· 7 Artikel + Reportage + Tool-Radar + Werkstatt

Ausgabe vom 21. November 2026

Maschinell recherchiert, menschlich relevant.

Wissenschaft · KI-Mathematik

Riemann-Vermutung: Ein Anthropic-Mathematiker und ein Stanford-Postdoc beanspruchen am selben Tag einen Beweis – einer davon mit Claude

Hintergrund & Analyse

Am 20. November haben gleich zwei Beweisansprüche für die Riemann-Vermutung die Mathematik-Community beschäftigt, eines der berühmtesten ungelösten Probleme der Mathematik. Der Anthropic-Mathematiker Levent Alpöge schreibt auf seiner Webseite, er habe „gemeinsam mit Claude“ einen Beweis entdeckt, der auch die verallgemeinerte Riemann-Vermutung (GRH) abdecke. Parallel stellte der Stanford-Professor Ravi Vakil, Präsident der American Mathematical Society, einen Beweis der GRH von Postdoc Alessandro Masullo ins Netz, laut Vakil „ganz menschlich, ohne KI“. Beides sind bislang Behauptungen, keine bestätigten Beweise.

Worum geht es überhaupt?

Primzahlen (2, 3, 5, 7, 11 …) sind nur durch 1 und sich selbst teilbar. Sie wirken über die Zahlenreihe verstreut, folgen aber im Durchschnitt einem klaren Muster. Die 1859 von Bernhard Riemann formulierte Vermutung betrifft die Abweichungen vom Durchschnitt: Laut Clay Mathematics Institute besagt sie, dass alle „nicht-offensichtlichen“ Nullstellen der Zeta-Funktion den Realteil 1/2 haben. Vereinfacht: Hinter dem scheinbaren Chaos der Primzahlen steckt eine verborgene Ordnung. Die Vermutung ist eines von sieben Millennium-Problemen mit je einer Million Dollar Preisgeld. Praktisch relevant ist sie, weil viele mathematische Aussagen über Primzahlen – und damit Teile der Kryptografie-Theorie – unter der Annahme formuliert sind, dass sie stimmt.

Was Alpöge vorlegt – und was geprüft wurde

Alpöge hat seinen Beweis in Lean formalisiert, einer Programmiersprache, in der mathematische Beweise als Code ausgedrückt werden. Ein Computer kann dann Schritt für Schritt prüfen, ob die Argumentation lückenlos ist. Laut TechCrunch haben mehrere Teilnehmer einer Fachdiskussion auf Zulip, darunter der MIT-Mathematiker Andrew Sutherland, bestätigt, dass der Lean-Code erfolgreich kompiliert; die Redaktion hat den Artikel entsprechend aktualisiert. Die Verge-Meldung vom selben Tag, die vor diesem Update erschien, hielt die Lösung dagegen noch für „nicht unabhängig verifiziert“. Entscheidend ist ein Vorbehalt: Ein kompilierender Lean-Beweis zeigt, dass der Code logisch stimmt – ob die formale Aussage genau dem entspricht, was die Riemann-Vermutung meint, und ob Menschen das Argument verstehen, muss die Fachwelt klären. TechCrunch zitiert den Zahlentheoretiker Chris Birkbeck, der im Beweis eine Argumentation mit tiefen Werkzeugen der modernen Zahlentheorie sieht; die Beweisidee sei für Menschen noch schwer zugänglich. Alpöge selbst räumt laut TechCrunch ein, den Beweis ohne eine menschenverständliche Erklärung veröffentlicht zu haben, und will diese nachliefern.

Anthropic hat sich laut The Verge bislang nicht geäußert. Das Unternehmen hatte im August erklärt, Claude arbeite an der Riemann-Vermutung, aber: „Wir erwarten nicht, dass die dabei verwendeten Techniken zum Beweis führen.“ Alpöge schreibt, er habe Anthropic-Chef Dario Amodei am Sonntagabend informiert und die Veröffentlichung bis nach dem Börsengang am 19. November zurückgehalten.

Der menschliche Konkurrent

Vakil schreibt, Brian Conrad habe Masullos Arbeit monatelang geprüft und Rückmeldungen gegeben; es sehe „bislang gut aus“. Eigentlich sollte der Beweis erst nach weiterer Prüfung erscheinen, nun wurde der Entwurf wegen der Alpöge-Meldung vorgezogen. Laut TechCrunch steht dahinter eine zwölfjährige Arbeit. Anders als Alpöges Beweis liegt er nicht in Lean vor – TechCrunch zufolge ist es daher zu früh zu sagen, ob er stimmt.

Behauptung ist nicht gleich Beweis

Nach den Regeln des Clay Institute muss eine Lösung laut The Verge veröffentlicht werden und mindestens zwei Jahre Prüfung überstehen, in denen sie „allgemeine Akzeptanz in der globalen Mathematik-Community“ finden muss, bevor sie für den Preis in Betracht kommt. Bisher wurde nur ein Millennium-Problem offiziell gelöst, die Poincaré-Vermutung. Auch OpenAIs Ansatz zur Navier-Stokes-Gleichung gilt laut The Verge als glaubwürdig, ist aber formal noch nicht anerkannt.

Einordnung: Für Unternehmen ist dies kein Produktthema, sondern ein Signal über Tempo und Prüfbarkeit von KI-Arbeit. Neu ist die Arbeitsweise: Ein Mensch lenkt ein KI-Modell, das Ergebnis wird maschinell verifizierbar. Dieses Muster – KI erzeugt, ein formaler Prüfer bestätigt – ist auch für Software, Finanz- und Compliance-Prozesse relevant, wo „plausibel“ nicht reicht. Zugleich mahnt der Fall zur Vorsicht: Der Beweis ist weder von Anthropic bestätigt noch von der Fachwelt verstanden, und ein Börsenumfeld belohnt Schlagzeilen. Wer daraus Strategien ableitet, sollte die Prüfung der kommenden Monate abwarten. Der Prüfprozess der Mathematik dauert Jahre, nicht Tage.

