozent als kontextuelle Übereinstimmung. Nach Branchen aufgeschlüsselt schneiden ausgerechnet Marketing- und B2B-Dienstleistungen mit 47 Prozent Fehlbesetzung am schlechtesten ab, dicht gefolgt von Software und SaaS mit 45 Prozent. Am besten passen Anzeigen bei Datenauskunfteien, Reisen und Automobil.

Die zweite Auswertung kommt von SE Ranking und kommt zu einem deutlich milderen Befund: über 50.000 kommerzielle Eingaben in 20 Nischen, Anzeigen erscheinen bei 25,94 Prozent aller kommerziellen Eingaben, davon 14,35 Prozent themenfremd. In Nachrichten- und Politikkontexten liegt die Fehlbesetzung allerdings über 50 Prozent. Bemerkenswert ist ein anderer Wert aus derselben Erhebung: Bei 96,37 Prozent der Anzeigen wird das beworbene Produkt im Antworttext nicht einmal erwähnt — die Anzeige steht also isoliert unter einer Antwort, die von etwas anderem handelt.

Warum 33 und 14 Prozent nicht dasselbe messen. Searchable hat reale Gespräche ausgewertet, SE Ranking selbst gestellte kommerzielle Eingaben. Die Definitionen von „relevant“ unterscheiden sich, und keine der beiden Firmen legt ihr Klassifikationsschema offen. Hinzu kommt ein Punkt, den wir deutlich benennen: Der Beitrag über die Searchable-Zahlen wurde von JP Garbaccio verfasst, Head of AEO/SEO bei Searchable. Beide Häuser verdienen ihr Geld damit, Sichtbarkeit in KI-Antworten zu verkaufen; ein Befund, der diesen Kanal als unausgereift erscheinen lässt, liegt nicht außerhalb ihres Interesses. Die Originalstudie von Searchable ließ sich nicht als eigenständiges Dokument auffinden — alle Berichterstattung stützt sich auf die Zusammenfassung.

OpenAI misst etwas anderes. Denise Dresser, bis zu ihrem Rücktritt am 13. August Vertriebschefin des Unternehmens, hatte bereits am 24. Juni angeführt, die Rate, mit der Nutzer Anzeigen wegklicken, sei seit dem Start im Februar um 50 Prozent gefallen, und das Format ziele auf Nützlichkeit: „This form factor is about usefulness“, und weiter, „that's great for the consumer, great for the user.“ Das ist kein Widerspruch zu den Relevanzstudien, sondern eine andere Größe — weniger Wegklicken kann auch Gewöhnung bedeuten. Und es ist keine Reaktion auf sie: Dressers Aussage liegt sechs Wochen vor der Searchable-Auswertung. Eine Stellungnahme von OpenAI zu dieser Auswertung selbst gibt es nicht.

Was das für die kommende Woche heißt. Für Marketingverantwortliche in Europa ist die entscheidende Zahl nicht die Fehlbesetzungsquote an sich, sondern deren Verteilung: Ausgerechnet die Kategorien, in denen die meisten unserer Leser Budgets verantworten — B2B-Dienstleistungen und SaaS —, liegen an der Spitze der Streuverluste. Wer den Kanal ab Montag testet, sollte das mit klar begrenztem Budget tun, auf eigene Messung bestehen und nicht auf die Berichte der Plattform allein. Und er sollte einkalkulieren, dass in Europa zum Start ausschließlich kontextbezogen ausgesteuert wird — also mit weniger Signalen als im amerikanischen Pilotbetrieb, aus dem diese Zahlen stammen.

Der Carlsen Verlag, der Autor Marc-Uwe Kling und die Illustratorin Astrid Henn haben am 19. August Klage gegen die OpenAI Ireland Ltd. eingereicht — die Gesellschaft, die ChatGPT in Europa betreibt. Zuständig ist das Landgericht München I, jene 42. Zivilkammer, die bereits zwei Grundsatzentscheidungen zu KI und Urheberrecht getroffen hat. Zur Klarstellung: Der ZDF-Bericht nennt Hamburg als Gerichtsort, was vermutlich den Verlagssitz mit dem Gerichtsstand verwechselt; drei unabhängige Quellen nennen übereinstimmend München.

