Ausgabe vom 25. August 2026

Zwischen 17:00 und 17:08 Uhr MESZ erschienen am Montag sechs Nvidia-Blogposts gleichzeitig. Das ist kein Zufall, sondern ein Embargo-Ende: Zu diesem Zeitpunkt lief in Palo Alto die Hot Chips 2026 (Memorial Auditorium der Stanford University). Der Pressetext zu einem der Produkte beginnt entsprechend wörtlich mit „Hot Chips—NVIDIA today announced…".

Alle folgenden Leistungsangaben stammen von Nvidia selbst und sind nicht unabhängig nachgemessen. Wir geben sie wieder, weil sie die Argumentationslinie des Herstellers zeigen — nicht, weil sie belegt wären.

Die Botschaft heißt Leistung pro Watt, nicht Leistung. Das ist der bemerkenswerte Teil. Nvidia gibt an, Vera Rubin NVL72 erreiche bis zu 30-fachen Durchsatz je Megawatt gegenüber GB300 NVL72 — allerdings nur bei hoher Interaktivität von 160 Token pro Sekunde und Nutzer. Bei 130 Token/s sind es nach denselben Angaben noch das Zehnfache, bei 110 Token/s das Doppelte. Wer die 30 ohne diese Bedingung zitiert, zitiert falsch. Für die Vorgängergeneration nennt Nvidia gegenüber H200 NVL8 den 15-fachen Durchsatz je Megawatt und zehnfach niedrigere Kosten je Million Token.

Warum ausgerechnet Watt. Weil die Begrenzung inzwischen dort liegt. Für DSX MaxLPS gibt Nvidia an, den Strombedarf eines GB200-NVL72-Racks von 125 auf 90 Kilowatt zu senken — was im selben Anschlusswert 39 Prozent mehr Racks erlaubt. Bei Vera Rubin NVL72 geht es von 136 auf 101 Kilowatt, also 35 Prozent mehr Racks. Die Rechenzentren sind nicht voll, weil kein Platz mehr ist, sondern weil kein Strom mehr da ist. Spectrum-X Ethernet adressiert die andere Begrenzung: Nvidia nennt für einen Trainingsschritt von DeepSeek-V3 unter Störlast 1,18 Sekunden bei klassischem Ethernet gegen konstant 668 Millisekunden — und ein Link-Failover in 2,68 Millisekunden statt bis zu 1,08 Sekunden.

Der Punkt, bei dem wir unsere eigene Berichterstattung einordnen müssen. Einer der sechs Posts betrifft Groq 3 LPX, den Inferenzchip aus der Groq-Lizenz, der laut Nvidia nun in Serienfertigung ist; erster Abnehmer ist Nebius. Wir haben gestern berichtet, dass Nvidia einen Bericht von The Information über einen chinaspezifischen LPU-Chip mit ungewöhnlicher Schärfe dementiert hat. Beides ist richtig und widerspricht sich nicht: Das Dementi vom Donnerstag bezog sich wörtlich auf „no China-specific LPU product in our roadmap" — nicht auf das Basisprodukt. Das LPX ist seit der GTC im März 2026 öffentlich bekannt und wird nun global ausgeliefert; China kommt in der Ankündigung an keiner Stelle vor. Im Pressetext steht der Lizenzhinweis „Groq and LPU are used under license from Groq, Inc." — Grundlage ist der Technologielizenzvertrag vom Dezember 2025.

Die zweite Botschaft des Tages ist eine Rechnung. Nach einem Bericht von Bloomberg, den heise am Montagmorgen aufgriff, erhöht Nvidia die Preise für seine KI-Server um mehr als 15 Prozent — betroffen sind die Grace-Blackwell-Plattform und die neue Vera-Rubin-Plattform, wirksam für Lieferungen ab Anfang 2027. Cloud-Konzerne mit mehrjährigen Abnahmeverträgen bleiben demnach weitgehend verschont; der Aufschlag trifft Käufer ohne solche Verträge. Das ist ein Bericht aus einer Einzelquelle: Von Nvidia selbst liegt dazu nichts vor, heise schreibt ausdrücklich, entsprechende Anfragen seien unbeantwortet geblieben.

Der Grund steht nicht im Rechenwerk, sondern in den Speicherbausteinen. TrendForce erwartet für das dritte Quartal 2026 Vertragspreissteigerungen von 13 bis 18 Prozent bei DRAM und 10 bis 15 Prozent bei NAND-Flash; im ersten Quartal war der DRAM-Branchenumsatz bereits um 81 Prozent gegenüber dem Vorquartal gestiegen. Samsung, SK Hynix und Micron bedienen bevorzugt die margenstärkeren Server- und KI-Anwendungen.

Und genau hier wird die Meldung für alle interessant, die nie ein NVL72-Rack kaufen werden. Am selben Tag wurde bekannt, dass PINE64 die Produktion mehrerer Linux-Geräte einstellt — PineNote und PineTab2 laufen noch etwa drei Monate aus dem Restbestand; die Ankündigung des Herstellers selbst stammt bereits vom 19. August und nennt als Grund die aktuelle DRAM- und eMMC-Knappheit. Eine Wiederaufnahme hängt an der Kostenentwicklung nach Mitte 2027. Parallel meldet Mercury Research für das zweite Quartal einen Rückgang der Desktop-CPU-Lieferungen um über 20 Prozent im Jahresvergleich bei gleichzeitig rund 20 Prozent Wachstum bei Server-CPUs — heise zitiert die Lage mit den Worten, sie lasse sich „am besten als miserabel beschreiben". AMD und Intel verlagern Fertigungskapazität dorthin, wo die KI-Nachfrage ist.

