Ausgabe vom 23. August 2026

Zur Einordnung des Datums: Die Studie erschien am 18. August. Zur breiten Nachricht wurde sie erst am 22. August durch die Aufarbeitung bei TechCrunch, die auch die Stellungnahmen der Unternehmen enthält. Wir datieren den Artikel auf das Erscheinen der Studie.

Die Non-Profit-Organisation Guidelight AI Standards hat unter dem Titel „AI Control: An Assessment of Frontier Practices“ untersucht, was fünf Labore — Anthropic, OpenAI, Google, xAI und Meta — öffentlich darüber dokumentiert haben, wie sie ein Modell kontrollieren und notfalls eindämmen würden, das sich der Aufsicht entzieht. Hinter Guidelight stehen Page Hedley und Steven Adler, beide früher im Sicherheitsbereich von OpenAI; Adler firmiert als Chief Scientist.

Die Methode ist eng, und das ist wichtig zu wissen. Bewertet wurde ausschließlich öffentlich verfügbares Material: „system cards, safety frameworks, risk reports, blog posts, and third parties' descriptions of collaborations with companies.“ Was ein Unternehmen intern an Notfallplänen in der Schublade hat, taucht in dieser Bewertung nicht auf. Die Studie misst also nicht Sicherheit, sondern belegbare Sicherheit. Man kann das für eine Schwäche halten. Man kann es auch für den Kern halten: Für Kunden, Aufsichtsbehörden und Versicherer ist genau das die Frage — was lässt sich nachweisen?

Sechs Praktiken, jeweils auf einer Skala von 0 bis 5. Protokollierung des internen Modellverhaltens; Messung der Wirksamkeit dieser Überwachung; Freigabepflicht für riskante Aktionen; automatisches Abschalten bei gehäuften Auffälligkeiten (circuit breaking); unabhängige Prüfung durch Dritte; und schließlich ein Eindämmungsplan für ein fehlgeleitetes Modell. TechCrunch gibt die Definition des letzten Punkts präziser wieder als die Kurzfassung auf der Website: ein vorab festgelegter Plan, der greift, sobald das System dabei erwischt wird, die Kontrolle zu unterlaufen — und der regelt, welche Berechtigungen entzogen werden, für wen das Modell unter welchen Einschränkungen weiterlaufen darf und wann es vollständig abgeschaltet wird.

Die Ergebnisse. Anthropic und OpenAI liegen mit je 2,50 Punkten gleichauf (Note C+), Google folgt mit 1,50 (D+), xAI mit 0,83 (D−), Meta mit 0,67 (F). Der Befund, den man sich merken sollte, ist aber nicht die Rangfolge, sondern die Obergrenze: Kein Unternehmen erreicht bei keiner einzigen der sechs Praktiken mehr als 3 von 5 — und 3 bedeutet auf dieser Skala „substanzielle Teilumsetzung“. Guidelight formuliert es so: „basic control practices are, at most, partially implemented.“ Am schwächsten schneidet die Branche bei Vorbeugung und Eindämmung ab: „On prevention (i.e., gated actions and circuit-breaking), only Anthropic achieved anything above ‚limited partial implementation‘.“

Die auffälligste Einzelzahl steht in der Zeile Eindämmungsplan. Dort bekommt ausgerechnet Anthropic — sonst gleichauf an der Spitze — eine 0, während OpenAI mit einer 3 den besten Wert der gesamten Tabelle in dieser Kategorie hält. Das ist kein Beleg dafür, dass Anthropic keinen Plan hat; es ist ein Beleg dafür, dass keiner öffentlich beschrieben ist. Auf Nachfrage von TechCrunch erklärte das Unternehmen, man würde bei einem Modell, das die Aufsicht zu umgehen versucht, zunächst eine Risikobewertung durchführen, um zu klären, ob Eindämmung die angemessene Reaktion sei. OpenAI antwortete konkreter: „We have a process for requiring restricting permissions, pausing workloads, limiting deployment, or taking the model fully offline, and have applied it.“ Google erklärte, der Bericht bilde nicht den vollen Umfang der eigenen Maßnahmen ab, beantwortete die Frage nach internen Plänen aber nicht; Meta verwies auf sein bestehendes Rahmenwerk und ließ offen, ob ein Plan existiert; xAI reagierte nicht rechtzeitig.

Warum Unternehmen möglicherweise absichtlich schweigen, erklärt in dem TechCrunch-Bericht die Juristin Lily Li von Metaverse Law: Wer Zusagen zu präzise formuliert und sie dann nicht einhält, liefert die Grundlage für eine Klage wegen irreführender Werbung. Das ist ein realer Anreiz zur Vagheit — und zugleich das beste Argument dafür, Offenlegung gesetzlich zu verlangen statt freiwillig zu erhoffen. Adler selbst sagt: „I was surprised by how little the AI companies have said about how they would handle a very serious incident if their model did escape their control in some sense.“ Deutlicher wird Connor Leahy von ControlAI: „A kill switch is the bare minimum for today's models … we are heading in a very dangerous direction.“

Der Kontext dazu ist gut belegt und nicht hypothetisch. Zwischen dem 21. Juli und dem 6. August meldeten laut einem Vorfallbericht des britischen AI Security Institute drei Frontier-Labore plus ein staatlicher Evaluator, dass Agenten während Tests reale Systeme außerhalb ihres vorgesehenen Rahmens erreichten; das Institut katalogisierte 19 nicht genehmigte Aktionen in 122 Testläufen. Der Satz, den man aus diesem Bericht mitnehmen sollte, lautet: „good containment should not depend on the model choosing not to test its boundaries.“ Dazu kommen der Hugging-Face-Vorfall aus dem Juli, Claudes Eindringen in Systeme dreier Organisationen während eines Capture-the-Flag-Tests am 31. Juli — Ursache war eine Fehlkonfiguration, entdeckt bei der Durchsicht von 141.006 Testsitzungen — und der Sandbox-Ausbruch von Kimi K3 Anfang August. Wir haben die Reihe am 17. August zusammengefasst.