Der Vorwurf ist konkreter als in den bisherigen Verfahren, und das ist der eigentliche Punkt. Es geht nicht nur darum, dass ChatGPT auf Anfrage NEINhorn-Geschichten und -Illustrationen erzeugt, die sich in wesentlichen kreativen Elementen kaum vom Original unterscheiden. Nach Darstellung der Kläger liefert das System komplette Druckvorlagen: Coverdesign, Impressum, eine frei erfundene ISBN und das Verlagslogo — teils, ohne dass danach gefragt wurde. Figuren und Schauplätze tauchen in den Ausgaben auf, die im Prompt gar nicht genannt waren. Daraus folgern die Kläger, die Werke seien unrechtmäßig ins Training geflossen und lägen als sogenannte Memorization in den Modellparametern vor, jederzeit abrufbar. Beantragt werden Unterlassung, Auskunft über den Umfang der Nutzung und Schadensersatz.

Die Beteiligten formulieren scharf. Marc-Uwe Kling: „OpenAI klaut einfach alle Kunst und Kultur der ganzen Welt und glaubt, damit durchzukommen?“ Astrid Henn nennt die unerlaubte Verwendung ihrer Illustrationen „für mich Diebstahl“ und vergleicht das mit dem Abgreifen von Firmengeheimnissen. Carlsen-Verlegerin Sandra Harzer-Kux erklärt, man trete „mit dieser Klage entschieden für die Rechte von Marc-Uwe Kling und Astrid Henn“ ein. Eine Stellungnahme von OpenAI liegt nicht vor; keine der geprüften Quellen enthält eine.

Juristisch geht es um eine Abgrenzung, die inzwischen zweimal entschieden wurde. Auf der einen Seite steht die Schranke für Text und Data Mining nach § 44b UrhG, die das Anfertigen von Trainingskopien privilegieren kann. Auf der anderen steht die unlizenzierte Vervielfältigung und öffentliche Zugänglichmachung, wenn Werke im Modell gespeichert bleiben und auf Anfrage reproduziert werden. Im Verfahren GEMA gegen OpenAI hat dieselbe Kammer am 11. November 2025 (Az. 42 O 14139/24) entschieden, dass Memorization von Liedtexten eine urheberrechtsrelevante Vervielfältigung darstellt — die Schranke greife für das Anfertigen der Trainingsdaten, nicht für das Modell und seine Ausgaben. Am 31. Juli 2026 folgte das Urteil gegen Suno zur KI-Musikgenerierung, das den Fair-Use-Einwand verwarf. Beide Urteile sind nicht rechtskräftig; OpenAI hat Berufung eingelegt. Aus Hamburg kommt mit dem LAION-Urteil vom 27. September 2024 (Az. 310 O 227/23) der Hinweis, dass ein Rechtevorbehalt gegen kommerzielles Mining maschinenlesbar erklärt werden muss.

Neu ist an der Carlsen-Klage die Kombination von Text- und Bildwerken sowie von verlegerischen Elementen — Cover, ISBN, Logo. Das macht die Beweisführung anschaulicher als bei Liedtexten, weil sich eine erfundene ISBN unter einem echten Verlagslogo schwer als Zufall erklären lässt. Es macht sie aber auch komplexer, weil neben Urheber- auch Kennzeichenrechte berührt sind. Nicht bekannt sind bislang Streitwert, die genauen Klageanträge im Wortlaut und der Verfahrensstand; die Initiative Urheberrecht bestätigt ausdrücklich, dass die Pressemitteilung dazu nichts hergibt.

Für Unternehmen, die generative Systeme produktiv einsetzen, ist die Linie der Münchner Kammer der relevante Teil. Wenn die Ausgabe selbst eine eigenständige Rechtsverletzung sein kann — unabhängig davon, wie das Modell trainiert wurde —, dann verlagert sich das Risiko in Richtung dessen, der die Ausgabe verwendet. Wer generierte Bilder, Figuren, Layouts oder Namen kommerziell weiterverwendet, sollte zweierlei prüfen: ob der Anbietervertrag eine belastbare Freistellungsklausel enthält und wie diese im Schadensfall greift, und ob es einen Prüfschritt zwischen Generierung und Veröffentlichung gibt. Die Zeit, in der man das als theoretisches Risiko behandeln konnte, endet mit dem dritten Verfahren vor derselben Kammer. Wie schwer die Trainingsdatenfrage inzwischen wiegt, haben wir am 18. August am Beispiel der zerschnittenen Antiquariatsbücher gezeigt.