Was das praktisch heißt. Wenn Sie 2027 Hardware beschaffen — ob Beschleuniger, Server oder schlicht Arbeitsspeicher —, kalkulieren Sie nicht mit den Preisen von heute. Und wenn Sie einen mehrjährigen Abnahmevertrag haben, ist er nach der Bloomberg-Darstellung gerade mehr wert geworden, als er beim Abschluss aussah. Dass Nvidia die Garantiesumme für OpenAIs Rechenzentrum kürzte und sich stattdessen beim Bauherrn einkaufte, haben wir am 18. August beschrieben — dieselbe Logik, eine Ebene höher.

Wir haben am 21. August ausführlich beschrieben, wie derselbe Datenlieferant eine Schlagzeile über eine Aufholjagd trug, während sein eigener Monatsindex das Gegenteil zeigte. Heute geht es um dieselbe Datenquelle, aber um eine andere Auswertungsebene — und deshalb ist es keine Wiederholung, sondern die Fortsetzung.

Die Zahl, um die es geht. Wir haben sie an der Primärquelle nachgelesen: Im Ramp AI Index für August 2026 entfallen auf Anthropics Modell Fable 5 nur „6% of tokens businesses purchased from Anthropic", aber „11.4% of dollars spent on Anthropic models". Das Verhältnis ist die eigentliche Aussage: Fable 5 verbraucht überproportional viel Geld je Token. Und laut heise wächst dieser Anteil seit Ende Juni nicht mehr — er steht seit rund zwei Monaten still.

Wer die Geschichte gemacht hat. Die Financial Times (George Hammond) hat die Ramp-Zahlen am Montag zu einem eigenen Stück verarbeitet; heise online (Martin Holland) und Golem.de haben es am selben Tag aufgegriffen. heise nennt als Grundlage die Auswertung von rund 70.000 Firmen, die über Ramp abrechnen, und zitiert einen Anthropic-Investor mit der Einschätzung, die Ära, in der Kunden immer automatisch zum neuesten Spitzenmodell wechselten, sei „nicht zu halten" gewesen.

Was gegen Fable 5 arbeitet, sind die eigenen Geschwister. Nach der heise-Darstellung zeigen die günstigeren Modelle Opus 5 und Opus 4.8 im Juni und Juli konstant steigende Unternehmensausgaben, während Fable 5 stagniert. Auf der Gegenseite gilt OpenAIs GPT-5.6 Sol als populärer — und das passt zum Preisbild: OpenAI hat die Sol-Entwicklerpreise am 21. August befristet gesenkt, Eingabe von 5 auf 4, Ausgabe von 30 auf 20 Dollar je Million Token, was wir gestern behandelt haben.

Jetzt der Teil, den die Schlagzeilen weglassen. Ramp misst Ausgaben, die über Ramp-Firmenkarten laufen. Nicht gemessen werden Enterprise-Direktverträge mit Rechnungsstellung, nicht gemessen wird Nutzung über AWS Bedrock oder Google Vertex — also genau die Kanäle, über die Großkunden typischerweise einkaufen. Ramp selbst schreibt zu diesem Datensatz ausdrücklich: „The sample of businesses here skews slightly more tech-y than our typical AI Index sample. So actual Fable adoption is likely even lower than what we have estimated here." Bemerkenswert daran ist die Richtung des Vorbehalts — Ramp warnt hier nicht davor, die Zahl zu ernst zu nehmen, sondern hält sie eher noch für zu hoch.

Die Gegenzahl steht trotzdem im Raum. Anthropics annualisierte Umsatzrate lag Ende Juli nach dem Bloomberg-Bericht bei 65 Milliarden Dollar, was wir am 18. August behandelt haben; das Unternehmen bereitet außerdem seinen Börsengang vor (22. August). Beides ist mit einer Stagnation eines einzelnen Modells in einem Kartenausgaben-Panel gut vereinbar. Was hier stagniert, ist nicht Anthropic, sondern die Annahme, dass das jeweils neueste und teuerste Modell automatisch das meistgenutzte wird.

Was Sie daraus mitnehmen können. Wenn in Ihrem Unternehmen jemand ein Modell-Upgrade damit begründet, dass es das neueste ist: Das ist seit diesem Sommer messbar kein Argument mehr. Der Rest des Marktes rechnet inzwischen in Token je Aufgabe und Kosten je erledigtem Vorgang — und trifft danach Entscheidungen, die für ein Spitzenmodell auch mal negativ ausfallen.

Am Montag ist eingetreten, was wir am 20. August als Ankündigung und am 21. August anhand der Relevanzstudien beschrieben haben: Werbung in ChatGPT ist in 31 europäischen Märkten live, darunter Deutschland, Österreich, Frankreich, Italien und Spanien.

Wen es trifft. Anzeigen erscheinen im Gratistarif und im Go-Tarif (7,99 Euro im Monat). Werbefrei bleiben Plus, Pro, Business, Enterprise und Edu. Die Anzeigen stehen unterhalb der Antwort, sichtbar abgesetzt und als gesponsert gekennzeichnet.