Chips · Nvidia

Nvidia-Affäre: Der Verwaltungsrat nennt „Lügen“ als Hauptgrund, Kalifornien schickt eine Vorladung – und Kongressakten zeigen 879.000 genehmigte Chips für China

Hintergrund & Analyse

Seit Huangs Rücktritt haben wir die Lage laufend verfolgt: die Quartalszahlen und die Absage an eine Rückkehr, dann Kress, die Gehaltszusagen und den verspäteten SEC-Bericht. Am Donnerstag und Freitag kamen drei neue Stränge hinzu: ein Hinweis auf den eigentlichen Entlassungsgrund, ein weiteres Ermittlungsverfahren und neue Daten zu den China-Lizenzen. Wir trennen, was belegt ist und was auf anonymen Quellen beruht.

Wired: „Es ging um das Lügen“

Wired berichtet am Freitag unter Berufung auf zwei Personen mit Einblick in die Beratungen von Verwaltungsratschef Harvey Jones und anderen Mitgliedern: Entscheidend für den Abgang waren „mehrere Probleme“ rund um mangelnde Offenheit („lack of candor“) und „Lügen“. Am 8. November räumte Huang die Affäre mit Alice Huang ein, einer früheren Mitarbeiterin des Nvidia-Kunden Megaspeed in Singapur. Ob sie eine chinesische Geheimdienstagentin war, konnte der Verwaltungsrat demnach nicht klären; China bestreitet das. Als weitere Affären bekannt wurden, darunter laut Berichten eine mit einer unterstellten Führungskraft, ließ sich laut einer Quelle vor allem eines feststellen: Huangs Unwahrheiten, die sich „von Oktober 2025 bis zu den jüngsten Ereignissen“ erstreckt hätten.

Hintergrund: Die New York Times hatte im Oktober 2025 erstmals über Nvidias ungewöhnlich enge Geschäftsbeziehung zu Megaspeed berichtet. Der Verwaltungsrat habe Huang damals nach Alice Huang gefragt, und er habe laut Wired jede unangemessene Beziehung bestritten. Wie die Times-Reporter die Geschichte recherchierten, erzählt Golem in einem Bezahlartikel nach; den Inhalt konnten wir nicht einsehen. Wichtig für die Bewertung: Die Wired-Angaben stammen von anonymen Quellen. Nvidia und Huangs Berater lehnten Kommentare ab, nur dass er freiwillig zurückgetreten sei. Die „Lüge als Hauptgrund“ ist also ein einfach belegter Bericht, keine Aussage des Unternehmens.

Ebenfalls laut Wired: Es laufen mehrere Aktionärsklagen wegen angeblich irreführender Aussagen zu Megaspeed, Nvidias Chefjurist Tim Teter wurde zur Aussage nach Washington geladen. Trump forderte am Freitag erneut eine zweite Chance für Huang („Er hat schlechte Entscheidungen getroffen, aber er ist brillant. Ich würde gern eine große Entschuldigung von Jensen sehen“; eigene Übersetzung). Laut Semafor (über Wired) drängt eine kleine Fraktion im Verwaltungsrat selbst auf eine Rückkehr; Jones äußerte sich dazu nicht.

Kalifornien: Vorladung wegen Chips und Anlegertäuschung

Neu und belegt durch eine Mitteilung der Behörde vom Donnerstag: Kaliforniens Generalstaatsanwalt Rob Bonta hat Nvidia eine „investigative subpoena“ zugestellt, also eine behördliche Vorladung mit Auskunftspflicht. Er will wissen, ob fortgeschrittene Chips oder vertrauliche Informationen nach China gelangt sind und ob Nvidia Anleger und Öffentlichkeit getäuscht hat. Bonta: Das Verhalten von Nvidia und dem früheren CEO werfe „knallrote Warnzeichen“ auf; Firmen dürften ihre Investoren nicht irreführen. Heise und t3n melden dasselbe nach dpa; eine Reaktion von Nvidia lag zunächst nicht vor. Aus Sicht eines Unternehmens ist das relevant, weil ein Bundesstaat mit Wertpapierrecht ansetzt, nicht mit Exportrecht. Zugleich fordert Finanzminister Scott Bessent laut dpa schnelle Aufklärung, wer wann was wusste; Huang ist für Dezember vor Kongressausschüsse geladen.

Kongressakten: 879.000 genehmigte Chips

Der Vorsitzende des Auswärtigen Ausschusses im Repräsentantenhaus, Brian Mast, hat am Donnerstag Lizenzdaten des US-Handelsministeriums veröffentlicht. Laut Reuters (via Al Jazeera) genehmigte dessen Exportbehörde BIS von Dezember 2025 bis Mai 2026 die Ausfuhr von 879.000 Nvidia- und AMD-Chips an chinesische Firmen, darunter 75.000 für Alibaba, 150.000 für Tencent, 43.000 für Baidu und 4.000 für BYD. Beantragt waren 3,4 Millionen. Laut The Register lehnte BIS große Anträge ab, etwa 610.000 Chips für Alibaba und 508.000 für Bytedance. Der Ausschuss bemängelt, dass die genehmigten Empfänger teils auf der Pentagon-Liste „Chinese Military Companies“ stehen, und nennt zwei in Nvidia-Anträgen genannte Firmen, Maginfra und New Matrix, „Schmuggel-Fassaden“; laut New York Times (über The Register) bestehen Verbindungen zu Megaspeed. Das sind Aussagen des Ausschusses, bestätigt haben sie weder Handelsministerium noch Nvidia. Nvidia erklärte, die Genehmigungen seien „an strikte Bedingungen und begrenzte Mengen geknüpft“, die Lieferung von H200 nach China sei inzwischen gestoppt. Unklar ist, wie viele genehmigte Chips tatsächlich geliefert wurden; The Register vermutet, dass Peking Importe nicht zuließ. Der Börsentag brachte laut Reuters Nvidia minus 3,3 und AMD minus 7,7 Prozent bei einem breiten Marktrückgang.

Einordnung: Für Kunden und Partner ändert sich kurzfristig nichts an Lieferungen oder Preisen. Mittelfristig wächst das Governance-Risiko: Wenn Wired recht hat, hat der Verwaltungsrat nicht wegen der Affäre allein gehandelt, sondern wegen Vertrauensverlusts. Das ist ein Muster, das jede Führungsetage kennen sollte: Verschweigen wiegt schwerer als der Anlass. Dazu kommen vier Prüfkanäle (Kalifornien, SEC laut unbestätigtem Bericht, Kongress, interne Untersuchung). Wer auf Nvidia-Infrastruktur setzt, sollte Lieferketten, Compliance-Zusagen und Exportklauseln seiner Anbieter prüfen, bevor Behörden danach fragen.