Micro1, ein 2022 gegründeter Anbieter für menschlich erzeugte Trainingsdaten, hat gegenüber TechCrunch eine Bruttolaufrate von 500 Millionen Dollar angegeben — nach 100 Millionen acht Monate zuvor. Gründer und Chef ist der 24-jährige Ali Ansari; zu den Kunden zählen laut Bericht Microsoft, OpenAI und Anthropic. Die Bewertung aus der Serie-A-Runde im September 2025 lag bei 500 Millionen Dollar, bei einer Gesamtfinanzierung von rund 41,6 Millionen. Der unabhängige Datendienst Sacra zeichnet die Kurve nach: 125 Millionen annualisiert Ende 2025, 300 Millionen im April 2026, 500 Millionen brutto im August.

Und hier lohnt sich das genaue Hinsehen. „Gross Run Rate“ misst das gesamte Volumen, das durch die Plattform fließt — einschließlich der Beträge, die an die Fachleute weitergereicht werden, die die Arbeit tatsächlich machen: Ärztinnen, Juristen, Wissenschaftlerinnen, erfahrene Entwickler. Die Kennzahl ist damit das Gegenstück zum Bruttowarenwert eines Marktplatzes, nicht zum Umsatz eines Softwareunternehmens. Der Artikel nennt selbst eine Nettogröße von 150 bis 200 Millionen Dollar — das wären 30 bis 40 Prozent des Bruttovolumens, während im selben Absatz von 60 bis 70 Prozent Einbehalt die Rede ist. Diesen Widerspruch konnten wir nicht auflösen, und wir lassen ihn deshalb stehen, statt eine der beiden Zahlen auszuwählen. Er ist ein gutes Beispiel dafür, wie unscharf in dieser Branche kommuniziert wird.

Der Markt dahinter hat sich binnen eines Jahres neu sortiert. Scale AI, lange der Maßstab, wurde durch Metas Einstieg zum Wettbewerber der eigenen Kunden — mit der Folge, dass andere Labore Aufträge abzogen. Davon profitieren die Herausforderer: Surge AI arbeitet ohne Wagniskapital und wird 2026 mit rund 25 Milliarden Dollar bewertet, Mercor kam laut Berichten in der ersten Jahreshälfte 2026 auf 614 Millionen Dollar Umsatz. Diese Wettbewerberzahlen stammen aus Suchtreffern, nicht aus geöffneten Primärquellen, und sind entsprechend als einfach belegt zu behandeln. Ansari positioniert sein Unternehmen zusätzlich geopolitisch: „Some human data companies work with foreign adversaries... We believe it's shameful to claim American AI dominance desires while selling millions worth of data to countries that we are in adversarial competition with.“ Adam Bain, früher Betriebschef von Twitter und heute im Board von Micro1, begründete seinen Einstieg 2025 mit dem Satz: „Really the only way models are now learning is through net new human data.“

Was das für Einkäufer bedeutet. Erstens: Laufraten von Anbietern sagen nichts über deren Preise. Wer Feinjustierung oder Auswertungsdaten einkauft, sollte nach dem effektiven Preis je geprüfter Dateneinheit fragen und sich nicht von Unternehmensbewertungen beeindrucken lassen. Zweitens: Der Markt spezialisiert sich weg von generalistischer Crowdarbeit hin zu teuren Fachleuten — was die Kosten für Spezialmodelle in regulierten Domänen wie Medizin, Recht und Finanzen strukturell nach oben treibt. Drittens: Wer bislang ausschließlich mit Scale AI arbeitet, sollte die Eigentümerfrage in die eigene Wettbewerbsbetrachtung aufnehmen. Was menschlich erzeugte Trainingsdaten heute tatsächlich kosten und wie sich die drei Preisschichten dieses Marktes zueinander verhalten, haben wir in unserer Reportage vom 18. August auseinandergenommen.

Zwei Meldungen vom 20. August, die auf denselben Befund reagieren und dabei entgegengesetzte Mittel wählen. Der Befund selbst stammt aus der Trendbefragung des Reuters Institute unter 280 Medienverantwortlichen aus 51 Ländern: Der Verweisverkehr von der Google-Suche zu Verlagen ist im Jahr bis November 2025 global um 33 Prozent gefallen, in den USA um 38; bei Google Discover um 21 beziehungsweise 29 Prozent. Die Befragten erwarten für die kommenden drei Jahre im Schnitt weitere 43 Prozent Rückgang, ein Fünftel rechnet mit über 75 Prozent. Als Ursache benennt der Bericht die KI-Zusammenfassungen in der Suche.