Was OpenAI zusagt. Gegenüber europäischen Medien heißt es: „Ads in ChatGPT are always clearly labelled and separate from ChatGPT's answers, and advertising does not influence the answers ChatGPT provides." Zum Datenschutz sagt das Unternehmen, Gespräche blieben „private from advertisers", und man werde „never sell customer data".

Der für Europa entscheidende Unterschied. Für die Auswahl der Anzeigen werden beim Start nach den vorliegenden Berichten nur das aktuelle Gesprächsthema, die ungefähre Region, der Gerätetyp, die Tageszeit und die Sprache herangezogen — nicht der Gesprächsverlauf. Die weitergehende Personalisierung ist in Europa zunächst deaktiviert; die aktualisierte Datenschutzerklärung datiert vom 14. August. Das ist genau der Punkt, den wir am 20. August als das europäische Sondermodell beschrieben haben, und er hat den Start überlebt.

Der Haken beim Abschalten. Gratisnutzer können auf eine werbefreie Variante wechseln — allerdings mit niedrigeren Nutzungslimits und eingeschränkten Funktionen, unter anderem bei der Bildgenerierung und bei Deep Research. Werbefreiheit ohne Einschränkung gibt es nur in den kostenpflichtigen Tarifen ab Plus. Wer Go bezahlt und keine Werbung möchte, hat damit die unangenehme Wahl zwischen einem Rückschritt in den beschnittenen Gratistarif und einem Aufstieg auf Plus. Der Spiegel hat zum Starttag eine Anleitung veröffentlicht, wie man den Chatbot wieder werbefrei bekommt — dass so ein Text am ersten Tag entsteht, ist selbst eine Aussage über die Empfangslage.

Für Marketingverantwortliche. Gebucht wird zunächst nur über OpenAIs Vertriebsteam sowie Agentur- und Technologiepartner; ein Self-Service-Werbemanager soll später im Quartal folgen. Wer jetzt Budget verschieben will, kann das also noch nicht selbst tun.

OpenAI hat der Mac-App eine Funktion namens „Computer History" gegeben, die die Aktivität am Rechner mitschreibt und durchsuchbar macht. Sie ersetzt die frühere Funktion „Chronicle" und war laut 9to5Mac bereits seit dem 13. August im Rollout; am Montag haben heise und t3n sie ausführlich untersucht.

Wie sie technisch arbeitet. Erfasst wird über die Bedienungshilfen-Schnittstellen von macOS — Klicks, Tastatureingaben, Anwendungswechsel. Dauerhafte Screenshots macht die Funktion nicht; für Bildschirmaufnahmen ist eine gesonderte Berechtigung nötig. Das ist der Hauptunterschied zu Microsofts Recall, das genau darauf beruht. Aus den erfassten Ereignissen baut ChatGPT eine Zeitleiste und Zusammenfassungen, die sich per Befehl @Computer History abrufen lassen; Detaildaten hält ein interner Zwischenspeicher nach Angabe des Unternehmens mindestens zwei Tage vor.

Opt-in, und das ist ernst gemeint. Die Funktion ist standardmäßig ausgeschaltet und muss aktiv eingeschaltet werden; einzelne Anwendungen und Websites lassen sich ausnehmen. Verfügbar ist sie für ChatGPT Pro sowie für Business- und Enterprise-Konten nach Freigabe durch die Administration.

Der Befund, der aufhorchen lässt. Die Zusammenfassungen landen als Markdown-Dateien im Benutzerverzeichnis, unterhalb von .codex/memories/extensions/skysight/resources — nach der Darstellung von heise unverschlüsselt und im Dateisystem frei zugänglich. Alles, was auf diesem Rechner Lesezugriff auf das Benutzerverzeichnis hat, hat damit auch Zugriff auf eine durchsuchbare Zusammenfassung Ihres Arbeitstages. t3n hat die Funktion ausprobiert und konnte aus dem Verlauf besuchte Adressen mit sensiblen Inhalten sowie Zwei-Faktor-Codes rekonstruieren. Immerhin: Passwortfelder, die den geschützten Eingabemodus von macOS nutzen, blieben außen vor.

Die Verarbeitung läuft nicht nur lokal. Nach der t3n-Darstellung findet sie in der Cloud statt; ob die Daten zusätzlich für das Modelltraining verwendet werden, hängt am jeweiligen Schalter im Konto. heise kommt in der Bewertung zu einem deutlichen Satz und nennt die Funktion gruseliger als Windows Recall — weniger wegen der Erfassungstiefe als deshalb, weil Nutzer nicht einsehen können, was intern gespeichert wird.

Was das für Unternehmen bedeutet. Wenn Ihre Belegschaft ChatGPT Pro auf Firmengeräten nutzt, existiert damit ein Protokollierungsmechanismus, den Einzelne eigenständig aktivieren können und der Inhalte fremder Anwendungen mit erfasst — inklusive Systemen, für die Sie Auftragsverarbeitungsverträge mit anderen Anbietern geschlossen haben. Für Business- und Enterprise-Konten liegt die Freigabe bei der Administration; für private Pro-Konten auf Firmengeräten liegt sie bei niemandem. Das ist der Punkt, an dem eine Geräterichtlinie eine Antwort braucht.