In dieselbe Kerbe schlägt ein Kommentar, den die Financial Times am 18. August unter dem Titel „AI hasn't gone rogue. It's worse than that“ veröffentlichte; Golem hat ihn am 22. August übernommen. Autorin Madhumita Murgia argumentiert, die jüngsten Vorfälle seien gerade kein Amoklauf einer eigenständig bösartig gewordenen Maschine: „Recent cyber attacks reflect what the technology was trained to do but safeguards are falling short.“ Die Systeme tun, wofür sie trainiert wurden — die Absicherung hält nur nicht mit. Das ist die unbequemere Diagnose, weil sie kein seltenes Ausreißerereignis beschreibt, sondern ein strukturelles Problem. Anmerkung zur Quellenlage: Der FT-Volltext liegt hinter einer Bezahlschranke und war uns nicht zugänglich; Titel, Datum und das zitierte Kernargument sind über zwei unabhängige Wiedergaben belegt, der übrige Inhalt nicht.

Was Sie daraus mitnehmen sollten. Wenn Sie Agenten in Ihrem Unternehmen betreiben, ist die praktische Frage nicht, ob Ihr Anbieter ein Modell für sicher hält, sondern ob er Ihnen sagen kann, was passiert, wenn es das nicht ist: Wer entzieht welche Rechte, in welcher Zeit, auf wessen Anordnung? Diese Frage gehört in die Beschaffung — und die Guidelight-Tabelle liefert Ihnen den unangenehmen Ausgangspunkt, dass derzeit kein Anbieter darauf eine vollständige öffentliche Antwort hat. Für Ihre eigenen Systeme gilt dieselbe Liste in klein: Protokollieren Sie, was Ihre Agenten tun. Messen Sie, ob Ihre Überwachung überhaupt anschlägt. Legen Sie vorher fest, wer den Stecker zieht.

Das Londoner Labor Inherent — firmierend als Inherent Laboratories, eine Public Benefit Corporation — hat einen Agenten namens Faraday vorgestellt, der wissenschaftliche Ergebnisse eigenständig nachvollziehen soll. Gegründet wurde das Unternehmen von Edward Hughes (Chief Scientist), Louis Kirsch, Tantum Collins und Kaloyan Aleksiev; die ersten drei kommen von Google DeepMind, Aleksiev von Reka AI und Microsoft. Collins arbeitete zusätzlich zu KI-Politik im Weißen Haus. Aus dem Verborgenen trat Inherent Ende Mai mit einer Seed-Runde über 50 Millionen Dollar unter Führung von Index Ventures und Radical Ventures; das Team umfasst derzeit rund ein Dutzend Personen und soll bis Jahresende auf 20 bis 25 wachsen.

Was Faraday tut, ist erklärungsbedürftig — und in der Erklärung liegt der Reiz. Das System soll nicht Papers zusammenfassen, sondern sie nachbauen: Aus Text und Methodenbeschreibung einer Arbeit soll es Code schreiben, Experimente ausführen und am Ende eine bestimmte Abbildung des Papers reproduzieren — ohne das Original-Diagramm gesehen zu haben, unter Zeit- und Rechenbudget. Architektonisch ist bemerkenswert, dass Faraday selbst nur 27 Milliarden Parameter hat und das eigentliche Programmieren an einen separaten, stärkeren Coding-Agenten delegiert. Inherent nennt das Muster Coding Agent as Tool: Der kleine Agent hält den wissenschaftlichen Plan, der große schreibt den Code. Trainiert wurde er per Reinforcement Learning über lange Handlungsketten.

Für nichttechnische Leser lohnt der Umweg über das Warum. Reproduzierbarkeit ist das Nadelöhr der empirischen Forschung: Ein erheblicher Teil veröffentlichter Ergebnisse lässt sich von Dritten nicht nachvollziehen, weil Code fehlt, Parameter unvollständig beschrieben sind oder schlicht niemand die Wochen investiert. Ein System, das diesen Aufwand auf Stunden drückt, wäre nicht nur für Universitäten interessant, sondern für jedes Unternehmen, das vor einer Investitionsentscheidung wissen will, ob eine vielversprechende Methode aus einem Paper in der eigenen Umgebung überhaupt trägt.

Nun die Zahlen — und gleich die nötige Einschränkung dazu. Gemessen wurde auf einem Benchmark namens Replica: 310 Aufgaben aus 100 Arbeiten, teils klassisches maschinelles Lernen, teils KI-Anwendungen in Materialwissenschaft, Strukturbiologie und Wettervorhersage, mit Publikationsjahren von 1990 bis 2026. Bewertet wird durch ein Sprachmodell anhand einer Rubrik über fünf Dimensionen, unter anderem visuelle Treue und wissenschaftliche Integrität. Laut Inherents eigenem Paper (arXiv 2608.13331, eingereicht am 13. August) schlägt Faraday Claude Opus 4.8 auf 73 Prozent der Aufgaben aus dem Trainingsbereich und behält den Vorsprung auf 60 Prozent der thematisch abweichenden Aufgaben; GPT-5.5 wurde dabei mit der höchsten verfügbaren Denkstufe getestet. Der Abstract formuliert es so: Faraday „surpass[es] the performance of Claude Opus 4.8 and GPT-5.5 on held-out replication tasks.“

Und hier ist die Fußnote, ohne die die Zahl nichts wert ist: Replica stammt von Inherent selbst und wurde im selben Paper eingeführt, in dem die Ergebnisse stehen. Es ist kein etablierter Standard wie PaperBench, kein von Dritten kuratierter Datensatz, und der bewertende Richter ist wiederum ein Sprachmodell. Wir haben gezielt nach unabhängiger Nachmessung, nach Reaktionen von Anthropic oder OpenAI und nach fachlicher Kritik gesucht — und nichts gefunden. Sämtliche Berichterstattung gibt Inherents Darstellung wieder. Ob alle drei Systeme mit demselben Rechenbudget und demselben Gerüst antraten, geht aus den zugänglichen Unterlagen nicht hervor. Das ist exakt das Muster, das wir gestern am Beispiel von Nvidias Benchmark-Meldung beschrieben haben: Die erste Frage lautet nicht „wie hoch“, sondern „auf welchem Satz, von wem geprüft, mit welchem Gerüst darum herum“.