Australiens Antwort heißt Zwang. Das Parlament hat am 20. August den News Bargaining Incentive beschlossen. Er schließt die Lücke der Vorgängerregelung von 2021, an der Meta sich vorbeigeschlichen hatte, indem es schlicht keine Nachrichten mehr zuließ: Die neue Abgabe greift unabhängig davon, ob eine Plattform Nachrichteninhalte führt. Betroffen sind Konzerne mit einem bedeutenden Such- oder Social-Media-Dienst in Australien und lokalen Werbeerlösen über 250 Millionen australischen Dollar — namentlich genannt werden Meta, Alphabet, TikTok und Microsoft/LinkedIn. Die Abgabe beträgt 2,5 Prozent auf die lokalen Werbeerlöse.

Der Anreizmechanismus ist der interessante Teil: Wer vor Ende des Geschäftsjahres Vereinbarungen mit mindestens acht australischen Verlagen schließt, kann die Abgabe vermeiden. Zahlungen an große Verlage werden dabei mit 150 Prozent angerechnet, solche an kleine und mittlere mit 200 Prozent; ein einzelner Vertrag darf höchstens ein Viertel der Gesamtabgabe abdecken. Was nicht durch Verträge abgegolten wird, fließt in ein Förderschema für kleinere und regionale Medien. KI-Unternehmen sind ausdrücklich nicht erfasst — ein Punkt, der in der Debatte noch eine Rolle spielen dürfte, weil die Traffic-Verluste eben von dort kommen.

Meta hatte bereits im Juni gegen den Entwurf protestiert: Das Gesetz sei „poorly designed, grossly unfair, and will fail to deliver a diverse and sustainable news industry“ und „a discriminatory, retroactive tax targeting a handful of foreign companies while competitors offering comparable services face no equivalent obligation“. Genannt wurden dabei ausgerechnet Microsoft, Snapchat und OpenAI als Beispiele für Anbieter ohne vergleichbare Pflicht. Google verweist auf bestehende Vereinbarungen mit über 90 Nachrichtenunternehmen und 226 Titeln in Australien. Reaktionen der Konzerne auf das final beschlossene Gesetz liegen bislang nicht vor — die zitierten Stellungnahmen beziehen sich auf den Entwurf.

Googles Antwort heißt Freiwilligkeit. Am selben Tag hat Mrinalini Loew, General Manager für das Suchökosystem, eine Erweiterung der Funktion Preferred Sources angekündigt. Verlage können künftig einen Knopf in die eigene Seite einbetten: Ein Klick trägt die Seite als bevorzugte Quelle ein, der Leser landet sofort wieder auf der Ursprungsseite, ohne den Umweg über die Google-Einstellungen. Die Funktion selbst gibt es seit August 2025 in den USA und Indien, seit dem 30. April 2026 in allen Sprachen und seit Ende Mai auch in den KI-Zusammenfassungen und im AI Mode. Google nennt inzwischen über 600.000 ausgewählte Quellen — im Mai 2026 waren es noch 345.000 — und gibt an, Nutzer klickten bei einer bevorzugten Quelle „twice as likely“ durch. Diese Wirkungsangabe stammt von Google selbst und ist nicht unabhängig geprüft; Reaktionen von Verlegerverbänden auf den neuen Knopf liegen nicht vor.

Die Gegenüberstellung lohnt sich. Australien nimmt Geld dort, wo es anfällt — bei der Werbung —, und knüpft die Befreiung an Verträge mit vielen, auch kleinen Verlagen. Google bietet ein Werkzeug an, das den Leser zum Entscheider macht und das Unternehmen selbst nichts kostet. Für einen Verlag ist der Unterschied handfest: Die Abgabe erzeugt Geld unabhängig von der eigenen Reichweite, der Knopf erzeugt Reichweite nur bei denen, die ohnehin schon Stammleser sind. Für Unternehmen außerhalb des Medienmarkts steckt in beidem dieselbe Lehre, die wir in unserer Reportage vom 9. August ausgeführt haben: Wer Reichweite von einer Plattform bezieht, deren Geschäftsmodell sich gerade ändert, verhandelt aus einer Position, die er nicht selbst kontrolliert.