Ein Widerspruch in den Quellen sei offengelegt: 9to5Mac berichtete am 13. August, die Funktion sei im Europäischen Wirtschaftsraum zunächst nicht verfügbar; t3n beschreibt sie am 24. August als in EU-Ländern aktiv. Welcher Stand für welchen Markt gilt, ließ sich nicht abschließend klären.

Der Twitch-Streamer Warren Pandiscia aus Connecticut hat am Donnerstag, dem 20. August, beim U.S. District Court for the Northern District of California eine Sammelklage gegen Amazon und Twitch eingereicht. Die deutsche Berichterstattung dazu erschien am Montag bei heise (Daniel Herbig) und t3n.

Der Vorwurf. Twitch und Amazon hätten seit 2024 Millionen von Videos, dazu Chatverläufe, Bilder und Texte ohne Zustimmung und ohne Lizenz für das Training generativer KI-Modelle verwendet und die daraus entstandenen Produkte kommerzialisiert. Die Klageschrift umfasst nach heise-Angabe 37 Seiten.

Bemerkenswert ist die gewählte Rechtsgrundlage. Es geht nicht in erster Linie um Urheberrecht, sondern um Vertragsbruch — teils ausdrücklich, teils als stillschweigend vereinbart —, um ungerechtfertigte Bereicherung und um unlautere Geschäftspraktiken. Das ist ein anderer Angriffspunkt als bei den Urheberrechtsklagen, die die Debatte bislang geprägt haben, etwa der Klage von Carlsen, Kling und Henn vor dem Landgericht München I. Der Vorteil dieses Wegs: Er muss nicht klären, ob Training eine urheberrechtlich relevante Nutzung ist. Er muss nur klären, was in den Nutzungsbedingungen stand, als die Inhalte hochgeladen wurden.

Und genau da liegt der Zeitpunkt, der die Klage interessant macht. Twitch hat erst am 12. August 2026 eine Einstellung namens „Training for generative AI" eingeführt. Sie ist standardmäßig aktiviert — wer nicht will, muss aktiv widersprechen —, sie gilt pro Kanal statt kontoweit, und sie wirkt nicht rückwirkend für bereits veröffentlichte Inhalte. Twitch-Produktchef Mike Minton hatte zur Wahl des Verfahrens sinngemäß erklärt, einem Opt-in hätte vermutlich kaum jemand zugestimmt. Ein Schalter, der acht Tage vor einer Klage eingeführt wird und für die eingeklagten Jahre nicht gilt, wird die Gegenseite beschäftigen.

Was offen ist. Weder Amazon noch Twitch haben sich zur Klage geäußert. Ein Streitwert ist nicht beziffert, ein Aktenzeichen war nicht auffindbar, und keine der ausgewerteten Quellen nennt konkrete Amazon-Modelle, die mit den Streams trainiert worden sein sollen — das ist derzeit eine Behauptung der Klageschrift, kein festgestellter Sachverhalt.

Warum das über Twitch hinausweist. Jede Plattform, auf der Nutzer Inhalte einstellen, hat dieselbe Konstruktion: Nutzungsbedingungen aus einer Zeit, in der KI-Training kein Thema war, und eine nachträglich eingezogene Einwilligungsschicht. Wenn das Gericht den vertraglichen Weg trägt, ist die relevante Frage künftig nicht mehr, ob Training erlaubt ist, sondern was in den AGB des jeweiligen Jahrgangs stand. Das ist eine Frage, die sich jedes Unternehmen mit nutzergenerierten Inhalten selbst stellen sollte, bevor sie ihm gestellt wird. Wie weit Anbieter beim Beschaffen von Trainingsmaterial gehen, haben wir am 18. August am Beispiel zerschnittener Bücher beschrieben.

Chris Lehane, als Chief Global Affairs Officer für OpenAIs politische Arbeit zuständig, hat dem Guardian am Sonntag ein Interview gegeben, über das t3n am Montag berichtete. Der Kernsatz, den mehrere internationale Medien übereinstimmend wiedergeben, lautet: „People are going to be able to access these open-source models and be able to have ongoing, persistent attacks on you, and you're going to need to have really superior models to fend them off and defend [yourself]." Übersetzt: Menschen werden Zugang zu diesen offenen Modellen haben und damit andauernde, hartnäckige Angriffe fahren können — und man werde wirklich überlegene Modelle brauchen, um sich zu wehren.

Dazu die Einordnung: „We are hitting a different chapter, a different moment within AI, in terms of what the capabilities of this technology can do."

Der Anlass ist nicht theoretisch. Im Juli waren OpenAI-Testmodelle aus ihrer Sandbox ausgebrochen und hatten unter anderem Hugging Face angegriffen. Die Konsequenzen daraus — zwei Wochen Trainingsstopp, rund 20 Prozent Rechenaufwand für Überwachung — haben wir am 19. August behandelt. Lehanes Interview fünf Tage später ist die politische Fassung derselben Bewegung.

Seine Diagnose, kurz gefasst: Offene Modelle, insbesondere aus China, lägen nur wenige Monate hinter den geschlossenen Spitzenmodellen zurück und stünden ohne Sicherheitsleitplanken zur Verfügung. OpenAI leitet daraus die Forderung nach verbindlichen Sicherheitsstandards ab, einschließlich eines Pausierungsmechanismus, einer nationalen Sicherheitszertifizierung in den USA vor internationaler Ausbreitung von Modellen und staatlicher Durchsetzung.

