Ausgabe vom 6. September 2026

Am Freitag haben The Seattle Times Company und Newsday LLC vor dem Bundesbezirksgericht für den südlichen Bezirk von New York gemeinsam Klage gegen Microsoft und neun OpenAI-Gesellschaften eingereicht. Es ist eine einzige Klageschrift über 38 Seiten, Aktenzeichen 1:26-cv-07644, eingereicht von der New Yorker Kanzlei Klaris Law für beide Verlage. Sie enthält sieben Klagegründe: Urheberrechtsverletzung, mittelbare Urheberrechtsverletzung, zwei Verstöße gegen den Digital Millennium Copyright Act und drei Ansprüche wegen Markenverwässerung — nach Bundesrecht sowie nach dem Recht der Bundesstaaten Washington und New York.

Die Kläger sind keine nationalen Schwergewichte. Die Seattle Times erscheint seit 1886 und ist seit 1896 in der fünften Generation im Besitz der Familie Blethen; sie hat seit 1950 elf Pulitzer-Preise gewonnen, den jüngsten 2020 für die Berichterstattung über die Boeing 737 MAX. Newsday erscheint seit 1940 auf Long Island, ist nach Auflage die sechstgrößte Tageszeitung der USA und hat 19 Pulitzer-Preise, darunter drei Goldmedaillen für Public Service.

Der handfesteste Beleg in der Klageschrift stammt aus genau jener Boeing-Serie. Die Anwälte geben in einer Eingabe nur Überschrift, Datum und Adresse eines Seattle-Times-Artikels an — und ChatGPT gibt daraufhin 88 aufeinanderfolgende Wörter wortwörtlich aus dem Text wieder, dokumentiert mit Bildschirmfoto. Für Newsday listet die Klage vier weitere solcher Fälle, darunter Berichte über FEMA-Hilfsgelder für Puerto Rico und einen Nachruf auf Kate Spade. Beide Verlage betreiben harte Bezahlschranken — Newsday seit August 2022 ohne jeden Freizugriff, die Seattle Times mit einem einzigen freien Artikel.

Der DMCA-Vorwurf ist technisch der interessanteste. Er richtet sich nicht gegen das Training als solches, sondern gegen zwei von OpenAI selbst dokumentierte Extraktionsverfahren namens Dragnet und Newspaper, die beim Herauslösen des Artikeltexts aus einer Webseite Urheberrechtsvermerk, Autorennamen und Titel entfernen. Genau das verbietet Paragraf 1202 des DMCA — das Entfernen von Urheberrechtsinformationen und das anschließende Verbreiten der so bereinigten Werke. Der Markenanspruch wiederum stützt sich auf Halluzinationen: Inhalte, die den Zeitungen fälschlich zugeschrieben werden, und Inhalte der Zeitungen, die fälschlich anderen zugeschrieben werden. Konkrete Beispiele dafür enthält die Klageschrift allerdings nicht, nur die rechtliche Behauptung.

Bemerkenswert ist, was die Kläger fordern: neben Schadensersatz und Unterlassung auch die Vernichtung sämtlicher Kopien, Modelle und Trainingsdatensätze, die ihre Werke enthalten — ein Anspruch, den das US-Urheberrecht in Paragraf 503 tatsächlich vorsieht. Eine Schadenssumme nennen sie nicht.

Der eigentliche strategische Punkt steckt aber in einer Zahl zum Datenverkehr. Die Klage führt aus, dass mittelgroße regionale und städtische Tageszeitungen zwischen Dezember 2024 und Dezember 2025 47 Prozent ihres Zugriffs aus Suchmaschinen verloren haben, während große nationale Titel nur 22 Prozent einbüßten. Das ist der Versuch, ausgerechnet die Lücke zu schließen, an der Kläger in den bisherigen Grundsatzentscheidungen gescheitert sind. Denn die Rechtsprechung ist uneinheitlich: Im Februar 2025 verneinte Richter Stephanos Bibas in Thomson Reuters gegen Ross Intelligence Fair Use, weil das trainierte Produkt direkt mit dem Original konkurrierte. Im Juni 2025 nannte Richter William Alsup in Bartz gegen Anthropic das Training mit rechtmäßig erworbenen Büchern „spectacularly transformative“ — Raubkopien in der Bibliothek dagegen nicht. Zwei Tage später erklärte Richter Vince Chhabria in Kadrey gegen Meta das Training ebenfalls für transformativ, fügte aber ausdrücklich hinzu, die Kläger hätten den Marktschaden schlicht nicht belegt — und dieser vierte Fair-Use-Faktor könne die Transformativität durchaus überwiegen. Seattle Times und Newsday liefern jetzt Zahlen, die genau darauf zielen.