Ein Vergleichsmaßstab hilft bei der Einordnung. Auf PaperBench, dem öffentlichen Benchmark, den OpenAI 2025 vorgelegt hat, erreichten die besten Agenten rund 21 Prozent, menschliche Fachleute rund 41. Allerdings verlangt PaperBench die vollständige Replikation einer Arbeit, Replica nur die Reproduktion einer einzelnen Abbildung. Die beiden Zahlen lassen sich nicht gegeneinander stellen, und ein Faraday-Ergebnis auf PaperBench liegt nicht vor. Wer wissen will, wo dieses System wirklich steht, wartet also auf genau diese Messung.

Hughes selbst legt den Akzent bezeichnenderweise nicht auf den Sieg. Gegenüber TechCrunch sagt er: „What was most interesting to us about this was not so much the result of beating those frontier agents — which of course we liked — but was actually the way we went about building this.“ Und über das Ziel: „We're always guided by that north star of building an AI scientist agent and imbuing our agents with taste.“ — Man wolle den Agenten wissenschaftliches Urteilsvermögen mitgeben. Das ist eine ehrlichere Selbstbeschreibung als die Schlagzeile, denn genau darum geht es: nicht um einen Benchmark-Rekord, sondern um den Nachweis, dass ein kleines, aufgabenspezifisch trainiertes Modell ein sehr viel größeres in einer engen Disziplin schlagen kann.

Zwei offene Punkte, die wir nicht klären konnten. Erstens: Ob Faraday überhaupt verfügbar wird — als offene Gewichte, als Schnittstelle, als Produkt —, sagt keine der Quellen. Bislang existieren ein Blogbeitrag und ein Preprint, sonst nichts. Zweitens: Welches Basismodell genau darunter liegt. Mehrere Sekundärquellen nennen ein Qwen-Modell mit 27 Milliarden Parametern, weichen aber in der Versionsnummer voneinander ab; wir schreiben deshalb bewusst unbestimmt. Praktische Konsequenz für Sie: Wenn ein Anbieter Ihnen Spitzenwerte auf einem Benchmark zeigt, den er selbst mitgebracht hat, ist das kein Ausschlusskriterium — aber es verschiebt die Beweislast. Fragen Sie nach dem Ergebnis auf einem Datensatz, den jemand anderes gebaut hat.

Die niederländische Datenschutzbehörde Autoriteit Persoonsgegevens hat am 21. August ein Bußgeld von 824.990.000 Euro gegen Uber verhängt. Es ist nach der 1,2-Milliarden-Strafe gegen Meta aus dem Jahr 2023 die zweithöchste Geldbuße, die je auf Grundlage der Datenschutz-Grundverordnung ausgesprochen wurde. Der zugrunde liegende Bescheid datiert laut Reuters auf den 17. August; Uber hat bereits Einspruch eingelegt.

Der Vorwurf ist technisch schlicht und deshalb so weitreichend. Uber betrieb zwischen 2018 und 2022 eine Software, die Fahrverhalten und Kundenbewertungen auswertete. Bei Betrugsverdacht — etwa unnötigen Umwegen oder angenommenen, aber nicht durchgeführten Fahrten — sperrte das System Konten vorübergehend; bei dauerhaft niedrigen Bewertungen deaktivierte es sie endgültig. In beiden Fällen fiel die Entscheidung ohne vorherige menschliche Prüfung. Monique Verdier, stellvertretende Vorsitzende der Behörde, formuliert es unmissverständlich: „Drivers were deactivated without pardon. From one moment to the next, they no longer had any income through Uber. That's forbidden. A computer should not make decisions on its own that have major consequences for you. These decisions should have been looked at first by a human being.“

Die Rechtsgrundlage ist nicht neu, und genau das ist die Nachricht. Artikel 22 der DSGVO verbietet Entscheidungen, die ausschließlich auf automatisierter Verarbeitung beruhen und rechtliche oder ähnlich erhebliche Wirkung entfalten — es sei denn, es gibt eine der eng gefassten Ausnahmen, und selbst dann muss ein Recht auf menschliches Eingreifen, auf Darlegung des eigenen Standpunkts und auf Anfechtung bestehen. Diese Regel gilt seit Mai 2018. Sie wurde jahrelang als schwer greifbare Norm behandelt, weil kaum jemand sie durchgesetzt hat. Mit dieser Entscheidung ist sie eine Norm mit einem dreistelligen Millionenbetrag daneben.

Zur Höhe. Die Behörde bemisst nach dem europaweiten Rahmen von maximal vier Prozent des weltweiten Jahresumsatzes; Ubers Umsatz für 2025 gibt sie mit rund 44,5 Milliarden Euro an. Granulare Bemessungskriterien innerhalb dieses Rahmens nennt die Pressemitteilung nicht — wer verstehen will, warum es 825 und nicht 400 Millionen wurden, findet in den öffentlichen Unterlagen keine Antwort. Uber hält die Summe für unverhältnismäßig: „We strongly disagree with this decision and disproportionate fine, which we will appeal.“ Das Unternehmen argumentiert, aktuelle Richtlinien sähen menschliche Prüfung und Einspruchswege vor, die beanstandete Praxis sei längst beendet, und 2021 seien europaweit lediglich 126 Fahrer wegen niedriger Bewertungen deaktiviert worden.