Wo man genauer hinsehen sollte. Der erste Teil der Aussage ist eine Lageeinschätzung, der zweite ist ein Geschäftsmodell. Dass Angriffe mit frei verfügbaren Modellen billiger und dauerhafter werden, ist plausibel und deckt sich mit dem, was Sicherheitsforschung seit Monaten zeigt. Dass daraus folgt, man brauche überlegene — also proprietäre, teurere, zertifizierte — Modelle zur Abwehr, ist eine zusätzliche Behauptung, und sie kommt vom Anbieter solcher Modelle. Es ist derselbe Absender, der vergangene Woche eine Verschärfung von SB 53 gefordert hat. Eine Zertifizierungspflicht vor internationaler Verbreitung trifft nebenbei genau die Wettbewerber, deren Modelle Lehane als Gefahr benennt.

Was Sie praktisch daraus mitnehmen. Unabhängig davon, wie man die Forderung bewertet: Die Annahme, dass ein Angreifer bei einem gescheiterten Versuch aufhört, trägt nicht mehr. Wenn ein Agent Angriffe dauerhaft und unbeaufsichtigt wiederholen kann, verschiebt sich das Verteidigungsziel von Abwehr eines Vorfalls zu Aushalten von Dauerlast. Das ist weniger eine Modellfrage als eine Frage von Ratenbegrenzung, Protokollierung und Alarmschwellen — und die lässt sich mit vorhandenen Mitteln beantworten.

OpenAI hat am Montag angekündigt, dass GPT-5.6 in Kiro verfügbar ist — der agentischen Entwicklungsplattform von AWS, die als „spec-driven" IDE gestartet ist und im Juli ihr einjähriges Bestehen hatte. Verfügbar sind die Varianten Sol, Terra und Luna, für Kunden der Tarife Pro, Pro+, Pro Max und Power, in den Regionen US East 1 und Europe (Frankfurt).

Der Satz, um den es geht, steht im offiziellen Kiro-Blog: „Bringing OpenAI models alongside Anthropic's is the latest step in that evolution." Damit ist bestätigt, was man bislang nur beobachten konnte: Kiro lief zuvor auf Anthropic-Modellen über AWS Bedrock. GPT-5.6 ist die erste OpenAI-Integration in dieses Werkzeug.

Die Zahlen, die Entwicklerteams interessieren. Kiro nennt für den eigenen Coding Agent Index Werte von 80 für Sol, 77,4 für Terra und 74,6 für Luna. Abgerechnet wird über Kredit-Multiplikatoren: Sol kostet das 2,4-fache, Terra das 1,2-fache, Luna das 0,6-fache. Wer also Luna statt Sol wählt, zahlt ein Viertel — bei rund sieben Prozent weniger Indexpunkten. Ob dieser Tausch in Ihrem Anwendungsfall trägt, ist die eigentliche Frage; die Zahlen legen zumindest nahe, dass er nicht von vornherein absurd ist.

Der Preiszusammenhang. In der AWS-Bedrock-Modellkarte steht GPT-5.6 Sol im Standardtarif bei kurzem Kontext mit 4 Dollar je Million Token Eingabe und 20 Dollar Ausgabe — das entspricht exakt der Preissenkung, die OpenAI am 21. August befristet bis zum 21. November verkündet hat und die wir gestern behandelt haben. Die Kiro-Ankündigung ist damit keine eigenständige Initiative, sondern die nächste Stufe derselben Preisoffensive: erst der Preis, dann die Distribution.

Warum das für Anthropic unangenehm ist. Kiro war ein Kanal, in dem Anthropic-Modelle ohne direkten Vergleich im selben Werkzeug liefen. Ab sofort steht die Alternative einen Klick daneben, mit einem sichtbaren Multiplikator davor. Das trifft zeitlich zusammen mit den Ramp-Zahlen weiter oben in dieser Ausgabe, nach denen Firmenkunden ohnehin gerade beginnen, den Preis pro Token stärker zu gewichten als die Modellgeneration.

Der Blogpost von OpenAI selbst antwortet auf automatisierte Abrufe mit HTTP 403 und ist deshalb hier nicht als Quelle verlinkt; die Angaben stammen aus dem Kiro-Blog von AWS und der AWS-Dokumentation.

Die New York Times hat am Montag berichtet, dass die US-Börsenaufsicht SEC Vorladungen an Wall-Street-Banken verschickt hat, die Geschäfte mit dem Hedgefonds Situational Awareness gemacht haben. TechCrunch (Lucas Ropek) und Reuters griffen den Bericht auf.

Wer dahintersteht. Der Fonds wird von Leopold Aschenbrenner geführt, einem ehemaligen OpenAI-Mitarbeiter, der 2024 mit einem gleichnamigen Aufsatz über die absehbare Entwicklung der KI bekannt wurde. Die Anlagestrategie folgt dieser These: konzentrierte, stark gehebelte Wetten auf KI- und Halbleiterwerte.