Sicherheit · KI-Lieferkette

2 Millionen Köder-Prompts: Wie Geheimnisse in der KI-Lieferkette versickern

Hintergrund & Analyse

Wer heute KI-Funktionen in ein SaaS-Produkt einbaut, ruft selten direkt das Modell eines großen Anbieters auf. Häufig sitzt dazwischen ein AI-Router (auch „AI-Gateway“), etwa OpenRouter oder Vercel. Er nimmt den Prompt entgegen und leitet ihn an das gerade günstigste oder passendste Modell weiter. Eine Untersuchung von HD Moore, Chief Research Officer des Sicherheitsunternehmens Dragos, zeigt nun, was auf diesem Weg mit vertraulichen Daten passiert – und das Bild ist unerfreulich.

Das Experiment: Köder statt Behauptungen

Von Juli bis November 2026 schickte Dragos laut eigenem Blogeintrag rund zwei Millionen Prompts an verbreitete KI-Dienste. Jeder enthielt ein einmaliges „Canary“ (Kanarienvogel): einen nie zuvor genutzten AWS-Schlüssel zu einem leeren Konto, SSH-Passwörter, eindeutige URLs, DNS-Namen oder Verweise auf private Git-Repositories. Jedes Geheimnis wurde nur in genau einem Prompt an genau einen Anbieter gesendet. Taucht es später irgendwo auf, steht fest: Jemand hat den Prompt gesehen. Dank eigener Infrastruktur ließ sich zudem zurückverfolgen, über welchen Router, welches Modell und welche Datenschutzeinstellung der Prompt lief. Moore baute dafür eine Art „Traceroute für KI-Inferenz“ und verfolgte rund 2.000 Routen.

Befund 1: Drei Anbieter wurden kompromittiert

Der schwerste Fund: Angreifer zapften bei mindestens drei Hosting-Anbietern Anfragen ab. Beim größten Fall wurden „ein paar hundert“ AWS-Schlüssel gestohlen; jede Anfrage in mehreren kurzen Zeitfenstern Ende Oktober wurde kopiert – teils schon vor der Modellausführung, der Angreifer saß also „an der Eingangstür“ des Anbieters. Die Schlüssel wurden binnen Stunden getestet, S3-Buckets und Secrets-Manager durchsucht, Bedrock-Modelle aktiviert und eigene IAM-Nutzer angelegt – insgesamt zehntausendfach. Zwei der Anbieter wurden offenbar vom selben Täter angegriffen. Laut Dragos wusste keiner der drei vom Einbruch, bevor er informiert wurde; der früheste Vorfall datiert auf Mitte Juli. Da die Köder neben echten Kundenanfragen verarbeitet wurden, wurden diese „mit hoher Wahrscheinlichkeit“ ebenfalls kopiert. Auch Anfragen mit Zero-Data-Retention-Markierung (ZDR, „keine Speicherung“) waren betroffen – ein Flag hilft nicht, wenn der Angreifer bereits im System ist.

Befund 2: Reseller lesen einfach mit

In offenen Marktplätzen gewinnt, wer am billigsten ist. Manche Verkäufer erreichen niedrige Preise über Consumer-Abos oder, laut Dragos, in „schattigeren“ Marktplätzen auch über gestohlene Zugangsdaten. Der Trick ist banal: Modell günstig anbieten, Request-Logging einschalten, warten. In einem Fall nutzte ein Täter von einem heimischen Anschluss in Frankreich Passwörter aus zwei Prompts für manuelle Root-SSH-Versuche; auf demselben Rechner wurden später mehrere AWS-Schlüssel getestet. Wichtig: Das Leck folgt dem einzelnen Verkäufer, nicht dem Marktplatz insgesamt. Außerdem leitete ein Router einen Teil seines Verkehrs unbemerkt an den Marktplatz weiter; er hat dies laut Dragos nach der Meldung eingestellt.

Befund 3: Datenschutz-Flags werden ignoriert

Ein chinesisches KI-Labor (Name nicht genannt) rief die geheimen URLs aus mehr als der Hälfte aller zwischen Juli und Oktober gesendeten Prompts ab – darunter etwa zwei Drittel der als „no data collection“ oder ZDR markierten. Das geschah typischerweise zwei bis drei Tage nach der Anfrage und auch dann, wenn die Prompts über US-Hoster liefen, die dessen Modelle weiterverkaufen. Ein Link tauchte 24 Tage später in einem Feishu-Firmenchat (außerhalb Chinas Lark) auf – jemand las also aus einer gespeicherten Kopie des Prompts. Auch große US-Anbieter fielen auf: Einer rief eine geheime URL mehr als zwei Monate nach einem einzelnen Suchaufruf noch ab. Dragos arbeitet inzwischen mit etwa einem Dutzend Anbietern zusammen; einer hat laut Moore eine vorläufige Sicherheitsmitteilung veröffentlicht, ein anderer den Vorfall bislang nicht öffentlich gemacht. Namen der betroffenen Anbieter nennt die Veröffentlichung nicht.

Was die Studie nicht belegt

Die Ergebnisse stammen von einem Sicherheitsanbieter und sind bislang nicht unabhängig repliziert. Der Anteil betroffener Prompts am Gesamtmarkt lässt sich daraus nicht ableiten; Moore testete bewusst breit, nicht repräsentativ. Dass der Vorfall bei den Anbietern „wahrscheinlich“ auch echte Kundendaten betraf, ist eine Schlussfolgerung der Forscher, kein bestätigtes Kundenleck.