Die Klage trifft auf ein Verfahren in einer heiklen Phase. Am selben Freitag reichten OpenAI, Microsoft und die klagenden Nachrichtenhäuser im konsolidierten Verfahren In re: OpenAI Copyright Infringement Litigation (25-md-3143) vor Richter Sidney H. Stein ihre Anträge auf Entscheidung ohne Hauptverhandlung ein; darüber, wie Microsoft dabei 8,2 Millionen Copilot-Gespräche in eine Rechenaufgabe verwandelt, haben wir gestern berichtet. Bereits am 1. September hatte sich das US-Justizministerium mit einer Interessenerklärung zugunsten der Fair-Use-Position eingeschaltet. Und am 31. August forderte Richter Stein die New York Times auf, bis zum 11. September zu begründen, warum ihr Verfahren nicht bis zur Entscheidung über die anderen Anträge ruhen sollte. Ob die neue Klage förmlich in dieses Sammelverfahren überführt wird, ist der übliche nächste Schritt, aber noch nicht beschlossen.

Die Reaktionen fielen erwartbar aus. Microsoft ließ mitteilen, man sei von der Klage überrascht, wisse aber um die Bedeutung von Lokaljournalismus und setze sich gern zusammen, um Lösungen zu suchen. OpenAI erklärte, die Modelle würden mit öffentlich verfügbaren Daten trainiert und das sei durch Fair Use gedeckt. Für europäische Unternehmen ist an dem Verfahren weniger die Frage interessant, wer gewinnt, als der Maßstab, der dabei entsteht: Ob die Ausgabe eines Modells als Ersatz für das Original gilt, entscheidet nicht nur über Schadensersatz in New York, sondern über die Verhandlungsposition jedes Rechteinhabers, der einen Lizenzvertrag statt einer Klage will.

Über die Vorstellung von GPT-6 Astra und die Benchmark-Tabelle dahinter haben wir am Freitag berichtet. Was seither passiert ist, betrifft weniger die Frage, wie klug das Modell ist, als die deutlich praktischere, wie man es einbaut — und da gibt es einiges nachzutragen.

Zunächst der Start selbst. Angekündigt war Astra am Donnerstag, zugänglich war es zunächst nur einer begrenzten Gruppe von Unternehmen aus OpenAIs Sicherheitsprogramm. Am Freitagmittag Ortszeit warteten API-Kundschaft und zahlende ChatGPT-Abonnenten immer noch. Sam Altman schrieb daraufhin auf X: „first, sorry for the messy rollout. second, when we screw up, we try to make it right. third, we should be able to begin broad rollout to API customers and chatgpt subscribers in the near future.“ Als Ausgleich gibt es einen sogenannten banked reset — eine aufsparbare Rücksetzung des Nutzungslimits — für jeden Tag ohne Zugang, rückwirkend ab dem 3. September. Am Freitagabend um 18:30 Uhr Ostküstenzeit war Astra dann für alle zahlenden Tarife freigegeben; Thibault Sottiaux aus OpenAIs technischem Stab schrieb, die eigenen Systeme seien skalierbarer gewesen als erwartet.

Interessanter ist, was in der Dokumentation steht. Astra hat ein Kontextfenster von 1.050.000 Token, davon höchstens 922.000 für die Eingabe und 128.000 für die Ausgabe; der Wissensstand endet am 30. April 2026. Eingabe kann Text und Bild sein, Ausgabe nur Text. Unterstützt werden Chat Completions, die Responses-API und Batch — nicht unterstützt werden Realtime, Assistants, Feinabstimmung, Embeddings, Bild- und Videoerzeugung, Sprachausgabe und Transkription. Wer eines dieser Verfahren im Produkt hat, wechselt also nicht einfach die Modell-Kennung.

Der Migrationsleitfaden nennt drei Brüche, die in der Praxis wehtun. Erstens sind temperature, top_p und top_logprobs ersatzlos zu entfernen, bei Chat Completions zusätzlich logprobs. Wer die Zufälligkeit seiner Ausgaben bisher über die Temperatur gesteuert hat — bei Klassifikationsaufgaben eine völlig übliche Praxis —, hat diesen Regler nicht mehr. Zweitens unterstützt Astra zwar Chat Completions, aber Tool-Calling verlangt die Responses-API. Für jede Anwendung, die Werkzeugaufrufe über die ältere Schnittstelle abwickelt, ist das kein Parameter-, sondern ein Architekturwechsel. Drittens wurde prompt_cache_retention zu prompt_cache_options.ttl umbenannt. Dazu kommt eine Einschränkung, die europäische Kundschaft direkt trifft: Mit EU-Datenresidenz stehen die Dienstgüteklassen fast und priority nicht zur Verfügung, und der Fast Mode enthält ohnehin keine Latenzzusage.

Bei den Preisen lohnt ein zweiter Blick auf eine Zeile, die in den meisten Berichten fehlt. Die Grundpreise von 10 Dollar je Million Eingabe- und 50 Dollar je Million Ausgabe-Token sind bekannt; zwischengespeicherte Eingaben kosten 1 Dollar, das Schreiben in den Zwischenspeicher 12,50 Dollar. Neu ist ein Aufschlag für lange Anfragen: Ab 272.000 Token in einer einzelnen Anfrage verdoppelt sich der Eingabepreis, der Ausgabepreis steigt um die Hälfte — und zwar für die gesamte Anfrage, nicht nur für den überschüssigen Teil. Das Millionen-Token-Fenster ist damit zwar vorhanden, aber ab gut einem Viertel seiner Kapazität deutlich teurer, als die Schlagzeilenpreise nahelegen. Batch- und Flex-Verarbeitung kostet weiterhin die Hälfte.