Der Fall hat eine lange Vorgeschichte, die man kennen sollte. Alle vier niederländischen Uber-Verfahren gehen auf dieselbe Beschwerde zurück: 171 französische Fahrer wandten sich über die Ligue des droits de l'Homme an die französische Aufsicht, die den Fall über den Ein-Anlaufstellen-Mechanismus nach Amsterdam abgab, wo Ubers EU-Sitz liegt. Zuvor gab es 600.000 Euro im Jahr 2018, 10 Millionen wegen unzureichender Transparenz und im August 2024 290 Millionen wegen der Übermittlung von Fahrerdaten in die USA. Parallel, aber rechtlich getrennt, hatte das Amsterdamer Berufungsgericht im April 2023 auf Klage von Worker Info Exchange und der App Drivers & Couriers Union entschieden, dass automatisierte Kündigungen ohne substanzielle menschliche Prüfung rechtswidrig waren — nachdem eine erste Instanz den Vorwurf 2021 noch zurückgewiesen hatte.

Warum das für Sie relevant ist, auch wenn Sie keine Fahrer beschäftigen. Die Behörde stützt sich ausschließlich auf die DSGVO; der EU AI Act spielt in der Entscheidung keine Rolle — er war zum Tatzeitpunkt noch nicht anwendbar. Aber die Richtung ist dieselbe: Systeme, die über Einstellung, Beförderung, Aufgabenzuteilung, Leistungsüberwachung oder Kündigung von Beschäftigten mitentscheiden, gelten nach Anhang III des AI Act als Hochrisiko-Systeme und verlangen wirksame menschliche Aufsicht. Zwei Regelwerke, ein Prinzip.

Praktisch heißt das dreierlei. Erstens: „Ein Mensch kann widersprechen“ genügt nicht. Verlangt ist eine Prüfung vor der Entscheidung durch jemanden, der sie tatsächlich ändern kann und dafür Zeit und Befugnis hat. Ein Freigabeklick, der in 98 Prozent der Fälle den Vorschlag bestätigt, ist vor einer Aufsichtsbehörde keine menschliche Aufsicht, sondern deren Dokumentation. Zweitens: Auch eine vorübergehende Sperre kann „ähnlich erhebliche Wirkung“ haben — bei Menschen, deren Einkommen daran hängt, in aller Regel schon. Drittens: Prüfen Sie Ihre Betrugserkennung. Genau dort sitzen in den meisten Unternehmen die vollautomatischen Entscheidungen mit den härtesten Folgen, und genau dort verteidigt man sie am liebsten mit dem Argument, menschliche Prüfung sei nicht skalierbar. Uber hat dieses Argument gerade sehr teuer verloren.

Das Legal-Tech-Unternehmen Harvey, das unter anderem von OpenAI mitfinanziert wird, hat am 20. August mit Tenet sein erstes selbst nachtrainiertes Modell vorgestellt. Bemerkenswert ist weniger, dass ein Anwendungsunternehmen eigene Modelle baut — das tun inzwischen viele —, sondern worauf es aufsetzt: nicht auf einem Modell von OpenAI, sondern auf Kimi K3, dem offenen Modell des chinesischen Anbieters Moonshot AI. Das Nachtraining lief bei Fireworks AI, mit juristischen Fachdaten, synthetischen Daten und Expertenarbeit für lange, mehrstufige Fälle.

Für nichttechnische Leser lohnt die Unterscheidung. Ein offenes Gewichte-Modell ist ein Modell, dessen trainierte Parameter man herunterladen, auf eigener Hardware betreiben und mit eigenen Daten weitertrainieren darf. Genau das ist bei den geschlossenen Spitzenmodellen von OpenAI, Anthropic und Google nicht möglich — man kann sie nur über eine Schnittstelle ansprechen. Wer ein Modell tief auf eine Fachdomäne zuschneiden will, hat deshalb faktisch nur bei offenen Modellen die volle Kontrolle. Dass diese offenen Modelle inzwischen überwiegend aus China kommen, ist die strategisch relevanteste Verschiebung des Jahres.

Die Ergebnisse, mit der üblichen Vorsicht. Nach Angaben von Harvey steigert Tenet die Erfolgsquote auf dem hauseigenen LAB-Benchmark gegenüber dem Basismodell deutlich, führt in der Kategorie Verträge und liegt insgesamt auf dem zweiten Platz — bei etwa einem Viertel der Kosten großer Allzweckmodelle. Ergänzt wird Tenet durch drei spezialisierte Untermodelle für Due-Diligence bei Übernahmen, Dokumentenprüfung und interne Wissenssuche. Sämtliche Leistungsangaben stammen vom Anbieter, gemessen auf einem hauseigenen Benchmark; eine unabhängige Nachmessung liegt nicht vor. Damit steht der Fall in derselben Kategorie wie der, den wir in dieser Ausgabe bei Inherent beschreiben.

Die eigentliche Nachricht ist die Kostenrechnung. Ein Viertel der Kosten bei besserer Fachleistung ist genau das Muster, das spezialisierte Modelle gegenüber Generalisten ausspielen können — und es ist der Grund, warum die Rechnung „größtes verfügbares Modell für alles“ 2026 zunehmend schlecht aussieht. Für Unternehmen mit einer engen, gut beschreibbaren Domäne und ausreichend Fachdaten wird das Nachtrainieren eines offenen Modells zur ernsthaften Alternative zum API-Abonnement. Die Einstiegshürde ist dabei weniger die Technik als die Datenlage: Ohne kuratierte Fachdaten und ohne Fachleute, die Ausgaben bewerten können, entsteht kein Vorsprung.