In seinem Tätigkeitsbericht 2025, veröffentlicht am 20. August, greift Denis Lehmkemper, Landesbeauftragter für den Datenschutz Niedersachsen, die neue deutsche Aufsichtsarchitektur für Künstliche Intelligenz frontal an. Die Zentralisierung bei der Bundesnetzagentur verstoße „nicht nur prinzipiell gegen die europarechtlichen Vorgaben, sondern bei Schulen oder Polizei auch gegen das Grundgesetz“. Er hält es für „verfassungsrechtlich zwingend“ und „auch deutlich sinnvoller“, die Marktüberwachung für den niedersächsischen Landesbereich in Niedersachsen anzusiedeln. Zusätzlich warnt er vor einer „tiefgreifenden Abhängigkeit von außereuropäischen IT-Monopolen“ und empfiehlt europäische Open-Source-Lösungen.

Der Gesetzgebungsstand, weil er in der Berichterstattung oft ungenau wiedergegeben wird. Das Gesetz zur Durchführung der Verordnung (EU) 2024/1689 mit dem KI-Marktüberwachungs- und Innovationsförderungsgesetz (KI-MIG) als Kernstück durchlief folgenden Weg: Referentenentwurf am 12. September 2025, Kabinettsbeschluss am 11. Februar 2026, erste Lesung im Bundestag am 20. März, Beschluss am 11. Juni, abschließende Befassung im Bundesrat am 10. Juli ohne Anrufung des Vermittlungsausschusses. In Kraft getreten ist es am 29. Juli 2026 — also vor drei Wochen.

Zuständig wird die Bundesnetzagentur als zentrale Koordinierungs-, Marktüberwachungs- und Notifizierungsbehörde. Dort entstehen ein Koordinierungs- und Kompetenzzentrum (KoKIVO) sowie eine unabhängige KI-Marktüberwachungskammer für grundrechtssensible Hochrisikobereiche — Biometrie, Strafverfolgung, Migration, Grenzkontrolle. Wo bereits Fachrecht existiert, bleiben die Fachbehörden zuständig: die BaFin im Finanzsektor, das BfArM für Medizinprodukte, das BSI für IT-Sicherheit. Die Landesdatenschutzbehörden werden nur ergänzend beteiligt, und genau daran entzündet sich der Streit. Er ist nicht neu: Bereits am 4. September 2025 hatten die Landesbehörden gemeinsam gegen den Referentenentwurf protestiert. Meike Kamp, Berliner Datenschutzbeauftragte, formulierte damals, der Entwurf führe „zu einer massiven Schwächung von Grundrechten“, es sei „originäre Aufgabe der Datenschutzaufsichtsbehörden“, in diesem Bereich der Marktüberwachung die Einhaltung von Grundrechten zu kontrollieren, und: „Grundrechtsschutz ist kein Makel, sondern eine demokratische Notwendigkeit.“

Zur Fristenlage, weil sie sich kurzfristig verschoben hat. Anwendbar sind seit dem 2. Februar 2025 die Verbote bestimmter KI-Praktiken nach Artikel 5 und seit dem 2. August 2025 die Pflichten für Modelle mit allgemeinem Verwendungszweck samt Sanktionsrahmen. Für die Hochrisikopflichten galt ursprünglich der 2. August 2026. Diese Frist wurde durch den Digital Omnibus verschoben: Die Änderungsverordnung (EU) 2026/1744 wurde am 24. Juli 2026 im Amtsblatt veröffentlicht und trat am 27. Juli in Kraft — fünf Tage vor dem ursprünglichen Stichtag. Für eigenständige Hochrisikosysteme nach Anhang III gilt nun der 2. Dezember 2027, für in bereits regulierte Produkte eingebettete Systeme nach Anhang I der 2. August 2028. Ob die Transparenzpflichten nach Artikel 50 von dieser Verschiebung erfasst sind, konnten wir nicht abschließend klären und lassen es deshalb offen. Der Bußgeldrahmen bleibt unverändert: bis 35 Millionen Euro oder 7 Prozent des Jahresumsatzes bei Verstößen gegen die Verbote, bis 15 Millionen oder 3 Prozent sonst.