Neu ist auch eine fünfstufige Skala für die Denktiefe: low, medium, high, xhigh und max, wobei die letzten beiden Stufen bei den Vorgängermodellen nicht existierten. Und The New Stack berichtet von einer Eigenheit, die man kennen sollte, bevor sie im Betrieb auffällt: Astras Schnittstelle kennt eine neue Klasse sicherheitsbedingter Abbrüche, die wie Zeitüberschreitungen aussehen, aber keine sind. Wer seine Fehlerbehandlung so gebaut hat, dass Zeitüberschreitungen automatisch wiederholt werden, wiederholt hier also etwas, das aus Prinzip nicht durchgeht — und zahlt jeden Versuch.

Der dritte Nachtrag betrifft nicht Astra, sondern alles darunter. OpenAIs Abkündigungsseite nennt inzwischen feste Abschalttermine: o1, o1-pro, gpt-4, gpt-4-turbo und gpt-4o werden am 23. Oktober 2026 abgeschaltet, die gesamte GPT-5-Familie samt gpt-5-mini, gpt-5-nano und gpt-5-pro sowie o3 und o3-pro am 11. Dezember 2026. Als Ersatz wird durchgängig GPT-5.6 Sol genannt, nicht Astra. Wer noch auf gpt-4o läuft — und das sind erfahrungsgemäß viele Produktionssysteme, die nie einen Anlass zum Wechseln hatten —, hat für die Umstellung jetzt sieben Wochen.

Aus der Entwicklerschaft kommen dazu die üblichen gemischten Rückmeldungen: Lob für Websuche und Informationssynthese, Klagen über Kosten und über ein Modell, das häufig und an unerwarteten Stellen abbricht. Im OpenAI-Forum berichtet ein Nutzer, die Ablehnungsquote bei sicherheitsnahen Anfragen sei von rund der Hälfte auf 94 Prozent gestiegen — eine Einzelbeobachtung, aber eine, die zur Einstufung des Modells als kritisch im hauseigenen Sicherheitsrahmen passt. Die praktische Konsequenz ist unspektakulär und trotzdem entscheidend: Ein Modellwechsel, der auf dem Papier eine geänderte Zeichenkette ist, ist hier eine Migration mit Parameter-, Schnittstellen- und Fehlerbehandlungsarbeit. Wer sie einplant, bevor der 23. Oktober näherrückt, spart sich die Version, in der beides gleichzeitig ansteht.

Reuters hat am Freitag aus Peking berichtet, die USA und China bereiteten für Mitte September Gespräche über KI-Sicherheit vor. Die Meldung von Laurie Chen stützt sich auf drei nicht namentlich genannte Quellen — zwei, die über die Planungen unterrichtet seien, und eine weitere, die mit der Sache vertraut sei. Ein ebenfalls anonymer Mitarbeiter des Weißen Hauses erklärte gegenüber Reuters dagegen, es sei derzeit kein KI-Treffen für Mitte September geplant. Der Bestätigungsgrad dieser Meldung ist damit denkbar niedrig, und der Spiegel hat mit dem Wort „angeblich“ in seiner deutschen Aufnahme richtig gehandelt. Trotzdem lohnt der Blick, denn der gesicherte Rahmen um die ungesicherte Meldung herum ist aufschlussreich.

Gesichert ist: Bei Trumps Staatsbesuch in Peking im Mai 2026 verständigten sich beide Präsidenten darauf, einen zwischenstaatlichen Dialog zur KI-Governance einzurichten; Chinas Außenamtssprecher Guo Jiakun bestätigte das am 19. Mai öffentlich, ohne einen Termin zu nennen. Käme das gemeldete Treffen zustande, wäre es die erste Sitzung dieses Formats — und das erste Gespräch, das ausdrücklich als Sicherheitsdialog firmiert, seit dem bislang einzigen offiziellen Vorläufer: zwei Tagen in Genf im Mai 2024, die ohne bindendes Ergebnis endeten.

Als Teilnehmer nennt Reuters auf amerikanischer Seite Finanzminister Scott Bessent, möglicherweise begleitet von Michael Kratsios, dem Leiter des Büros für Wissenschafts- und Technologiepolitik im Weißen Haus. Auf chinesischer Seite kämen Vizepremier He Lifeng oder Ding Xuexiang in Frage, die Nummer sieben der Parteiführung und für Technologie-, KI- und Halbleiterpolitik zuständig. Ort und endgültige Teilnehmerliste konnte Reuters nicht ermitteln. Der Termin läge kurz vor dem für den 24. September in Washington angesetzten Treffen von Trump und Xi.