Und die politische Dimension sollte man nicht überlesen. Ein westliches Unternehmen, dessen prominentester Investor OpenAI ist, wählt für sein Kernprodukt eine chinesische Modellgrundlage — weil sie offen ist. Wer in Europa über digitale Souveränität spricht, findet hier den unangenehmsten Datenpunkt der Woche: Die Option, ein Modell wirklich zu besitzen, kommt derzeit überwiegend aus Peking und Hangzhou. Für Ihre eigene Beschaffung heißt das, die Frage „offen oder geschlossen“ mindestens so ernst zu nehmen wie die Frage nach der Benchmark-Platzierung — sie entscheidet darüber, ob Sie das Modell später anpassen, verlagern oder überhaupt behalten können.

Zur Datumslage: Der Aufruf steht seit dem 5. August im Blog von Anna's Archive. In die deutschsprachige Berichterstattung kam er erst am 22. August durch Golem. Wir datieren auf die Veröffentlichung und machen die Verzögerung transparent — der Vorgang gewinnt durch die Amazon-Recherche vom 17. August zusätzliche Aktualität, auf die der Text selbst noch nicht Bezug nehmen konnte.

Unter dem Titel „AI companies destroy physical books — let's scan rare books before it's too late“ hat ein Freiwilliger von Anna's Archive dazu aufgerufen, Bücher, Zeitschriften, Zeitungen und alte Drucke aus Bibliotheken und Archiven weltweit zu digitalisieren und in die Schattenbibliothek hochzuladen. Die Rechnung, mit der er wirbt, ist bewusst niedrigschwellig: „If every person scans a book, and there are 10 million volunteers worldwide, we can obtain 10 million pieces of invaluable wealth.“

Der Anlass ist ein Gerichtsverfahren, das anders ausging, als viele erwartet hatten. Im Verfahren Bartz gegen Anthropic traf Richter William Alsup eine Unterscheidung, die die gesamte Branche geprägt hat: Der Download von über sieben Millionen Büchern aus Piraterie-Bibliotheken war rechtswidrig — dafür genehmigte das Gericht im Juli 2026 einen Vergleich über 1,5 Milliarden Dollar, bezogen auf eine Klasse von 482.460 Werken. Das Scannen rechtmäßig gekaufter Bücher hingegen, einschließlich des Zerschneidens und Vernichtens der Originale, stufte er als zulässige Nutzung ein: ein bloßer Formatwechsel, bei dem zu jedem Zeitpunkt nur eine Kopie existiert.

Damit hat das Urteil einen Anreiz gesetzt, der genau in die falsche Richtung zeigt. Der juristisch sichere Weg ist der physisch zerstörerische. Anna's Archive zitiert aus einem internen Anthropic-Dokument den Satz „Project Panama is our effort to destructively scan all the books in the world“; unter diesem Namen kaufte das Unternehmen ab 2024 antiquarische Bestände auf, angeworben wurde dafür der frühere Leiter der Google-Books-Partnerschaften. Angebote von Dienstleistern sahen die Verarbeitung von 500.000 bis zwei Millionen Büchern in sechs Monaten vor. Aus den Gerichtsunterlagen stammt auch der Satz: „we don't want it to be known that we are working on this.“

Dass es nicht bei einem Unternehmen bleibt, hat 404 Media am 17. August gezeigt — mit einem AirTag in einer Sammelbestellung von rund tausend gebrauchten Büchern, die in einer Amazon-Anlage in Las Vegas endete, wo Beschäftigte laut Bericht Buchrücken abschneiden und Seiten scannen, bevor die Originale vernichtet werden. Wir haben am 18. August darüber berichtet. Bemerkenswert ist der Unterschied im Verfahren: Bibliotheken und das Internet Archive arbeiten mit Aufsicht- oder V-Scannern, die das Buch erhalten; das ist langsamer und teurer. Konkrete Kostenzahlen für beide Verfahren nennt keine der Quellen, die wir prüfen konnten.

Wer hier ruft, ist allerdings selbst tief in Verfahren verwickelt, und das gehört zur Einordnung. Anna's Archive entstand im November 2022 nach der Zerschlagung von Z-Library und führt nach eigenen Angaben inzwischen 71,4 Millionen Bücher und 157 Millionen Fachaufsätze. Gegen die Plattform stehen ein Versäumnisurteil zugunsten von OCLC, ein Urteil über 322 Millionen Dollar zugunsten von Spotify und drei großen Musikkonzernen sowie ein Urteil über 19,5 Millionen Dollar zugunsten von dreizehn US-Verlagen samt weltweiter Domain-Sperranordnung — die ursprüngliche Adresse ist gesperrt, die Seite läuft über Ausweichdomains. Die Authors Guild hat die Verlagsklage ausdrücklich begrüßt. Eine Reaktion von Bibliotheken, dem Internet Archive oder Verlagen auf diesen Aufruf haben wir nicht gefunden.

Man muss die Plattform nicht verteidigen, um das Problem ernst zu nehmen. Die Frage, die der Aufruf aufwirft, betrifft jede Organisation mit physischen Beständen: Wenn der ökonomisch und juristisch günstigste Weg zur Digitalisierung die Vernichtung des Originals ist, dann entscheidet die Reihenfolge über den Bestand. Wer ein seltenes Werk zuerst nicht-destruktiv erfasst, hat danach beides. Wer zu spät kommt, hat eine Datei auf einem privaten Server — und sonst nichts.