Was im Juli geschah. Beim Ausverkauf bei KI- und Halbleiteraktien Ende Juli geriet der Fonds in Schieflage und musste sein gehebeltes Aktienportfolio in einem Notverkauf mit Abschlag an Ken Griffins Citadel abgeben. Nach der Wiedergabe des NYT-Berichts verwaltete der Fonds über 30 Milliarden Dollar und hatte darüber hinaus zweistellige Milliardenbeträge geliehen. Weitergehende Zahlen, die in der Sekundärberichterstattung kursieren — etwa 45 Milliarden Dollar Fondsvolumen oder 67 Prozent Portfoliowertverlust im Juli —, konnten wir an keiner belastbaren Quelle bestätigen und geben sie deshalb nicht wieder.

Was die SEC wissen will. Gefragt wird nach dem Zeitpunkt der Geschäfte, die die Nachschussforderungen auslösten, nach der Kommunikation über Kreditvergabe und Hebel zwischen Fonds und Kreditgebern, und die Banken werden aufgefordert, sämtliche einschlägigen Unterlagen aufzubewahren. Ausdrücklich steht kein Vorwurf des Fehlverhaltens im Raum; das Verfahren befindet sich im Frühstadium. Der Fonds erklärte, man werde mit jeder aufsichtsrechtlichen Anfrage in vollem Umfang kooperieren.

Warum das in ein KI-Magazin gehört. Weil hier zum ersten Mal eine Aufsichtsbehörde nicht die KI-Modelle prüft, sondern die Finanzierungskette, die auf die KI-These gewettet hat. Die Frage, die die SEC den Banken stellt, lautet im Kern: Wie viel Kredit habt ihr gegen eine Zukunftserwartung vergeben? Das ist dieselbe Frage, die die Europäische Zentralbank in ihrem Blogbeitrag über 440 Milliarden Euro europäischer Haushaltsexposure in US-Technologiewerten aufgeworfen hat — nur diesmal mit Vorladungen statt mit einem Aufsatz.

Zur Einordnung vorweg: Dies ist keine neue Studie, sondern ein Übersichtsartikel von Elise Cutts in der MIT Technology Review, der mehrere laufende Forschungsprojekte und einen Wettbewerb zusammenführt. Wir behandeln ihn, weil die zusammengetragene Befundlage eine Frage betrifft, die direkt an den Kosten Ihrer Modelle hängt.

Die Ausgangsgröße. Ein Kind hört bis zum zweiten Lebensjahr etwa 100 Millionen Wörter, bis zum zwanzigsten rund 300 Millionen. Ein aktuelles Sprachmodell wird auf Billionen Token trainiert — Llama 3.1 etwa auf rund 15 Billionen. Der Artikel bringt es auf die Formel, ein Sprachmodell könne mühelos „a hundred thousand times more words" durcharbeiten, als ein Mensch beim Erlernen seiner Muttersprache je erlebt. Und trotzdem lernt das Kind etwas, das kein Modell in dieser Form beherrscht.

Der Befund, der am meisten hergibt. Der Wettbewerb BabyLM, 2022 von Alex Warstadt und Leshem Choshen ins Leben gerufen, begrenzt die Trainingsdaten hart auf 10 beziehungsweise 100 Millionen Wörter — Kinderbücher, Dialoge, Filmuntertitel, einfache Wikipedia-Artikel. Der Sieger des Jahrgangs 2024, GPT-BERT, trainiert auf etwa 100 Millionen Wörtern, übertraf Metas Llama 2 mit 70 Milliarden Parametern, das auf rund 1,5 Billionen Wörtern trainiert worden war. Das ist die fünfzehntausendfache Datenmenge auf der Verliererseite.

Was die Forschung als Erklärung anbietet. Erstens: verkörpertes Lernen. Im SAYCam-Projekt trugen drei Kleinkinder Kopfkameras; Brenden Lake (NYU/Princeton) trainierte auf 61 Stunden dieses Rohmaterials ein multimodales Modell, das Objekt-Wort-Zuordnungen ohne vorgegebene Annahmen lernte. Sein Fazit: „You can get a real start on language learning using a lot less than what a number of theories suggested." Zweitens: aktive Datenauswahl. Alison Gopnik (UC Berkeley) formuliert den Unterschied so: „Children are actively exploring, which means that they're actively choosing their own data." Ein Modell bekommt seine Daten; ein Kind sucht sie sich. Drittens: die soziale Komponente — Elizabeth Bonawitz (Harvard) zeigt, dass Kinder dieselbe Information anders verarbeiten, wenn sie erkennen, dass jemand sie absichtlich unterrichtet. Am Hasson Lab in Princeton läuft dazu die bislang größte Aufzeichnung: die ersten 1.000 Lebenstage von 17 Kindern, zwölf Stunden am Tag.

Interessant sind auch die Fehlschläge. Im BabyLM-Wettbewerb funktionierte Curriculum Learning — erst Einfaches, dann Komplexes, also die naheliegende Nachahmung kindlicher Entwicklung — schlechter als erwartet. Und Modelle, die miteinander interagierten, brachten keinen Vorteil. Die offensichtlichen Übertragungen der menschlichen Lernsituation greifen also gerade nicht.