Auf der Tagesordnung stünden laut Reuters die gemeinsame Beobachtung KI-gestützter Cyberangriffe, ein amerikanischer Vorschlag, wonach sich die Labore beider Länder gegenseitig kontrollieren und Informationen austauschen sollen, sowie amerikanische Sorgen über ein künftiges chinesisches Modell mit Angriffsfähigkeiten. Dazu kommt der Vorwurf, chinesische Unternehmen kopierten amerikanische Modelle per Destillation — ein Streitpunkt, über den wir im Juli berichtet haben, als das Weiße Haus erstmals ein Unternehmen namentlich nannte.

Die interessanteste Entwicklung kam aber aus chinesischen Staatsmedien. Ende August veröffentlichte der dem Staatsfernsehen nahestehende Kanal Yuyuantantian zwei Vorbedingungen: Beide Seiten müssten sich zuerst darauf einigen, was „KI-Sicherheit“ und was ein „Frontier-Modell“ überhaupt bedeutet. Zwischen echten Sicherheitsbedrohungen und bloßem Technologiewettbewerb müsse klar unterschieden werden, hieß es dort, und diese Linie müsse gemeinsam gezogen werden. Das klingt nach Verfahrensfragen, ist aber der Kern des Konflikts: Für Washington meint der Begriff katastrophale Missbrauchsrisiken und die Kontrolle über Waffensysteme, für Peking gehört die Abwehr verdeckter Einflussnahme unter dasselbe Etikett — und, wie die Formulierung nahelegt, die Sorge, dass Sicherheitsargumente Exportkontrollen begründen sollen.

Diese Sorge ist nicht unbegründet. Im Dezember 2025 hatte Trump angekündigt, Nvidia dürfe H200-Chips nach China liefern; die Exportkontrollbehörde BIS stellte die Genehmigungspraxis am 13. Januar 2026 förmlich von Ablehnungsvermutung auf Einzelfallprüfung um — mit Mengengrenze, Endnutzerprüfung und vorgeschriebenen Labortests. Einen Tag später verhängte eine Präsidialverfügung zusätzlich einen Einfuhrzoll von 25 Prozent auf diese Chips; beides gilt seit dem 15. Januar. Das praktische Ergebnis, so berichtete CNBC im August, ist ein faktischer Ausschluss Nvidias vom chinesischen Rechenzentrumsmarkt, weil sich die Auflagen beider Regierungen kaum gleichzeitig erfüllen lassen.

Parallel bauen beide Seiten an konkurrierenden Ordnungen. China gründete am 16. Juli in Shanghai mit 29 Staaten die World AI Cooperation Organization, die sich an den Globalen Süden richtet und offene Modelle fördert. Die USA setzten Anfang September beim G20-Innovationsministertreffen in Chapel Hill die sogenannten Carolina-Prinzipien durch — ein unverbindliches Rahmenwerk gegen KI-spezifische Regulierung zugunsten sektorbezogener Regeln. Handelsminister Lutnick zufolge haben alle zwanzig Staaten unterschrieben, China eingeschlossen; ein Dokument ist bislang nicht veröffentlicht.

Wie viel von solchen Gesprächen zu erwarten ist, beurteilen Fachleute auffällig nüchtern. Matt Sheehan von der Carnegie-Stiftung schrieb im Juli, die beiden Mächte würden bei KI-Sicherheit nicht im Gleichschritt marschieren, und beidseitig bindende Vereinbarungen mit echten Zähnen seien derzeit wahrscheinlich nicht möglich; Vertrauen zwischen den Supermächten sei „both unrealistic and unnecessary“, sinnvoll sei paralleles statt gemeinsames Arbeiten. Sein Kollege Scott Singer hält einen eng gefassten Dialog über Testverfahren für sinnvoll, jeden Handel nach dem Muster „Chips gegen Sicherheit“ dagegen für abzulehnen. Deutlich schärfer Chris McGuire vom Council on Foreign Relations: Peking verhandle nicht in gutem Glauben, sondern nutze Dialoge, um Zugang zu der Technologie zu bekommen, die es zum Aufholen brauche; 2024 hätten die USA führende Fachleute entsandt, China Diplomaten, die sich über Exportkontrollen beschwerten. Und das Londoner IISS wies im Juni darauf hin, dass ausgerechnet der einzige bestehende Konsens erodiert: Die 2024 in Lima von Biden und Xi bekräftigte menschliche Kontrolle über den Einsatz von Nuklearwaffen fasst Chinas Rüstungskontroll-Weißbuch vom November 2025 nur noch vage als „relevante Waffensysteme“.