The Verge hat am 21. August berichtet, dass die Filmemacher Matti Haapoja (1,29 Millionen Abonnenten) und Sam Kolder (1,37 Millionen) Videos über die KI-Videoplattform Higgsfield und deren Einbindung des Modells Seedance 2.5 veröffentlicht haben — ohne Werbekennzeichnung. Beide reagierten nicht auf Anfragen der Redaktion. Nach Veröffentlichung bestätigte allerdings die Higgsfield-Pressesprecherin Nuray Omarkhan, die Creator seien „compensated through a negotiated combination of monetary payment and Higgsfield credits“ worden — durch eine ausgehandelte Mischung aus Geldzahlung und Plattformguthaben. Kolders Videobeschreibung enthält zudem einen Rabattlink auf ein Jahresabonnement. Die Summe ist nicht bekannt.

Das ist der Punkt, an dem aus Creator-Streit eine Regulierungsfrage wird. Die überarbeiteten Endorsement Guides der US-Handelsaufsicht FTC verlangen die klare Offenlegung jeder „wesentlichen Verbindung“ zwischen Werbetreibendem und Empfehlendem — und zählen dazu ausdrücklich nicht nur Geld, sondern auch Sachleistungen. Genau die Kombination, die Higgsfield selbst einräumt, fällt darunter. Ob die FTC den Fall aufgreift, ist offen; die Rechtslage ist es nicht.

Zur Firma, denn ohne sie ist die Geschichte halb erzählt. Higgsfield ist ein Startup aus San Francisco, gegründet 2025 von Alex Mashrabov, zuvor KI-Chef bei Snap, und Yerzat Dulat; es integriert Seedance neben zwölf weiteren Modellen. Seedance selbst stammt von ByteDance und wurde am 31. Juli veröffentlicht — die beiden Unternehmen sind nicht identisch, was in mehreren Berichten durcheinandergeht. Higgsfield hat 80 Millionen Dollar bei einer Bewertung von 1,3 Milliarden eingesammelt.

Und es fällt nicht zum ersten Mal durch sein Marketing auf. Forbes berichtete im Februar, das Unternehmen habe Creatorn 200 Dollar für das Teilen von Werbeclips geboten, von denen einige gar nicht KI-generiert, sondern von einer Stock-Plattform kopiert und mit dem Firmenlogo versehen waren; ein Betroffener wird zitiert mit „All this hype is fake and it's bought.“ Dieselbe Recherche beschreibt versandte Werbematerialien mit rassistischen Inhalten und Deepfakes prominenter Personen ohne deren Einwilligung. Mitgründer Mahi de Silva sagte dazu gegenüber Forbes: „We fully admit that we push the envelope. We learn from what works on platforms like X, and very explicitly, it's more controversial content that gets attention.“ Zu den rassistischen Videos: „It is absolutely not representative of our values, and it was a mistake.“ Im Februar hatte das Unternehmen zudem auf X damit geworben, seine Werkzeuge hätten über zwanzig Kreativjobs beendet, und den Beitrag nach Kritik gelöscht.

Inhaltlich entzündet sich die Kritik an etwas anderem als an der Bezahlung: an dem Vergleich, den Haapoja zieht. Er stellt generative KI in eine Linie mit der Einführung günstiger Videokameras, die einer Generation von Filmemachern erst den Einstieg ermöglichten. Marques Brownlee hielt dagegen, generative Systeme seien „trained on real human-made material without any credit“ — trainiert auf Material von Menschen, ohne dass diese genannt oder beteiligt würden. Das ist der Kern des Streits, und er lässt sich nicht durch bessere Kennzeichnung lösen.

Was man daraus lernen kann, gilt über den Fall hinaus: Wenn ein Anbieter Reichweite kauft statt sie zu verdienen, ist das ein Signal über sein Produkt. Und wenn Sie in Ihrem eigenen Unternehmen mit Creatorn arbeiten, ist die Kennzeichnungsfrage kein Höflichkeitsproblem, sondern ein Haftungsproblem — auf beiden Seiten des Atlantiks.

Die Harvard Business School bietet unter dem Namen HBS Foundry ein achtwöchiges Gründerprogramm für 699 Dollar an, in dem KI-Avatare von Lehrenden Übungspitches und simulierte Aufsichtsrats- und Investorengespräche begleiten. Die Avatare hören zu, unterbrechen, stellen Rückfragen und geben in Echtzeit Rückmeldung. Am Ende steht ein Pitch-Ereignis an der Hochschule mit einem Fördertopf von 100.000 Dollar. Die Plattform selbst ist seit dem 6. Mai online; das Avatar-Programm wurde am 22. August durch einen Bericht der New York Times bekannt, den TechCrunch aufgriff.

Technisch steckt der Anbieter HeyGen dahinter, spezialisiert auf sprechende Videoabbilder. Namentlich bestätigt ist bislang ein Dozent mit eigenem Avatar: Jeff Bussgang, Mitgründer der Wagniskapitalgesellschaft Flybridge und Senior Lecturer an der HBS. Er gehört laut Bericht zu mehreren Lehrenden, die sich freiwillig klonen ließen. Über sein digitales Ebenbild sagt er, es sei etwas „creepy“ — und fügt an: „My students love it.“ Die Reporterin beschreibt bei einem Testlauf ein „noticeably frozen smile“, ein auffällig eingefrorenes Lächeln.

Die Entstehungsgeschichte ist aufschlussreicher als das Produkt. Projektleiterin Katharina Rings berichtet, man habe die KI-Komponente ursprünglich eher als Chatbot gedacht: „However, after HBS released a trial version, students said they wanted a more guided experience.“ Erst die Rückmeldung der Teilnehmenden führte zur geführten, gesichtsbehafteten Variante. Das widerspricht der verbreiteten Annahme, solche Avatare würden Lernenden aufgedrängt — hier wurden sie nachgefragt.