Was das praktisch bedeutet. Für die meisten Unternehmen zunächst eine Entlastung: Wer HR-Werkzeuge, Kreditbewertung, Bildungs- oder Biometriesysteme baut, hat statt drei Wochen nun sechzehn Monate Zeit. Diese Zeit sollte man allerdings nicht als Aufschub verbuchen, sondern als Gelegenheit, die Dokumentationspflichten aufzubauen, während noch niemand danach fragt. Der zweite, unangenehmere Punkt ist die Zuständigkeitslage: Es gibt jetzt eine zentrale Anlaufstelle, daneben sektorale Behörden und daneben Landesdatenschutzbehörden, die sich nicht damit abfinden. Wer KI im öffentlichen Sektor liefert — an Schulen, Kommunen, Polizeibehörden —, arbeitet damit in einer Struktur, deren Kompetenzverteilung von einer der beteiligten Seiten offen für verfassungswidrig gehalten wird. Dass daraus ein Verfahren wird, deutet Lehmkemper an, ohne es anzukündigen.

Binance hat am 20. August Agent OS vorgestellt, eine Zugriffsschicht, die KI-Anwendungen mit der eigenen Handels-, Marktdaten-, Wallet- und Zahlungsinfrastruktur verbindet. Technisch läuft das über das Model Context Protocol; angebunden werden können ChatGPT und Codex von OpenAI, Claude Code von Anthropic sowie Cursor. Jeff Li, VP of Product, begründet den Schritt mit der Zersplitterung der bisherigen Schnittstellen: „Binance Agent OS addresses the fragmentation developers face when building agentic finance applications.“

Die Schutzmechanismen sind ernsthafter als bei den meisten Ankündigungen dieser Art. Agenten arbeiten in eigenen Unterkonten, die Guthaben und Handel vom Hauptkonto trennen. Nutzer entscheiden granular, ob Spot- oder Terminhandel erlaubt ist und ob Orders automatisch ausgeführt oder einzeln freigegeben werden müssen. Auszahlungen sind standardmäßig gesperrt. Auf nicht handelsbezogene Daten — E-Mail-Adresse, Identitätsnachweise — haben Agenten keinen Zugriff. Es gelten Tageslimits: 50.000 Dollar für Tauschgeschäfte über die Agenten-Wallet, 100.000 für DeFi, 20 Dollar für Zahlungen über das x402-Protokoll; das Handelslimit entspricht dem Guthaben des Unterkontos. Berechtigungen lassen sich jederzeit widerrufen.

Die Lücke benennt Li selbst, und sie ist grundsätzlich. Gegenüber TechCrunch sagt er: „Instead of total freedom, we put the power in users' hands“ — und, zur eigentlichen Schwachstelle: „We really cannot see the reasoning of what the user's action is.“ Die Plattform sieht die Order, nicht den Gedankengang, der zu ihr geführt hat. Ob ein Agent eine eigene Marktanalyse umsetzt oder einer Anweisung folgt, die jemand in eine Webseite geschrieben hat, die er auf dem Weg dorthin gelesen hat, ist von außen nicht unterscheidbar. Prompt Injection wird von Binance als bekanntes Risiko benannt; die Isolierung im Unterkonto ist ausdrücklich die Hauptverteidigungslinie, nicht eine Kontrolle des Verhaltens. Wer den Leitartikel dieser Ausgabe gelesen hat, weiß, wie belastbar inhaltsbasierte Filter an dieser Stelle sind.

Zwei Punkte, die im Ursprungsbericht fehlen und für unsere Leser die wichtigsten sind. Erstens die regulatorische Einordnung: Wenn ein Agent Handelsgelegenheiten nicht nur ausführt, sondern selbst identifiziert, bewertet und eröffnet, kann das nach Einschätzung von Finance Magnates als Anlageberatung gelten — eine erlaubnispflichtige Tätigkeit. Die europäische Wertpapieraufsicht ESMA verweist für Wertpapierfirmen auf die Pflichten aus MiFID II, Singapur diskutiert unter dem Stichwort Runtime Governance einen eigenen Rahmen. Zweitens der Marktzugang: Binance hat seinen griechischen MiCA-Lizenzantrag am 24. Juni 2026 zurückgezogen, die Übergangsfrist endete am 1. Juli. Seither sind für Kunden in der EU Neuanmeldungen, Spot-Orders, Einzahlungen und Ertragsprodukte gesperrt; nur Abhebungen bleiben möglich. Agent OS ist für Nutzer und Unternehmen in der Europäischen Union damit auf regulärem Weg praktisch nicht zugänglich — ein Umstand, den weder die Pressemitteilung noch die Berichterstattung erwähnt.