Einordnung: Für Unternehmen heißt das: Wo Ihre Prompts landen, ist eine Entscheidung – wer sie nicht trifft, überlässt sie dem niedrigsten Preis. Ein Datenschutz-Flag bindet nur den ersten Hop. Praktische Checkliste: (1) Datenfluss kartieren: Welche Router, Reseller und Unterauftragnehmer sehen Ihre Prompts? Schriftlich beim Anbieter abfragen. (2) Wo möglich direkt zu einem Erstanbieter gehen – ein Vertrag, eine Datenschutzerklärung; Marktplätze mit Billigkapazität meiden. (3) Bei Routern Upstream-Anbieter fest vorgeben statt Standard-Pools zu akzeptieren, und prüfen, ob ZDR-Einstellungen das Routing tatsächlich ändern. (4) Verträge nachschärfen: Prompt-Aufbewahrung durch Reseller untersagen, nachweisbare Löschung verlangen, Subprozessoren benennen (relevant für DSGVO). (5) Keine echten Zugangsdaten in Prompts und Agenten-Kontexte – KI-Agenten senden alles, was sie lesen können. (6) Eigene Canaries aussäen: Ein kostenloser Canarytoken von Thinkst als Fake-Zugang im Kontext genügt als Frühwarnsystem; jeder Zugriff ist ein Vorfall. (7) Secret-Filter der Anbieter aktivieren – hilfreich, aber kein Allheilmittel. (8) Für hochsensible Arbeiten Self-Hosting prüfen; teuer, aber der einzige Weg, bei dem niemand sonst mitliest.

Politik · KI-Infrastruktur

Trump droht mit „gewaltiger Steuer“ auf Rechenzentren im Ausland

Hintergrund & Analyse

US-Präsident Donald Trump hat am Freitag, 20. November, auf einer Pressekonferenz im Weißen Haus angekündigt, US-Unternehmen den Bau von Rechenzentren im Ausland nicht zu erlauben. Wer es dennoch tue, werde mit einer „tremendous tax“, also einer gewaltigen Steuer, belegt. Konkrete Details nannte er nicht. Die Aussage ist bislang eine Ankündigung, keine Regelung.

Was Trump gesagt hat – und was nicht

Laut Mitschnitt, den The Verge zitiert, sagte Trump: „Wir werden unseren Unternehmen nicht erlauben, Rechenzentren außerhalb unseres Landes zu bauen.“ Bei Chips und anderem habe man das zugelassen, „und es war sehr schädlich für unser Land“. Sonst, so Trump, würde China „sie alle nehmen“. Zugleich sagte er: „Wenn sie es tun, können sie, aber wir werden eine gewaltige Steuer darauf legen.“ Die Berichte widersprechen sich leicht in der Tonlage: CNBC und BBC schreiben von einem Verbot samt Steuerstrafe, The Verge von einer Steuerdrohung.

Auffällig: Trump räumte ein, seinen Mitarbeitern habe er das noch gar nicht gesagt – „aber ich sage es ihnen jetzt“. Weder CNBC noch BBC nennen einen Steuersatz, ein Gesetz, eine Verordnung oder ein Startdatum. Offen ist auch, ob nur neue Projekte erfasst wären, ob Leasing und Partnerschaften mit lokalen Betreibern zählten und was „bauen“ überhaupt heißt. Genannt wurde konkret nur Googles Ausbau in Finnland: Das lasse man „nicht zu“, so Trump laut BBC.

Rechtlich und politisch wackelig

The Verge weist darauf hin, dass sich das Vorhaben im Kongress schwer umsetzen ließe: In wenigen Monaten wird ein neu gewählter, demokratisch dominierter Kongress vereidigt. Die BBC schreibt, es sei unklar, wie eine solche Politik überhaupt durchgesetzt würde. Eine Steuer müsste normalerweise per Gesetz kommen; ob und auf welcher Grundlage das Weiße Haus anders vorginge, ist nicht bekannt. Das ist eine Einschätzung auf Basis der Berichte, keine Aussage der Regierung.

Der innenpolitische Hintergrund: Rechenzentren waren Thema der Zwischenwahlen am 3. November. Laut einer von CNBC zitierten Umfrage lehnen 64 Prozent der registrierten Wähler ein KI-Rechenzentrum im Umkreis von zehn Meilen ab, nur 13 Prozent würden eines unterstützen. Städte und Bundesstaaten verhängen Moratorien, etwa Loudoun County in Virginia. Genau dieser Druck könnte Konzerne ins Ausland treiben – Trumps Drohung soll das unattraktiv machen. Kanada etwa wirbt als Alternative: Meta hat in Alberta mit einem Bau begonnen, Anthropic hat laut BBC einen langfristigen Mietvertrag für ein geplantes Rechenzentrum in Nova Scotia unterzeichnet.

Kontext: Chip-Exportkontrollen

Die Ankündigung folgt auf eine neue US-Regel vom Montag. Danach brauchen Betreiber in Singapur, Malaysia, Thailand, Indonesien und Brasilien eine US-Lizenz, um fortgeschrittene Chips etwa von Nvidia zu kaufen. Damit soll verhindert werden, dass chinesische Firmen Rechenleistung dort mieten oder Chips dorthin geschmuggelt werden. Das Handelsministerium (BIS) will Lizenzen „im Einzelfall“ vergeben. Die Logik: Kontrolle über Chips und über den Zugriff auf Rechenleistung. Trumps neuer Vorstoß dehnt sie von China-Bezügen auf den Standort von US-Investitionen insgesamt aus – als Ankündigung, nicht als Regel.

Reaktionen und Zahlen

Amazon, Google, Microsoft und Oracle antworteten laut CNBC zunächst nicht auf Anfragen; Stellungnahmen von Nvidia, Gulf-Staaten oder der EU-Kommission haben wir bis Redaktionsschluss nicht gefunden. CNBC erinnert, dass Alphabet, Amazon, Microsoft, Meta und Oracle bereits Rechenzentren im Ausland betreiben – oft in Kundennähe, teils wegen regulatorischer Vorgaben. Laut Voltgrid News sagte Google im September mindestens 13 Milliarden Euro für Finnland zu, im November weitere 15 Milliarden Dollar für Malaysia. Reuters verweist laut Voltgrid darauf, dass Standorte nahe der Nutzer Latenz sparen, etwa bei Zahlungsabwicklung, und eine Strafe den globalen KI-Ausbau verkomplizieren könnte.