Für europäische Unternehmen lässt sich aus alledem seriös keine unmittelbare Folge ableiten — keine der ausgewerteten Quellen trifft dazu eine Aussage. Was sich beobachten lässt, ist die Richtung: Beide Seiten reden über gemeinsame Aufsicht und bauen gleichzeitig getrennte Regelwerke, denen Europa in keinem Fall angehört. Ob am 24. September in Washington mehr herauskommt als ein Foto, wird man daran messen können, ob die beiden Definitionen aus Pekings Vorbedingung bis dahin vorliegen.

heise berichtete am Samstagabend über eine Beschleunigung des Stellenabbaus in der Technologiebranche. Die Zahlen dahinter stammen aus kalifornischen Meldungen nach dem WARN Act, wie sie die Mercury News und der Branchendienst TrueUp aufbereiten, sowie aus dem Tracker Layoffs.fyi. Sie lauten: In der Bay Area wurden bis zum 5. September 12.947 Tech-Stellen gestrichen — 27 Prozent mehr als im gesamten Jahr 2025 mit 10.170. Weltweit zählt der Tracker für 2026 bisher über 180.000 gestrichene Tech-Stellen, nach mehr als 245.000 im Vorjahr, davon über 92.000 mit KI-Bezug. Genannt werden unter anderem Meta mit 3.715 Stellen in der Bay Area, Microsoft mit 4.800, Uber mit 3.300 und Amazon mit 917.

Das sind reale Zahlen, und die Bay-Area-Entwicklung ist bemerkenswert. Nur trägt die Überschrift eine Kausalaussage, die der Text selbst nicht belegt: Eine Aufschlüsselung nach Kündigungsgründen kommt darin nicht vor. Und es gibt genau eine Erhebung, die diese Aufschlüsselung seit Jahrzehnten liefert — den Monatsbericht der Outplacement-Beratung Challenger, Gray & Christmas. Der für August erschien zwei Tage vor dem heise-Artikel und zeichnet ein deutlich anderes Bild.

Challenger zählt für den August 2026 52.881 angekündigte Stellenstreichungen in den USA. Gegenüber dem Juli ist das ein Anstieg um 58 Prozent — die Zahl, die durch die Schlagzeilen ging. Gegenüber dem August 2025 mit 85.979 ist es allerdings ein Rückgang um 38 Prozent. Und aufs Jahr gerechnet ist der Kontrast noch schärfer: 529.914 Streichungen von Januar bis August 2026 stehen 892.362 im selben Zeitraum 2025 gegenüber — ein Minus von 41 Prozent. Wer 2026 als das Jahr der großen Entlassungswelle beschreibt, beschreibt ein Jahr, in dem in den USA deutlich weniger Stellen gestrichen wurden als im Jahr davor.

Entscheidend ist die Gründe-Statistik. Challenger sortiert die Ankündigungen danach, welchen Grund die Unternehmen selbst angeben. Für den August 2026 führt Restrukturierung mit 16.173 Streichungen, gefolgt von Markt- und Konjunkturlage mit 15.260 und Betriebsschließungen mit 6.743. Künstliche Intelligenz steht mit 3.462 Streichungen auf Platz vier — der niedrigste Monatswert seit Dezember 2025. Damit endet eine Serie von fünf Monaten, in denen KI ab März der meistgenannte Einzelgrund war. Für das Gesamtjahr bleibt KI mit 116.175 Nennungen zwar der häufigste Einzelgrund, aber auch das heißt in die andere Richtung gelesen: Rund vier Fünftel aller 2026 in den USA angekündigten Streichungen werden nicht mit KI begründet.

Der Tech-Sektor selbst hatte bei Challenger im August mit 6.103 Streichungen seinen schwächsten Monat des Jahres; vorn lagen Konsumgüter und die Lebensmittelbranche. Über das ganze Jahr betrachtet liegt Tech mit 155.126 Streichungen allerdings 52 Prozent über dem Vorjahreswert von 102.239. Beides ist wahr, und beides gehört in dieselbe Meldung.

Bleibt die Frage, wie belastbar die Grundangaben selbst sind — denn sie stammen von den Unternehmen. Zwei Fachleute haben dazu im Frühjahr gegenüber CBS News eine unbequeme Vermutung geäußert. Ben May von Oxford Economics sagte, man habe den Verdacht, dass manche Firmen ihre Entlassungen lieber als gute Nachricht verkauften denn als schlechte — indem sie auf technologischen Wandel verwiesen statt auf zu viele Einstellungen in der Vergangenheit. Lisa Simon, Chefökonomin bei Revelio Labs, formulierte es direkter: Unternehmen wollten Abteilungen loswerden, die ihnen nichts mehr brächten, und KI sei dafür vorerst „a little bit of a front and an excuse“. Wenn das stimmt, ist die KI-Zahl bei Challenger eher eine Obergrenze als eine Untergrenze.

Die deutsche Lage passt nicht ins Katastrophenbild. Das ifo-Beschäftigungsbarometer stieg im August auf 94,8 Punkte nach 93,0 im Juli — der höchste Stand seit Mai 2025, die Unternehmen planen also weniger Stellenabbau als zuvor, in der Industrie sogar mit dem besten Wert seit März 2024. Gleichzeitig gaben in einer Bitkom-Erhebung vom März 19 Prozent der befragten Unternehmen an, wegen KI bereits Stellen abgebaut zu haben — bei einer Nutzungsquote, die binnen eines Jahres von 17 auf 41 Prozent gesprungen ist. Ein Drittel nannte KI dabei teurer als erwartet.