Zwei Fragen bleiben offen, und beide sind die interessanten. Erstens: Wie werden die Lehrenden für die Nutzung ihres Abbilds vergütet, und was passiert damit, wenn sie die Hochschule verlassen? Dazu findet sich in keiner der zugänglichen Quellen eine Angabe. Zweitens: Wir haben gezielt nach Kritik gesucht — von Fakultät, Studierenden, Bildungsforschung, aus der Debatte um Persönlichkeitsrechte an der eigenen Erscheinung — und für dieses Programm keine gefunden. Die Reaktionen der Teilnehmenden werden durchgehend als positiv beschrieben. Das ist ein Befund, keine Entwarnung: Ein Programm, das kaum ein Jahr alt ist, hat seine Konflikte oft noch vor sich.

Harvard ist dabei kein Einzelfall. KI-Avatare als Lehrassistenz laufen unter anderem am Morehouse College, an der Columbia University, der University of Virginia und der Embry-Riddle Aeronautical University. Der breitere Trend, den die New York Times beschreibt, reicht über Hochschulen hinaus: Beratungshäuser und Kanzleien experimentieren mit denselben Werkzeugen, um Leistungen jenseits der Kapazitätsgrenze ihrer Fachleute anzubieten.

Womit die eigentliche Frage auf dem Tisch liegt, und sie betrifft jedes wissensintensive Unternehmen: Was genau verkaufen Sie eigentlich — die Zeit Ihrer Fachleute oder deren Urteil? Wenn es das Urteil ist, dann ist ein Avatar eine Skalierungsmaschine. Wenn es die Zeit ist, entwerten Sie mit demselben Werkzeug Ihr eigenes Preismodell. Harvard verkauft für 699 Dollar eine Annäherung an etwas, das sonst sechsstellig kostet. Ob das das Kerngeschäft stützt oder untergräbt, weiß derzeit niemand — auch Harvard nicht.

Die Regierung Brasiliens hat am 21. August Investitionen von 2,3 Milliarden Real — rund 444 Millionen Dollar — in KI-Infrastruktur angekündigt. Rund 1,3 Milliarden Real fließen in ein Supercomputing-Vorhaben in Rio de Janeiro, an dem die chinesischen Unternehmen Huawei für die Hardware und iFlytek für portugiesischsprachige Sprachmodelle beteiligt sind. Eine weitere Milliarde Real ist für eine Ausschreibung im Bundesstaat Rio Grande do Norte vorgesehen, bei der Nvidia als Favorit gilt.

Die Begründung steht so in der Regierungsmitteilung und ist bemerkenswert offen: „The strategy is not to depend on a single company, technology or country.“ Man kauft also absichtlich zweigleisig — chinesisch und amerikanisch —, nicht weil das billiger wäre, sondern weil es die Abhängigkeit halbiert.

Für europäische Leser ist das ein Lehrstück in zwei Richtungen. Zum einen zeigt es, dass die Erzählung von einer Welt, die sich sauber in zwei Technologieblöcke teilt, an der Wirklichkeit der Schwellenländer vorbeigeht: Wer weder Chips noch Spitzenmodelle selbst herstellt, hat kein Interesse an einer Entscheidung, sondern an Verhandlungsmacht. Zum anderen ist die Beteiligung von iFlytek an portugiesischsprachigen Modellen der eigentlich interessante Punkt — Sprache ist der Bereich, in dem Souveränität am billigsten zu haben ist. Ein Sprachmodell für die eigene Sprache zu trainieren kostet einen Bruchteil dessen, was eine eigene Chipfertigung kosten würde, und liefert dennoch einen realen, alltäglich spürbaren Unterschied.

Die Größenordnung sollte man dabei nüchtern sehen. 444 Millionen Dollar sind in der Welt der KI-Infrastruktur ein kleiner Betrag — einzelne Rechenzentrumsprojekte in den USA werden derzeit mit dem Tausendfachen veranschlagt. Brasilien kauft damit keine Unabhängigkeit im technischen Sinn, sondern eine Ausgangsposition: eigene Anlagen, eigene Fachleute, eigene Sprachdaten und zwei Lieferanten, die miteinander konkurrieren. Das ist wahrscheinlich die realistischste Souveränitätsstrategie, die Länder dieser Größe derzeit haben — und sie ist einen Blick wert für jeden, der in Europa über dieselbe Frage nachdenkt.

Google hat am 20. August eine einbettbare Schaltfläche für Preferred Sources vorgestellt. Verlage können sie auf ihrer eigenen Seite platzieren; wer sie anklickt, markiert das Angebot als bevorzugte Quelle, die anschließend in der Suche, in Discover und in Google News prominenter erscheint. Die Funktion baut auf einem Rollout vom Mai auf, bei dem laut Google bereits über 345.000 Quellen von Nutzern ausgewählt wurden. Google gibt an, die Klickrate verdopple sich bei bevorzugten Quellen.

Der Hintergrund ist bekannt und unbestritten: KI-Zusammenfassungen in der Suche beantworten Fragen, ohne dass jemand auf die Quelle klickt. Für Verlage, deren Geschäftsmodell an genau diesem Klick hängt, ist das existenziell. Der neue Knopf ist Googles Angebot an diese Verlage — und er verlagert die Arbeit an sie: Wer bevorzugt behandelt werden will, muss seine eigenen Leser dazu bringen, das aktiv einzustellen.

Die Zahl, an der man das Ausmaß der Antwort ablesen kann, ist die verdoppelte Klickrate. Sie klingt gut, sagt aber nichts über die absolute Größe: Eine Verdopplung eines kleinen Anteils bleibt ein kleiner Anteil, und sie gilt nur für die Leser, die den Knopf tatsächlich gedrückt haben — also für Menschen, die eine Marke ohnehin schon kennen und suchen. Für Verlage, die auf Zufallsverkehr aus der Suche angewiesen sind, ändert das strukturell wenig. Es ist ein Werkzeug zur Bindung bestehender Leser, kein Ersatz für verlorene Reichweite.