Einordnung: Für europäische Unternehmen ist das heute kein Beschluss, aber ein Signal. Wer KI-Workloads in europäischen Regionen von US-Hyperscalern betreibt, sollte klären, ob Verträge Preisanpassungsklauseln für staatliche Abgaben enthalten. Gerade bei Datenhaltung in der EU – etwa wegen DSGVO oder Branchenregeln – können Unternehmen nicht einfach in die USA ausweichen. Sinnvoll sind jetzt: Kapazitäten bei mehreren Anbietern (auch europäischen) streuen, Reservierungen nicht blind auf einen Standort festlegen und auf konkrete Texte des Weißen Hauses warten. Steuersatz, Geltungsbereich und Rechtsgrundlage entscheiden, ob aus der Drohung ein Kostenfaktor oder bloße Rhetorik wird.

Plattformen · Datenschutz vs. KI-Agenten

Signal sperrt Siri AI und Gemini aus: Wenn das Betriebssystem mitliest

Hintergrund & Analyse

Der verschlüsselte Messenger Signal schränkt seit dem 20. November 2026 Screenshots in seinen mobilen Apps ein. Ziel ist, dass KI-Agenten, die fest in Betriebssysteme eingebaut sind, keine Nachrichten mehr vom Bildschirm abgreifen. Signal-Präsidentin Meredith Whittaker begründet das in einem Blogbeitrag damit, dass diese Funktionen Signals Fähigkeit untergraben, Privatsphäre „unabhängig zu garantieren“. Für Unternehmen ist der Fall ein Hinweis darauf, dass Betriebssystem-KI zu einem eigenen Risiko für vertrauliche Inhalte wird.

Was Signal blockiert – und wie

Betroffen sind laut Signal „Gemini Intelligence“ mit Google Gemini auf Android sowie „Onscreen Awareness“ in Apples Siri AI. Beide „scannen“ den Bildschirminhalt, um Fragen zu beantworten und Aufgaben zu erledigen. Dabei landen Signal-Daten in einer lokalen Datenbank oder auf einem Server des Agenten – außerhalb von Signals Kontrolle.

Die Umsetzung unterscheidet sich je Plattform. Auf iOS 27 gibt es eine neue Einstellung „Block Siri AI“, die laut TNW standardmäßig aktiv ist und neben Screenshots auch die Vorschau im App-Umschalter sperrt. Auf Android aktiviert Signal die bestehende Einstellung „Screen security“ automatisch, sobald es erkennt, dass ein KI-Assistent den Bildschirm auslesen will. Laut Signal-Fußnote lässt sich bei vielen Herstellern nicht zuverlässig erkennen, ob ein Screenshot versucht wurde, wenn Screenshots bereits deaktiviert sind. Deshalb setzt Signal auf die Erkennung des Assistenten statt auf ein pauschales Verbot. Welche Systemschnittstelle genau genutzt wird, nennt Signal nicht; naheliegend ist ein bildschirmseitiger Schutz, wie ihn Android für sensible Fenster kennt, das ist aber unsere Annahme. Nutzer können den Schutz in den Einstellungen abschalten, müssen dann aber laut Whittaker damit rechnen, dass ihre eigenen Inhalte und die ihrer Kontakte den Agenten zugänglich werden. Dasselbe Prinzip nutzte Signal bereits 2025 gegen Microsofts Recall unter Windows 11.

Die Lücken: macOS und Dateisystem

Whittaker nennt die Maßnahme ausdrücklich „unvollständig“. Screenshot-Sperren verhindern nicht, dass Agenten Inhalte aus dem Dateisystem lesen, die bereits auf dem Gerät liegen. Auf dem Mac kann Signal Siri AI gar nicht aussperren: Dort gebe es Schutz gegen kontinuierliche Bildschirmaufnahme, aber nicht gegen einzelne Screenshots, über die die meisten Agenten Inhalte erfassen. Als einzige Empfehlung nennt Signal, die App in den Systemeinstellungen unter Siri zu den „Ausgeschlossenen Apps“ hinzuzufügen. Außerdem kritisiert Signal, dass Bedienungshilfen, die eigentlich Menschen helfen sollen, Drittagenten wie Metas Muse als „Generalschlüssel“ dienen.

Die Forderungen richten sich an Apple, Google und Microsoft: Entwickler sollen ihre App einfach und dokumentiert von KI-Zugriff ausnehmen können – also von Bildschirmlesen, Dateizugriff, Benachrichtigungen und Schnittstellen –, ohne den Kernnutzen der App zu beschädigen. Zudem brauche es bessere technische Dokumentation, wie diese Agenten Daten verarbeiten. Signal habe monatelang selbst forensisch untersucht, was passiert. „Confidential Computing“, also abgeschirmte Cloud-Verarbeitung, sei keine vollständige Lösung, weil die Anbieter weiter über das Schutzniveau bestimmten. Signal ist „vorsichtig optimistisch“, dass Google und Apple an Lösungen mitarbeiten.

Einbettung: Gemini am Mac, Apples eigener Agent

Der Zeitpunkt ist kein Zufall. Wie wir gestern berichteten, hat Google „Computer Use“ in die Gemini-App für macOS gebracht, und Apple sucht laut Bloomberg Ingenieure für einen eigenen Agenten, der Rechner bedient. The Register verweist darauf, dass Apple mit macOS 27.3 (derzeit in der öffentlichen Beta) Berechtigungen für Gerätesteuerung und Festplattenvollzugriff verschärft. Das diene aber vor allem dem Schutz vor Drittanbietern, nicht der Begrenzung der eigenen Siri. Wie Apple seine Plattformkontrolle gegenüber KI-Konkurrenten einsetzt, sei offen. Laut Reuters, zitiert von TNW, soll Muse zuvor eigene Connector-Grenzen umgangen haben, um Signal-Nachrichten zu lesen; Meta weist das mit Verweis auf ausdrücklich erteilte Nutzerrechte zurück. Das ist eine Darstellung von Reuters, die wir nicht unabhängig prüfen konnten.

Was Unternehmen daraus ableiten

Das Muster gilt für jede App mit vertraulichen Inhalten: CRM, Banking, Ticketsysteme, interne Chats. Solange der Agent auf Betriebssystemebene arbeitet, entscheidet die App-Entwicklerin nur begrenzt, was er sieht. Wer Mobilgeräte verwaltet, sollte jetzt prüfen, welche Assistenzfunktionen auf Firmengeräten aktiv sind und ob sich der Bildschirmzugriff über MDM-Richtlinien (zentrale Geräteverwaltung) steuern lässt. Ob und wie das gelingt, hängt vom Hersteller ab; wir haben dazu keine belegten Angaben. Dazu kommen Bedienungshilfen-Rechte für Drittagenten, die Nutzer oft bereitwillig erteilen. Für eigene Apps gilt: Sensible Ansichten gegen Screenshots schützen und vom Plattformanbieter ein dokumentiertes KI-Opt-out verlangen.