Zur Studienlage: Der im Juli erschienene Policy Brief des Stanford Institute for Economic Policy Research von Neale Mahoney, Erika McEntarfer und Karsen Wahal trägt den Titel „What Is Really Happening to Jobs? Separating AI Hype from Reality“ und kommt auf Basis von Haushaltsbefragungen, Census-Daten und Lohnabrechnungsdaten zu einem nüchternen Befund: Arbeitslosenquoten in stark KI-exponierten Berufen steigen nicht signifikant schneller als in wenig exponierten. Sichtbar sind Probleme speziell beim Berufseinstieg — die die Autorinnen und Autoren aber teilweise den Zinserhöhungen von 2022 zuschreiben. Über diese Einstiegs-Baustelle haben wir am 10. August ausführlich geschrieben; und am 24. August, dass die Bundesregierung die einschlägigen Studien für „methodisch kaum belastbar“ hält.

Für Entscheiderinnen und Entscheider ist die Konsequenz weniger dramatisch, aber unangenehmer als die Schlagzeile: Wer Personalplanung an KI-Wirkungen knüpft, hat derzeit keine belastbare gesamtwirtschaftliche Grundlage dafür — weder für die These vom Kahlschlag noch für die vom folgenlosen Hype. Was es gibt, sind Selbstauskünfte mit erkennbarem Erzählinteresse, ein Regionaltrend in der Bay Area und eine Gesamtzahl, die nach unten zeigt.

Der Befund geht dieser Tage durch die deutschsprachige Fachpresse, die Studie selbst liegt allerdings schon seit dem 5. April als Preprint vor — begutachtet ist sie bislang nicht. Das ändert nichts an ihrer Qualität, aber es gehört zur Einordnung: Francesco Salvi, Alejandro Cuevas und Manoel Horta Ribeiro von der Princeton University haben unter dem Titel „Commercial Persuasion in AI-Mediated Conversations“ zwei präregistrierte Experimente mit zusammen 2.012 Teilnehmenden durchgeführt, und die Zahlen darin sind bemerkenswert deutlich.

Der Aufbau ist einfach. Die Teilnehmenden — aktive E-Book-Leserinnen und -Leser aus den USA — sollten aus einem echten Katalog von 5.495 Titeln ein Buch aussuchen, das sie nach der Studie tatsächlich bekamen. Ein Fünftel aller Titel war zufällig und für die Teilnehmenden unsichtbar als gesponsert markiert. Fünf Bedingungen wurden verglichen: eine klassische Suche, bei der gesponserte Titel oben stehen; ein Chatbot, der gesponserte Titel neutral zuerst nennt; ein Chatbot, der ausdrücklich zu ihnen hindrängen soll; dieselbe Bedingung mit sichtbarem Werbehinweis und Vorwarnung; und schließlich ein Chatbot, der überzeugen und seine Absicht verbergen soll. Als Modelle kamen GPT-5.2, Claude Opus 4.5, Gemini 3 Pro, DeepSeek v3.2 und Qwen3 235B zum Einsatz, je zufällig zugewiesen.

Die Zufallserwartung liegt bei 20 Prozent. Die klassische Suche mit bevorzugter Platzierung erreichte 22,4 Prozent — statistisch nicht vom Zufall zu unterscheiden. Ein Chatbot, der gesponserte Titel lediglich zuerst nennt, kam auf 26,8 Prozent, ebenfalls kein signifikanter Unterschied. Sobald das Modell aber aktiv überzeugen sollte, sprang der Wert auf 61,2 Prozent — fast das Dreifache der Suchbedingung. Und hier wird es für die Regulierungsdebatte unangenehm: Mit sichtbarem Werbehinweis und Vorwarnung fiel der Wert nur auf 55,5 Prozent. Der Unterschied von 5,7 Prozentpunkten ist statistisch nicht signifikant. Die Transparenzmaßnahme, auf die praktisch alle Werberegeln setzen, wirkte in diesem Aufbau nicht.

Wurde das Modell zusätzlich angewiesen, seine Absicht zu verbergen, sank die Quote auf 40,7 Prozent — immer noch weit über beiden Ausgangsbedingungen, dafür aber praktisch unsichtbar: Die Erkennungsgenauigkeit lag bei 9,5 Prozent, weniger als jede zehnte Person bemerkte die Steuerung. Bei offener Überzeugung waren es 17,9 Prozent. Wer sie bemerkte, benannte das beworbene Produkt meist korrekt — das Problem ist nicht die falsche Zuordnung, sondern das Nichtbemerken. Der Effekt war über alle fünf Modelle hinweg gleichförmig; nach Korrektur für Mehrfachvergleiche gab es keine signifikanten Unterschiede zwischen den Anbietern.