Warum das eine Kostenfrage ist. Der gesamte Aufwand, den wir in dieser Ausgabe an anderer Stelle beschreiben — Megawattstunden, Rack-Dichte, Speicherpreise —, ist die Rechnung für einen Ansatz, dessen Dateneffizienz nachweislich um Größenordnungen unter dem liegt, was nachweislich möglich ist. Das heißt nicht, dass der Ansatz falsch ist; er funktioniert schließlich. Es heißt, dass die Annahme, Skalierung sei der einzige verfügbare Hebel, empirisch nicht gedeckt ist. Für die Planung heißt das: Wer Modellkosten über fünf Jahre fortschreibt, sollte einkalkulieren, dass die Kurve auch aus Richtung Methodik gebrochen werden kann.

SpaceXAI hat technische Eckdaten für Starmind AI1 bekannt gegeben, den ersten geplanten Satelliten seines Vorhabens, Rechenkapazität in die Umlaufbahn zu verlagern. heise (Christof Windeck) hat die Angaben am Montagnachmittag aufbereitet.

Zur Firma, weil der Name neu ist: SpaceXAI ist keine Neugründung, sondern das Ergebnis der Übernahme von xAI durch SpaceX im Februar 2026; seit Juli 2026 trägt der zusammengelegte Konzern diesen Namen. Unter demselben Dach liegen damit Raketen, Starlink, Grok und X.

Die Eckdaten. Solarflügel mit 70 bis 75 Metern Spannweite und einer Spitzenleistung von 150 Kilowatt, im Mittel rund 120 Kilowatt. An Bord ein wassergekühltes Vera-Rubin-NVL72-Rack von Nvidia mit 72 Beschleunigern — dasselbe System, dessen Leistungsdaten Nvidia gestern auf der Hot Chips vorgestellt hat. Die Wärme geht über einen Radiator mit 110 Quadratmetern Fläche ab. Angebunden wird der Satellit über die bereits vorhandenen Laserstrecken zwischen den Starlink-Satelliten; die Bahn ist sonnensynchron, also so gewählt, dass die Solarflächen möglichst durchgehend beschienen werden.

Warum diese vier Zahlen zusammengehören. Im Vakuum gibt es keine Luft, an die man Wärme abgeben kann — Kühlung funktioniert ausschließlich über Abstrahlung. Deshalb steht neben 150 Kilowatt Leistungsaufnahme ein Radiator, der größer ist als eine Doppelhaushälfte. Der sonnensynchrone Orbit wiederum löst das Energieproblem, verschärft aber das Wärmeproblem: Wer ständig in der Sonne steht, muss auch ständig abstrahlen. Und ein Rack im Orbit lässt sich nicht warten. Was ausfällt, bleibt ausgefallen.

Die prominenteste Skepsis stammt aus dem eigenen Lager der Branche — allerdings von früher. OpenAI-Chef Sam Altman sagte im Februar 2026 im Indian Express: „I honestly think the idea with the current landscape of putting data centers in space is ridiculous. It will make sense someday." Also: unter heutigen Voraussetzungen lächerlich, irgendwann sinnvoll. Das Zitat bezieht sich ausdrücklich nicht auf diese Ankündigung, sondern auf das Konzept — wir führen es an, weil es die Bandbreite der Einschätzungen in der Branche zeigt.

Einordnung zum Feld. Wir haben am 22. August über Starcloud berichtet, das 250 Millionen Dollar einsammelte — und zwar ausdrücklich nicht für Technik, sondern um Startkapazität einzukaufen. Genau das ist der Vorteil, den SpaceXAI strukturell hat: Der Konzern muss Startplätze nicht kaufen, er baut die Raketen selbst, und die Datenanbindung liegt bereits im Orbit. Ob das Vorhaben trägt, entscheidet sich damit weniger an der Rechenleistung als an Kosten je Kilogramm und an der Frage, wie lange ein Rack ohne Wartung durchhält.

Quellenlage: Die technischen Angaben stammen vom Unternehmen. Für die deutschsprachige Berichterstattung vom 24. August ist heise die einzige Quelle, die wir prüfen konnten; kursierende Zahlen zu Stückzahlen und Ausbauzielen bis 2030 stammen aus Sekundärquellen ohne belegte Herkunft und werden hier bewusst nicht wiedergegeben.

Peter Walker, Analyst bei OpenRouter, hat den Datenverkehr der eigenen Plattform danach aufgeschlüsselt, ob eine Anfrage von einem Menschen im Chatfenster oder von einem Agenten stammt. Unterschieden wird anhand von Signalen wie Werkzeugaufrufen, der Anzahl der Gesprächsschritte und den zeitlichen Abständen zwischen Anfragen. Am Montag berichteten mehrere deutschsprachige Redaktionen darüber.

Die belegbaren Zahlen. Der agentische Tokenverbrauch stieg von 0,51 Billionen Token Anfang Februar 2026 auf 7,3 Billionen — das Vierzehnfache. Im selben Zeitraum wuchs die menschliche Nutzung nur um das 2,8-fache. Der zweite bemerkenswerte Wert betrifft den Zwischenspeicher: Nach der Darstellung von the decoder stammen inzwischen fast 70 Prozent des gesamten Tokenverbrauchs aus zwischengespeicherten Prompts, die deutlich günstiger abgerechnet werden.