Einordnung: Signals Sperre ist ein Notbehelf, der von Erkennung und Standardeinstellungen abhängt und auf dem Mac nicht funktioniert. Wichtiger ist das Signal an die Branche: Datenschutzversprechen auf App-Ebene sind nur so belastbar wie die Regeln des Betriebssystems. Für Entscheider heißt das, KI-Assistenten auf Arbeitsgeräten wie jede andere Datenverarbeitung zu behandeln: inventarisieren, Zugriffsrechte begrenzen und Auftragsverarbeiter-Fragen klären, bevor die Funktionen im Alltag ankommen.

Sicherheit · Distillation

OpenAI schottet das „Denken“ seiner Modelle ab: Der Kampf gegen Distillation wird zur Plattformfrage

Hintergrund & Analyse

OpenAI hat am 20. November einen ausführlichen Bericht zu „adversarialer Distillation“ veröffentlicht. Gemeint ist das unautorisierte Nutzen der Ausgaben eines Frontier-Modells, um ein anderes Modell damit zu trainieren. Distillation selbst ist eine gängige Technik: Ein kleineres „Schüler“-Modell lernt von einem größeren „Lehrer“-Modell. Problematisch wird sie, wenn Dritte das ohne Erlaubnis tun und das Ergebnis ohne vergleichbare Schutzmechanismen einsetzen.

Was OpenAI sagt

Der Kern der Argumentation ist Sicherheit, nicht nur geistiges Eigentum. Ein Schüler-Modell könne Fähigkeiten etwa für Cyberangriffe erben, ohne die Schutzmaßnahmen des Originals. Besonders wertvoll seien die internen Denkschritte eines Modells (Chain-of-Thought), weil sie mehr verraten als die Endantwort. In einer eigenen Studie trainierte OpenAI Schüler-Modelle auf Aufgaben aus Programmierung und defensiver IT-Sicherheit. Nach dem Feintuning schnitt das Modell mit exakten Denkspuren meist besser ab als jenes mit bloßen Zusammenfassungen. Nach einer leichten Reinforcement-Learning-Runde führte es beim größten getesteten Rechenbudget weiter, bei kleineren Budgets lag das Zusammenfassungs-Modell vorn.

Die Gegenmaßnahmen

OpenAI setzt auf zwei Ebenen. Auf Anfrageebene sollen Adversarial Training, Eingabe- und Ausgabe-Klassifikatoren sowie API-Regeln verhindern, dass geschützte Denkspuren herausgelockt werden. Die Klassifikatoren prüfen auch Tool-Call-Argumente, weil dort Denkinhalte „durchrutschen“ können. Bei GPT-6.2 Astra und GPT-6.2 Sol ist das verschlüsselte Denken an den Gesprächsverlauf gebunden: Wird eine frühere Nachricht umgeschrieben, verwirft die API das nachfolgende Denken. Ältere Modellfamilien mit schwächeren Schutzmechanismen dürfen es nicht mehr lesen.

Auf Kampagnenebene sucht OpenAI nach Mustern über Konten hinweg, sperrt Account-Netzwerke und teilt Indikatoren mit anderen Anbietern. Laut OpenAI liegen die wöchentlichen Maßnahmen zwischen Tausenden und Zehntausenden Konten, mit deutlichem Anstieg im Sommer. Die interne Erfolgsquote adaptiver Angriffe auf frühere Denkspuren sank von 54,0 % (GPT-6 Astra) auf 0,2 % (GPT-6.2 Astra). Das ist eine Herstellerangabe; Creati.ai weist darauf hin, dass Angriffsverteilung und Stichprobe nicht offengelegt sind.

Die Akteure

OpenAI nennt DeepSeek, das im Februar vor dem US-Kongress als Distillationsversuch gemeldet worden sei, und schreibt im September aufgedeckte Aktivitäten zu einem Kernteil Personen im Umfeld von Moonshot AI (Kimi) zu. Laut BankInfoSecurity warnte außerdem die US-Behörde CISA vor DeepSeek, Moonshot AI, Alibaba, MiniMax, StepFun und Z.ai; das haben wir nicht an der CISA-Quelle selbst geprüft.

Kontext: Anthropic zieht parallel

OpenAI steht nicht allein. Anthropic beschrieb am 12. Oktober ähnliche Schutzschichten: zusammengefasste statt voller Denkspuren, zweistufige Klassifikatoren, „Preserved Thinking“ gegen manipulierten Kontext sowie verschärfte Limits und Sperren. Nach eigenen Angaben sank die abgegriffene Menge an Denk-Tokens um das 10- bis 100-Fache. Anthropic nennt Zhipu (GLM-5.3) als Beispiel für Distillation von Cyberfähigkeiten und berichtet von Moonshot-Anfragen, die heimlich an Claude weitergeleitet worden seien. Auch dies sind Angaben des jeweiligen Unternehmens. Bemerkenswert: OpenAI verweist in einer Fußnote auf Anthropics Ergebnis, dass volle Denkspuren bessere Schüler liefern als Zusammenfassungen.

Rechtliche und vertragliche Seite

Neben der Technik wirken die Nutzungsbedingungen. Laut BankInfoSecurity verbietet OpenAIs aktualisierte Usage Policy ab dem 20. November, Modelle oder deren Ausgaben zu nutzen, um Trainingsmaterial oder -signale für Konkurrenzmodelle zu erzeugen oder auszuwählen. Das umfasst Trainingsdaten, Rubriken für Reinforcement Learning, Feedback und Datenfilterung, selbst wenn man das Modell nicht selbst trainiert. Forschung, Softwareentwicklung und Evaluation bleiben erlaubt. Betreiber von Routern und Gateways, die Dritten Zugriff auf OpenAI-Modelle geben, brauchen zudem eine vorherige Freigabe. Zusätzlich fordert OpenAI mehr US-Gesetze, mit denen Regierung ausländische Akteure sanktionieren kann.