Am aufschlussreichsten ist der Mechanismus, den die Autoren durch Kodierung der erzeugten Produktbeschreibungen herausgearbeitet haben. Die Überzeugungskraft entsteht weniger durch Aufwertung des gesponserten Produkts als durch Abwertung der Alternativen. Die stärksten Prädiktoren sind einerseits eingestreute Vorbehalte und Warnungen bei den nicht gesponserten Titeln, andererseits deren auffällig knappe, lustlose Beschreibung. Gesponserte Produkte bekamen im Schnitt 67 Wörter mehr, mehr Autoritätssignale und mehr emotionalen Ton — aber weniger analytische Sprache. Das ist ein Bruch mit der älteren Überzeugungsforschung, in der sachliche Argumentation dominierte. Was hier wirkt, ist selektives Verschweigen, und genau das ist mit einem Werbehinweis nicht zu adressieren.

Zu den Grenzen, und die Autoren benennen sie selbst: Getestet wurde eine einzige, günstige Produktkategorie in einer einzigen Sitzung; ob sich das auf Elektronik, Versicherungen oder Software überträgt, ist offen. Die gesponserten Titel waren zufällig zugewiesen, nicht auf Vorlieben abgestimmt — ein realer Werbetreibender, der Überzeugung mit Personalisierung kombiniert, käme womöglich weiter. Die Stichprobe stammt zudem ausschließlich aus den USA und ist nicht repräsentativ. Ein Nebenbefund verdient trotzdem Beachtung: Nachdem die Teilnehmenden über den wahren Zweck aufgeklärt worden waren, sank in allen Chatbot-Bedingungen der Anteil derer, die das gewählte Buch behalten wollten — bei der klassischen Suche nicht. Wer merkt, dass er gelenkt wurde, entwertet das Ergebnis nachträglich.

Wie relevant das für den deutschen Markt ist, zeigt eine Erhebung der Landesanstalt für Medien NRW vom 30. Juli unter mehr als 2.000 Befragten: 36 Prozent nutzen KI-Chatbots für Kaufentscheidungen — nach Haushalts- und Alltagsfragen mit 56 Prozent und Gesundheitsthemen mit 48 Prozent der dritthäufigste Anwendungsfall. Die Studie stellt zudem fest, dass die meisten die Systeme wie eine klassische Suchmaschine bedienen, mit kurzen Anfragen statt dialogischer Nachfrage — also genau in der Verfassung, in der die untersuchte Steuerung am besten funktioniert.

Bleibt die regulatorische Lage, und sie ist der eigentliche Aufhänger. Seit dem 2. August 2026 gilt die Transparenzpflicht aus Artikel 50 des europäischen KI-Gesetzes: Chatbots müssen als solche erkennbar sein, KI-generierte Bilder, Videos und Tonaufnahmen gekennzeichnet werden. Ausdrücklich nicht unter die Kennzeichnungspflicht fallen nach Darstellung der Verbraucherzentrale Bayern jedoch „Produktempfehlungen in Online-Shops, Navigationssysteme, Spam-Filter oder die automatische Fotooptimierung auf dem Smartphone“. Damit ist ausgerechnet die Anwendung ausgenommen, für die diese Studie einen Effekt in der Größenordnung von 39 Prozentpunkten misst. Und selbst wenn sie erfasst wäre, wäre nach diesen Ergebnissen fraglich, ob ein Hinweis genügt: Die Bedingung mit Etikett und Vorwarnung lag nur unwesentlich unter der ohne. Für Unternehmen, die Kaufberatung im Dialog anbieten, ist das weniger eine Compliance- als eine Vertrauensfrage — und die Nachbefragung in der Studie deutet an, wie teuer deren Verlust wird.

Drei junge Männer aus Roseville in Kalifornien schlugen am Samstag, dem 29. August, ihr Lager auf rund 2.560 Metern am Mount Shasta auf. Um drei Uhr früh am Sonntag brachen sie mit Tagesrucksäcken zum Gipfel auf, den sie auf 4.322 Metern um 19 Uhr erreichten — sieben Stunden nach der von den Rangern empfohlenen Umkehrzeit. Der Abstieg fand in der Dunkelheit statt. Eine Stunde nach Beginn riefen sie die Leitstelle des Sheriffs an, um sich den Weg beschreiben zu lassen, verirrten sich trotzdem in den steilen Mud Creek Canyon, einer stürzte und verletzte sich am Knie. Die Gruppe biwakierte in der Schlucht. Gerettet wurde sie am Montagmorgen von Climbing Rangern des US Forest Service gemeinsam mit ehrenamtlichen Kräften der Bergrettung des Siskiyou County Sheriff's Office.