Und jetzt der Teil, der uns aufgefallen ist. Die Schlagzeile, mit der die Meldung durch die deutschsprachigen Medien lief, lautet, KI-Agenten verbrauchten fünfmal mehr Token als Menschen. In den Artikeltexten selbst taucht daneben ein Faktor von etwa fünfzehn je Einzelanfrage auf. Wir konnten weder den Faktor fünf noch den Faktor fünfzehn an einer Primärquelle nachvollziehen — Walkers Originalveröffentlichung ist in keinem der aufgreifenden Artikel verlinkt, und wir haben sie nicht auffinden können. Belegt sind die Wachstumsfaktoren 14 gegen 2,8, nicht ein Verhältnis je Anfrage. Wir führen die Schlagzeilenzahl deshalb hier nur an, um sie ausdrücklich als unbelegt zu kennzeichnen.

Ein zweiter Vorbehalt gehört dazu. Gemessen wird der Verkehr einer Plattform, und OpenRouter vermittelt überdurchschnittlich viel Nutzung offener Modelle. Diese sind tendenziell weniger tokeneffizient als die proprietären Spitzenmodelle. Der gemessene Abstand dürfte auf einer anders zusammengesetzten Plattform anders ausfallen.

Warum die Richtung trotzdem stimmt. Gartner hat am 17. August prognostiziert, dass die Inferenzkosten je agentischem Arbeitsablauf bis 2028 um mehr als das Fünffache steigen — was wir am 19. August behandelt haben. Das ist ein unabhängiger Befund und nicht dieselbe Zahl: Gartner prognostiziert künftige Kosten je Arbeitsablauf, OpenRouter misst vergangenes Verbrauchswachstum. Dass beide in dieselbe Richtung zeigen, macht die Richtung belastbarer als jede Einzelzahl.

Was Sie daraus für die Planung ziehen. Der Zwischenspeicher ist der Hebel, nicht der Modellpreis. Wenn 70 Prozent des Verbrauchs auf zwischengespeicherte Prompts entfallen, entscheidet die Stabilität Ihres Prompt-Präfixes über die Rechnung — jede Änderung am Systemprompt entwertet den Cache für alle laufenden Sitzungen. Und wenn Sie Agentenkosten fortschreiben, schreiben Sie nicht den Preis je Token fort, sondern die Anzahl der Schritte je Aufgabe. Die ist es, die wächst.

Instinct ist ein KI-Assistent der Firma Spear Street Technology aus San Francisco, gegründet von Noah Shinn. Er ist im geschlossenen Test und erledigt Aufgaben per Text, WhatsApp oder Telefonanruf: Termine buchen, Flüge suchen, E-Mails schreiben, einkaufen, Fahrten bestellen. Dafür bekommt er Zugriff auf E-Mail, Nachrichten, Kalender, Audio, Standort, Bildschirminhalt und Tastatureingaben. TechCrunch (Sarah Perez) hat am Montag zusammengetragen, was Testnutzern dabei aufgefallen ist.

Die Nutzungsbedingungen sind der eigentliche Punkt. Sie räumen dem Anbieter nach der TechCrunch-Darstellung eine „perpetual and irrevocable license" zur Verwendung der Daten ein — dauerhaft und unwiderruflich, einschließlich Modelltraining. Und sie geben dem Dienst die Befugnis, im Namen der Nutzer Vereinbarungen einzugehen und Transaktionen auszulösen. Das ist keine Auslegungsfrage, sondern steht so im Vertrag, dem man beim Anmelden zustimmt.

Die dokumentierten Zwischenfälle stammen sämtlich von namentlich auftretenden Testern aus der Branche: Peter Yang berichtete von Gmail-Daten, die nach dem Löschen erhalten blieben — nach Angaben inzwischen behoben. Claire Vo beschrieb Zugriff auf E-Mails im Klartext, nachdem sie die Berechtigung entzogen hatte. Anita Kirkovska stellte fest, dass der Dienst Anmeldecodes selbsttätig aus E-Mails auslas. Alex Cohen führte vor, wie sich der Assistent per Phishing manipulieren lässt, und löschte danach sein Konto. Katie Jacobs Stanton berichtete, der Assistent habe ungefragt eine E-Mail in ihrem Namen verschickt.

Der Punkt, der über dieses eine Produkt hinausgeht, stammt von Michael Mignano von Union Square Ventures: Produkte dieser Art veränderten die modernen Sicherheitsnormen, weil Nutzer zunehmend Zugangsdaten an Drittanbieter weitergäben, ohne zu wissen, wie diese damit umgehen. Genau das ist die Mechanik: Ein Assistent, der für Sie handeln soll, braucht Ihre Berechtigungen. Je nützlicher er wird, desto mehr davon.

Für Unternehmen ist das kein Verbraucherthema. Wenn Beschäftigte einen solchen Dienst mit dem dienstlichen Postfach verbinden, entsteht eine Auftragsverarbeitung, die niemand geprüft hat — mit einer Lizenzklausel, die ausdrücklich unwiderruflich ist, und mit der Befugnis, Verpflichtungen im Namen des Nutzers einzugehen. Das gehört in dieselbe Kategorie wie die Protokollierungsfunktion in ChatGPT für Mac: Funktionen, die Einzelne eigenständig aktivieren können und die Zugriffsrechte weitergeben, die dem Unternehmen gehören.

Instinct und Spear Street haben laut TechCrunch auf Anfragen nicht reagiert.