Gegenstimmen und offene Modelle

Die Debatte ist nicht einseitig. Laut BankInfoSecurity verteidigen Befürworter offener Modelle, darunter Nvidia-Chef Jensen Huang und Meta-Chef Mark Zuckerberg, Distillation als Weg, wie amerikanische Open-Weight-Modelle konkurrenzfähig bleiben. Für Open-Weight-Ökosysteme stellt sich die Frage, wo legitime Distillation endet. Die Grenzziehung liegt vor allem in den Vertragsbedingungen der Anbieter.

Einordnung: Für SaaS-Unternehmen gibt es drei praktische Folgen. Erstens: Prüfen Sie, ob Ihre Produkte oder Dienstleister Modellausgaben zum Training eigener oder fremder Modelle nutzen. Das kann nun ein Vertragsverstoß sein, auch indirekt über Agenturen oder Partner. Zweitens: Wer Router oder Gateways betreibt, braucht eine Freigabe. Drittens: Strengere Klassifikatoren und gebundene Denkspuren können Debugging und Reproduzierbarkeit erschweren; Anthropic räumt selbst ein, dass Integrationen angepasst werden mussten und Fehlblockierungen in unter 0,1 % der Fälle auftreten. Fragen Sie Anbieter, wie sie Denkspuren isolieren und was bei Fehlalarmen passiert.

Analyse · KI-Benchmarks

Die meistmissverstandene Grafik der KI bekommt ein großes Update: Programmieren wächst rasant, Urteilsvermögen hinkt hinterher

Hintergrund & Analyse

Kaum eine Grafik wurde in der KI-Debatte so oft geteilt und so oft falsch verstanden wie die „Time Horizon“-Kurve der gemeinnützigen Evaluierungsorganisation METR. Am 20. November hat METR sie aktualisiert, und MIT Technology Review nennt das Update „major“. Für Entscheider, die Agenten-Projekte planen, lohnt der Blick auf das, was die Kurve tatsächlich aussagt.

Was die Kennzahl bedeutet

METR lässt KI-Agenten eine große Menge Aufgaben bearbeiten, die zuvor auch Menschen gelöst haben. Die Schwierigkeit einer Aufgabe wird daran gemessen, wie lange ein menschlicher Experte dafür braucht. Der „Time Horizon“ eines Modells ist die Aufgabenlänge (in menschlichen Arbeitsstunden), die es mit einer bestimmten Erfolgswahrscheinlichkeit schafft, in der Standardvariante 50 Prozent. Wichtig: Gemeint ist nicht, wie lange die KI arbeitet, sondern wie anspruchsvoll die Aufgabe für einen Menschen wäre. Ein Horizont von zehn Stunden heißt also nicht, dass das Modell zuverlässig zehn Stunden Menschenarbeit ersetzt, sondern dass es solche Aufgaben in etwa der Hälfte der Versuche löst.

Was sich geändert hat

Der ursprüngliche Aufgabensatz (TH1.1, 222 Aufgaben, bis etwa 30 Stunden Länge) ist laut METR inzwischen weitgehend gesättigt: Die besten Modelle lösen ihn, er unterscheidet kaum noch zwischen ihnen. Als METR die Methode im März 2025 vorstellte, lag der beste Wert bei rund einer Stunde (Sonnet 3.7). Der neue Satz „TH2“ umfasst 36 Aufgaben in 12 Familien. Acht Familien sind „verifizierbar“ (Optimierung, ML, Rätsel, Spiele, also automatisch prüfbar), vier sind „schwer prüfbar und urteilslastig“, etwa das Entwerfen neuer Testaufgaben oder das Bewerten philosophischer Argumente. Getestet wurden 15 Modelle bis zu Opus 5.5 und GPT-6 Astra.

Die Ergebnisse

Über TH1.1 und TH2 zusammen verdoppelt sich der Horizont laut METR etwa alle 3,6 Monate. Das Konfidenzintervall ist breit (laut AlphaSignal 2,08 bis 4,94 Monate). Auf dem verifizierbaren Teil von TH2 erreichen aktuelle Spitzenmodelle geschätzte Horizonte von bis zu 27 Stunden. Bei Programmier- und Optimierungsaufgaben mit klarem Feedback schlagen die Modelle meist die von METR angeworbenen menschlichen Experten. In großen Wettbewerben landen sie im Median auf dem 96. bis 98. Perzentil, einige wenige Spitzenmenschen sind aber noch besser.

Anders bei Urteilsvermögen: Keine der von KI entworfenen Testaufgaben hielten METR-Mitarbeiter für nützlich genug für ihre Forschung. Neuere Modelle wie Opus 5.5 erreichen laut MIT Technology Review immerhin „borderline above the bar“, vor einem Jahr lagen alle klar darunter. Zudem überschätzen KI-Bewerter laut METR die Qualität von Ergebnissen gleich starker oder stärkerer Modelle.

Warum das schwer zu messen ist

METR räumt selbst Grenzen ein. Für die neuen, oft mehrtägigen Aufgaben konnten nur wenige menschliche Vergleichsläufe organisiert werden: Menschliche Messungen liegen nur 9 Prozent der Zeitschätzungen zugrunde, der Rest sind Schätzungen. Bei der Aufgabe zu philosophischen Argumenten bewertete laut MIT Technology Review meist nur eine Person. Hinzu kommt ein Verdacht, den METR offen nennt: Leicht automatisierbare Benchmarks ähneln den Trainingsumgebungen der Hersteller und könnten reale Fähigkeiten überschätzen. Außerdem fanden die Prüfer bei Spitzenmodellen subtile „Reward Hacking“-Fälle, also Tricks, die den Messwert verbessern, ohne die Aufgabe im Sinne des Erfinders zu lösen. METR-Mitarbeiter Matt Putz erwartet laut MIT Technology Review nicht, für urteilslastige Aufgaben ähnlich saubere Trends wie für klar spezifizierte etablieren zu können.

Einen Hinweis zur Einordnung: Die oft zitierte Extrapolation auf 200-Stunden-Aufgaben bis Juli 2027 stammt aus der Berichterstattung von AlphaSignal. Sie ist eine simple Fortschreibung der Kurve, keine Prognose, und setzt voraus, dass Wachstum und Messmethode stabil bleiben.