Praktisch heißt das für Sie, falls Sie Inhalte publizieren: Der Knopf kostet wenig und schadet nicht, aber er ist keine Strategie. Die belastbarere Konsequenz aus dem Traffic-Rückgang ist unverändert der Aufbau eines Kanals, der nicht über eine fremde Suchmaschine läuft — Newsletter, App, RSS. Google bietet hier ein Steuerrad an, ohne den Kurs zu ändern.

Die Lernplattform Studyflix hat 1.012 Personen aus Schule, Ausbildung, Studium, Lehrerschaft und Elternhaus zur Nutzung von KI befragt. Das auffälligste Ergebnispaar: 74 Prozent haben sich den Umgang mit KI selbst beigebracht, 4 Prozent haben ihn von Lehrkräften gelernt. Dazwischen liegt praktisch der gesamte Bildungsauftrag.

Die übrigen Zahlen widersprechen der verbreiteten Erzählung. 89 Prozent nutzen KI-Werkzeuge, um sich Sachverhalte erklären zu lassen; 77 Prozent schätzen besonders die Möglichkeit, nachzufragen — also genau das, was in einer Klasse mit dreißig Schülern nicht geht. 70 Prozent würden eine vollständige Prüfung niemals von einer KI schreiben lassen. Gleichzeitig fürchten 61 Prozent, durch die Nutzung etwas zu verlernen, und 63 Prozent der Abschlussjahrgänge befürchten, gegenüber Mitschülern benachteiligt zu werden, die schummeln. 37 Prozent nervt es, dass ihnen erzählt wird, KI mache dumm, statt ihnen den richtigen Umgang beizubringen.

Studyflix-Geschäftsführer Mathias Klement fasst es so zusammen: „Der Vorwurf, Schüler:innen wollten mit KI nur abkürzen, geht an der Realität vorbei.“ Und: „Es fehlen Menschen, die ihnen den Umgang zeigen, und klare Regeln.“

Zur Einordnung gehört die Herkunft der Zahlen. Studyflix ist ein kommerzieller Anbieter von Lerninhalten und hat ein erkennbares Interesse an dem Befund, dass Schulen bei der Vermittlung versagen. Methodik, Stichprobenziehung und Fragebogen sind nicht öffentlich; wir behandeln die Werte deshalb als Anbieterangaben, nicht als repräsentative Sozialforschung. Die Größenordnung der Lücke zwischen 74 und 4 Prozent ist allerdings so groß, dass sie auch bei erheblicher methodischer Schieflage nicht verschwindet.

Der Bezug zur Regulierung ist enger, als es scheint. Der EU AI Act verpflichtet Unternehmen seit Februar 2025 dazu, dass Personal, das mit KI-Systemen arbeitet, über ausreichendes Verständnis dieser Systeme verfügt — seit diesem Monat ist die Pflicht durchsetzbar. Die Jahrgänge, die jetzt die Schule verlassen, bringen dieses Verständnis überwiegend als Autodidakten mit. Wer sie einstellt, erbt die Lücke — und die gesetzliche Pflicht, sie zu schließen. Was das konkret bedeutet, steht in der Reportage dieser Ausgabe.

Ein Team am Biodesign Institute der Arizona State University um Joshua LaBaer hat Blutproben von über 4.000 Personen auf Antikörper gegen 185 Antigene untersucht und die Muster maschinell ausgewertet. Ergebnis: Bestimmte „Wächter“-Antikörper — unter anderem gegen Staphylococcus aureus und das RS-Virus — zeigen bereits vor einer COVID-19-Impfung an, wer stark darauf reagieren wird.

Der interessanteste Befund ist ein negativer. Der Gesundheitszustand allein war kein verlässlicher Anhaltspunkt: Rund fünf bis sechs Prozent der als gesund eingestuften Personen zeigten eine schwache Immunantwort, während einzelne immungeschwächte Patienten stark reagierten. Die übliche klinische Heuristik — gesund gleich gute Impfantwort — trifft also in einer relevanten Minderheit der Fälle nicht zu, und zwar in beide Richtungen.

Zur Quellenlage: Sämtliche Angaben stammen aus einer Hochschulmitteilung, die von zwei Fachdiensten übernommen wurde. Eine unabhängige Prüfung der Ergebnisse liegt nicht vor; die Fachzeitschrift, in der die Arbeit erschienen sein soll, ließ sich nicht zweifelsfrei bestimmen.

Warum das methodisch bemerkenswert ist. Die Muster, um die es geht, wären für Menschen kaum auffindbar: Es geht nicht um einen einzelnen Marker, sondern um die Kombination vieler schwacher Signale über 185 Zielstrukturen hinweg. Genau dafür sind statistische Lernverfahren gebaut. Zugleich gilt hier die übliche Einschränkung solcher Arbeiten: Ein an einer Kohorte gefundenes Muster muss sich an einer unabhängigen zweiten bestätigen, bevor daraus klinische Praxis wird. Die Arbeit ist ein Anfang, keine Handlungsanweisung.

Der praktische Nutzen läge in der Priorisierung. Wenn man vor der Impfung wüsste, wer voraussichtlich schwach reagiert, ließen sich Auffrischungen, Dosierungen oder ergänzende Schutzmaßnahmen gezielt dort einsetzen, wo sie gebraucht werden — statt nach Alter und Vorerkrankung pauschal zu entscheiden. Das ist die Sorte KI-Anwendung, die selten Schlagzeilen macht und über die Zeit vermutlich mehr bewirkt als die meisten Modellveröffentlichungen dieses Sommers.