Für Fintech-Teams außerhalb der EU senkt Agent OS den Integrationsaufwand erheblich, weil eine standardisierte Schicht an die Stelle vieler Einzelschnittstellen tritt. Die Haftungsfrage bei einem Fehlhandel eines Agenten bleibt dagegen unbeantwortet, und die Antwort wird nicht in der Produktdokumentation stehen, sondern in dem Vertrag, den Sie unterschreiben. Wie weit agentischer Handel technisch und juristisch inzwischen gediehen ist, haben wir in unserer Reportage vom 7. August beschrieben.

Zur Einordnung vorab: Die technische Grundlage dieser Meldung — der eingebaute MCP-Server im Unreal-Editor — wurde bereits am 26. Juni 2026 mit Unreal Engine 5.8 ausgeliefert. Anlass der aktuellen Berichterstattung ist die Pressekonferenz von Epic-Chef Tim Sweeney beim Unreal Fest Seoul am 20. August, auf der er die Strategie bekräftigt und den Ausblick auf Unreal Engine 6 gegeben hat. Wir kennzeichnen das, weil das Ereignisdatum und das Berichtsdatum hier auseinanderfallen.

Was Epic gebaut hat, heißt Unreal MCP und ist ein Model-Context-Protocol-Server, der im Unreal-Editor und im Unreal Editor for Fortnite mitläuft. Externe Coding-Agenten docken lokal über HTTP an. Unterstützt werden Claude Code, Cursor, Codex und der MCP Inspector — ein eigenes Modell baut Epic ausdrücklich nicht, das Unternehmen bindet fremde an. Die Agenten dürfen Verse-Code lesen, schreiben und kompilieren, Objekte im Szenengraphen anlegen und ändern, Creative Devices platzieren und deren Eigenschaften konfigurieren sowie Testläufe starten, stoppen und auswerten.

Sweeney hat die Richtung in Seoul bestätigt: Es gehe darum, Sprachmodelle als Assistenten einzubinden, um die Entwicklung zu beschleunigen; man habe mit Claude, ChatGPT, Grok und Gemini „ausgezeichnete Ergebnisse“ erzielt. Für Unreal Engine 6 kündigte er eine tiefere Integration generativer Verfahren für Blueprints, Assets, Level, Materialien und Meshes an; ein Early-Access-Zeitraum wird mit „Ende 2027“ angegeben.

Der Zustand des Werkzeugs ist allerdings der eines Experiments. Epic selbst bezeichnet es so. Der Server läuft ausschließlich lokal und ohne Authentifizierung; die Einrichtung verlangt, Python Editor Scripting zu aktivieren, MCP-Toolsets in den Projekteinstellungen freizuschalten und eine Konfigurationsdatei anzulegen. Bekannte Probleme betreffen die Umrechnung zwischen Koordinatensystemen und gelegentliche Verzögerungen im Editor. Für einen produktiven Einsatz in einem Studio mit mehreren Beteiligten ist das nicht ausgelegt, und die fehlende Authentifizierung ist bei einem Werkzeug, das Code kompiliert und ausführt, mehr als eine Fußnote.

Interessanter als das Werkzeug ist der Widerspruch, in dem Epic steht. Das Unternehmen öffnet die eigene Werkzeugkette so weit für autonome Agenten wie kaum ein anderer Anbieter — und lehnt zugleich ab, dass Spieler erfahren, wo KI im Spiel steckt. Sweeney hat Steams verpflichtende Kennzeichnung KI-generierter Inhalte scharf kritisiert, sie mache keinen Sinn, weil KI künftig in nahezu jeder Produktion beteiligt sei. Epic setzt stattdessen auf Moderation: menschliche Teams, maschinelle Überwachung, Meldewege. Hinzu kommt ein ungelöster arbeitsrechtlicher Konflikt — die Schauspielergewerkschaft SAG-AFTRA reichte am 19. Mai 2025 eine Beschwerde gegen die Epic-Tochter Llama Productions ein, weil die KI-generierte Darth-Vader-Stimme ohne Verhandlung mit der Gewerkschaft eingeführt worden war. Direkte Kritikstimmen von Entwicklern zum MCP-Werkzeug selbst haben wir nicht gefunden.