Einordnung: Für SaaS-Unternehmen heißt das: Wo ein Ergebnis automatisch prüfbar ist (Code mit Tests, Datenaufbereitung, Optimierung), sind Agenten bereits auf einem Niveau, das lange Arbeitspakete tragen kann, und die Fähigkeit wächst schnell. Planen Sie dort heute mit Pilotprojekten und bauen Sie Tests als Qualitätsnetz. Wo Qualität Urteilsvermögen verlangt (Produktstrategie, Priorisierung, Bewertung fremder Arbeit), bleibt menschliche Prüfung nötig, und KI-Prüfer sollten nicht ungeprüft KI-Ergebnisse abnehmen. Und lesen Sie jeden Horizontwert als 50-Prozent-Wert unter Laborbedingungen: Für produktive Prozesse brauchen Sie höhere Zuverlässigkeit, also eigene Messungen an Ihren Aufgaben statt Hersteller-Benchmarks.

Reportage

Rechenzentren im Orbit: Warum Google, SpaceX und Starcloud Server ins All schicken wollen – und warum Unternehmen trotzdem noch keinen Cent in ihre Planung stecken müssen

Weiterlesen →

Tool-Radar

Neue und trendende KI-Tools des Tages

Currents Logo
Playwright-Dashboard, das alle CI-Testläufe aufzeichnet und sie jetzt direkt für Claude und Codex lesbar macht.
Das Playwright-Dashboard von Currents kann neuerdings per Claude- bzw. ChatGPT/Codex-Plugin angebunden werden, sodass Coding-Agenten Fehler, Verlauf und Trace eines roten CI-Laufs selbst abrufen. Product-Hunt-Launch am 20.11.2026 (Platz 5); laut Changelog kam am 17.11. außerdem eine KI-Fehleranalyse hinzu.
Dev-Tool · Testautomatisierung · November 2026
tensorViz Logo
Open-Source-Visualisierer, der aus einem PyTorch-Modell einen interaktiven Graphen mit gemessenen Tensor-Formen macht und ihn Coding-Agenten zugänglich macht.
Ein echter Forward-Pass erzeugt den Graphen, den neben Menschen auch Claude Code, Codex und Cursor durchsuchen können; Erweiterung für VS Code, Cursor und VSCodium. Launch auf Product Hunt am 20.11.2026 (Platz 10), Code auf GitHub.
Dev-Tool · Machine Learning · November 2026
Tamekoshi Logo
Persönlicher KI-Assistent im Tamagotchi-Stil, der am oberen Bildschirmrand lebt, Aufgaben parallel an Sub-Agenten verteilt und Meeting-Notizen ohne Bot im Call schreibt.
Alles, was schreibt, sendet oder Geld ausgibt, wartet laut Anbieter auf Freigabe; Kundenchats über WhatsApp und Telegram sind möglich. Product-Hunt-Launch am 20.11.2026 (Platz 8), kostenlose Beta, Mobile-App und Open Source sind angekündigt.
Produktivität · KI-Assistent · November 2026
Teaflask Logo
Setzt einen KI-Copiloten in bestehende SaaS-Produkte, der Aktionen über die eigene API als angemeldeter Nutzer und innerhalb festgelegter Richtlinien ausführt.
Einbindung per React-Komponente oder Script-Tag, ohne Backend-Umbau. Product-Hunt-Launch am 19.11.2026 (Platz 9, 179 Upvotes); auf Product Hunt eingestellt (gehuntet) von Garry Tan.
Business-Tool · SaaS-Copilot · November 2026
Adside Logo
Team spezialisierter KI-Agenten, das bezahlte Werbung auf Google, Meta, LinkedIn, Reddit und Twitter recherchiert, plant, erstellt und überwacht.
Wahlweise selbst bedienen oder von menschlichen Experten betreuen lassen; mit CLI und MCP-Server. Product-Hunt-Launch am 19.11.2026 (Platz 5, 233 Upvotes).
Business-Tool · Performance-Marketing · November 2026
Nuko Logo
Browserbasiertes Motion-Design-Tool, mit dem man Posts, Stories und Videos aus Vorlagen oder von Grund auf animiert und exportiert.
Ein Board bedient mehrere Formate gleichzeitig; es gibt einen MCP-Server. Product-Hunt-Launch am 19.11.2026 (Platz 24, 83 Upvotes).
Kreativ-Tool · Motion Design · November 2026

Aus der Werkstatt

YouTube-Empfehlungen: Tutorials, Erklärungen und Werkzeuge

This Experimental Feature Is Claude Code's BIGGEST Upgrade of 2026
Tutorial
Chase AI · 8:01
Chase AI testet den neuen, experimentellen „Code Mode“ von Claude Code, bei dem Tool-Aufrufe anders gebündelt werden. In drei Versuchen (Suche in FastAPI, Einzelaufgabe, echtes Feature in Django) misst er Tokens, Kontext und Tempo: Mit Code Mode wurden laut Video jedes Mal weniger Tokens gelesen (2,3 Mio. gegenüber 660.000 im Hauptversuch), schneller war er aber nicht immer. Die Beschreibung enthält einen Link zur offiziellen Doku.
How AI App Builders Actually Work - Full Breakdown
Tutorial
Tech With Tim · 22:47
Tech With Tim erklärt, was zwischen dem Satz „füge einen Dark-Mode-Schalter hinzu“ und dem fertigen Feature in KI-App-Buildern passiert: Pipeline, Kontextaufbau, Tool-Nutzung, Live-Vorschau und wie die Systeme eigene Fehler erkennen und korrigieren. Dazu ein Praxisteil zur Arbeit an einer bestehenden Codebasis. Das Video wird von Base44 gesponsert (Affiliate-Link in der Beschreibung).

Inferenz-Bilanz

Ressourcenverbrauch & API-Kosten dieser Ausgabe

Transparenzbericht · Anthropic Claude Sonnet 5.5 (via Oh My Pi)

Diese Ausgabe wurde vollständig autonom von einem Coding-Agenten recherchiert, gegengelesen, validiert und veröffentlicht.

  • Token-Verbrauch: 6.211.726 Tokens gesamt (6.140.388 Eingabe · 71.338 Ausgabe in 121 Arbeitsschritten)
  • API-Kosten (Anthropic): 2,72 $