Bemerkenswert ist, was die Behörde in ihrer Mitteilung anschließend schrieb. Die Gruppe sei „advised by Gemini to bring far less food and water than their group required, especially when their planned 8 hour ascent became a multi-day ordeal“ — der Chatbot hatte den Bedarf für einen achtstündigen Aufstieg berechnet, tatsächlich waren es rund sechzehn Stunden. Mehrere Fachmedien berichten zusätzlich, Gemini habe zu einfachen Kohlenhydraten statt Fetten geraten, mit der Begründung, Fette bräuchten zu lange zur Verdauung. Die Behörde schloss mit einem Satz, der als Empfehlung ungewöhnlich unmissverständlich ist: Man solle vor einer Tour die Ranger-Station anrufen „and to never rely solely on AI for your trip planning“. Die Betroffenen selbst werden mit dem Satz zitiert, sie hätten sich zu sehr auf KI verlassen statt auf das eigene Urteil. Erschwerend kam hinzu, dass der Akku ihrer Navigations-App unterwegs leer war — ein Faktor, der mit KI nichts zu tun hat.

Der Fall ist kein Einzelfall, und das ist die eigentliche Nachricht. Nick Meyers, leitender Climbing Ranger des US Forest Service am Mount Shasta, sagte dem San Francisco Chronicle: „This is the first year where we've started to have some AI fallout.“ Er berichtet von einem weiteren Besucher, der eine KI-erzeugte Karte ausgedruckt hatte — „it was terrible, like really bad“ — und von jemandem, der nach einer Chatbot-Auskunft in einer Sperrzone campierte. Über die Gruppe selbst urteilt er allerdings differenziert: Sie hätten auch schlicht wenig Bergverstand gehabt und am Berg schlechte Entscheidungen getroffen.

Vergleichbare Fälle sind seit 2025 dokumentiert. Im Mai 2025 rückte die Bergrettung von Lions Bay in British Columbia zu zwei Wanderern aus, die nach einer mit ChatGPT und Google Maps erstellten Planung in Turnschuhen im Schnee standen; Teamleiter Brent Calkin wies darauf hin, dass in diesen Breiten bis Juli Schnee liegt. Im September 2025 dokumentierte die BBC ein peruanisches Reiseziel namens „Sacred Canyon of Humantay“, das eine KI-Empfehlung schlicht erfunden hatte; der Vorfall steht in der Vorfalldatenbank der OECD. Und im August 2026 warnte die Bergrettung Meran, nachdem eine KI unerfahrenen Urlaubern eine Gletscherroute vorgeschlagen hatte: „Die Tourenplanung wird immer öfter von KI unterstützt und das birgt erhebliche Gefahren.“

Google hat sich gegenüber den meisten Redaktionen nicht geäußert; ABC News und KRON4 vermerken ausdrücklich, keine Antwort erhalten zu haben. Gegenüber PCMag erklärte das Unternehmen, man untersuche die Sache, habe die fehlerhaften Antworten aber nicht reproduzieren können — diese Aussage liegt uns nur über Zweitquellen vor. Sie ist trotzdem aufschlussreich: Dass sich eine Antwort nicht wiederholen lässt, ist bei Sprachmodellen kein Entlastungsbeweis, sondern eine Beschreibung des Problems. Die Auskunft, die die drei bekamen, war für sie so verbindlich wie jede andere — reproduzierbar war sie nie.

Warum Modelle an dieser Aufgabe scheitern, lässt sich präzise benennen, und es hat wenig mit mangelnder Intelligenz zu tun. Ein Sprachmodell hat keinen Zugriff auf den aktuellen Wegzustand, die Schneelage, Sperrungen oder das Wetter des Wochenendes; sein Wissen ist zum Trainingszeitpunkt eingefroren. Vor allem aber ist es nicht darauf trainiert, seine eigene Unsicherheit zu beziffern. Die Arbeit „Why Language Models Hallucinate“ von Kalai, Nachum, Vempala und Zhang aus dem September 2025 führt genau das auf die Bewertungsverfahren zurück: Wer rät, wird belohnt, wer Unwissen einräumt, bestraft. Für eine Frage wie „wie lange brauche ich für diesen Aufstieg“ heißt das, dass ein Modell lieber eine plausible Zahl nennt, als zu sagen, dass es die Route nicht kennt. Über den größeren Zusammenhang haben wir im Juni ausführlich geschrieben.

Bleibt eine zeitliche Koinzidenz, die man nicht überbewerten, aber auch nicht verschweigen sollte. Zwei Tage nach der Rettung, am 2. September, kündigte Google eine Partnerschaft mit MrBeasts Produktionsfirma an, in der Gemini in Überlebensvideos ausdrücklich als Werkzeug für Navigation und Ausrüstungsplanung in Dschungel, Wüste und Arktis beworben wird. Beides zugleich zu verantworten — ein Modell, das für Extremumgebungen vermarktet wird, und eine Antwort, die den Wasserbedarf halbiert — ist die eigentliche Aufgabe, vor der Anbieter hier stehen. Für alle anderen bleibt die schlichtere Lehre: Sprachmodelle sind dort am gefährlichsten, wo sie eine einzelne konkrete Zahl liefern, keine aktuellen Daten haben und der Fehler erst auffällt, wenn er körperliche Folgen hat.