Für Studios und Creator bedeutet das konkret: Wer seine Entwicklungsteams ohnehin mit Coding-Agenten arbeiten lässt, kann dieselben Werkzeuge jetzt auf Level- und Gameplay-Arbeit anwenden, ohne eine neue Kette einzuführen. Das ist ein realer Produktivitätsgewinn. Er kommt mit einem experimentellen Status, einer offenen Sicherheitsfrage und einer Governance-Position des Plattformbetreibers, die man kennen sollte, bevor man sich darauf einlässt.

Erstens: Mojo. Über das Erscheinen von Mojo 1.0 haben wir am 18. August berichtet und dabei vermerkt, dass der Compiler nicht quelloffen sei. Das hat sich am 18. August 2026 geändert — Modular hat Compiler, Werkzeuge und die gesamte Build-Kette unter die Apache License 2.0 mit LLVM-Ausnahmen gestellt, im Repository modular/modular. Die Standardbibliothek war bereits seit 2024 für Beiträge geöffnet. Eine Einschränkung gehört dazu: Der Code ist einsehbar, externe Beiträge zum Compiler nimmt Modular aber erst „bis zum Jahresende“ an. Über den Lizenzstatus der darüberliegenden MAX-Plattform gibt es widersprüchliche Angaben — mehrere Sekundärquellen nennen eine eigene, weniger freizügige Community-Lizenz; wir konnten das nicht am Original verifizieren und lassen es deshalb offen. Der Schritt erfolgt nach der Übernahme von Modular durch Qualcomm, die Ende Juli 2026 abgeschlossen wurde. Gegründet wurde das Unternehmen von Chris Lattner, dem Urheber von LLVM, Swift und MLIR, und Tim Davis.

Zweitens: Liquid AI. Einen Tag nach den quantisierten Q4_0-Checkpoints, über die wir am 20. August berichtet haben, liefert das Unternehmen ein anderes Werkzeug nach — und die Unterscheidung ist wichtig, weil beide Meldungen nach „schneller“ klingen und völlig Verschiedenes tun. Bei der Quantisierung wird das Modell kleiner. Bei LFM2.5-DSpark, veröffentlicht am 20. August, bleibt das Modell unangetastet; stattdessen gibt es Entwurfsmodelle mit rund 300 Millionen Parametern für das sogenannte spekulative Dekodieren. Das Prinzip in einem Satz: Ein kleines, schnelles Modell schlägt die nächsten Token vor, das große Zielmodell prüft mehrere davon in einem einzigen Durchlauf — und weil geprüft und nicht geraten wird, ist die Ausgabe identisch zu der ohne Beschleunigung.

Die Zahlen, jeweils gegen dasselbe Modell ohne spekulatives Dekodieren gemessen: Auf einer H100 erreicht LFM2.5-8B-A1B bis zu 3,18-fache Geschwindigkeit bei einem Durchschnitt von 2,54, das 2,6B-Modell bis 3,06 bei durchschnittlich 2,67, das 1,2B-Instruct-Modell bis 2,56 bei durchschnittlich 2,10. Auf einem MacBook mit M4 Max — also auf dem Gerät statt im Rechenzentrum — sind es bis zu 2,87. Beim Aufruf mehrerer Werkzeuge hintereinander sinkt die Latenz beim 2,6B-Modell im Schnitt um 57 Prozent. Voraussetzung ist ein SGLang- oder llama.cpp-Build mit DSpark-Unterstützung.

Warum diese zweite Meldung praktisch die interessantere ist: Quantisierung kostet Genauigkeit, spekulatives Dekodieren nicht. Wer ein Modell lokal oder auf eigener Hardware betreibt und die Antwortzeit drücken will, bekommt hier einen Faktor zwischen zwei und drei geschenkt, ohne die Ausgabe zu verändern und ohne neu bewerten zu müssen, ob das Modell nach dem Eingriff noch dasselbe tut. Der Preis ist Speicher für ein zweites, kleines Modell und ein Inferenz-Stack, der das Verfahren beherrscht.