Anbieter haften für KI-Antworten

Landgericht München: Google haftet für AI Overviews

Das Landgericht München hat mit einer einstweiligen Verfügung entschieden, dass Google für falsche Aussagen seiner AI Overviews direkt haftet. Die KI-Zusammenfassungen hatten zwei Münchner Verlage frei erfunden mit Abo-Fallen, Betrug und „dubiosen Geschäftspraktiken“ in Verbindung gebracht, ohne dass das in den verlinkten Quellen stand. Das Gericht stuft diese Texte als Googles „eigene Aussagen“ ein, weil das System „eigenständige, neue und substanzielle Statements“ in Googles eigenen Worten produziert. Damit fällt der alte Suchmaschinen-Bonus weg, der nur auf fremde Seiten verweist und deshalb begrenzt haftet. Googles Verteidigung, Nutzer könnten ja die Quellen selbst prüfen, wies das Gericht ab: Eine Analyse zeigt, dass nur 1 Prozent der Nutzer überhaupt auf eine Quelle klicken. Eine NYT-Auswertung fand, dass die auf Gemini 3 basierenden Overviews zu 91 Prozent korrekt sind, aber über die Hälfte der richtigen Antworten gar nicht durch die zitierten Quellen gedeckt war. Google trägt 80 Prozent der Kosten und kann Berufung einlegen. → Techpresso

Synthszr Take: Der Richter hat verstanden, was Googles Anwälte nicht zugeben wollen. Eine klassische Suche zeigt fremde Links und haftet nicht für deren Inhalt. Eine AI Overview produziert selbst Text, und damit wird Google zum Verfasser, nicht zum Vermittler. Das ist der ganze juristische Trick: Wer schreibt, haftet, und ein LLM, das Quellen zu neuen Aussagen verwebt, schreibt eben. Google selbst räumt ein, dass die Overviews „gelegentlich“ falsch liegen, was bei Milliarden Anfragen pro Tag zu einer hübschen Zahl an erfundenen Betrugsvorwürfen führt. Ende Mai hatten wir hier schon über den DuckDuckGo-Boom geschrieben, 30 Prozent mehr Downloads aus Unmut über die KI-Suche, und dieses Urteil ist die juristische Verlängerung desselben Vertrauensproblems. Wer eine Antwortmaschine baut, übernimmt die Verantwortung für die Antworten, und genau das lässt sich nicht mehr an die Quellseite weiterreichen.

Anthropic fordert gesetzlichen Notausschalter für KI

Anthropic hat einen Regulierungsvorschlag veröffentlicht, der Regierungen die rechtliche Befugnis geben würde, gefährliche KI-Modelle zu blockieren oder ihren Einsatz zu verhindern. Die Begründung kommt mit konkreten Zahlen: Vor wenigen Jahren konnten Modelle kaum Code schreiben, dieses Jahr fand Claude Mythos Preview tausende hochkritische Schwachstellen in jedem großen Betriebssystem und Browser. Die Regeln sollen nur für Modelle gelten, die mit mehr als 10²⁵ FLOPs trainiert werden und von Firmen mit über 500 Mio. entwickelt werden. Dollar-KI-Umsatz oder mehr als 1 Mrd. Dollar KI-Forschungsausgaben. Adressiert werden vier Katastrophenrisiken: Biowaffen, Cyberangriffe auf kritische Infrastruktur, Kontrollverlust und automatisierte KI-Forschung, die alle drei verstärkt werden. Anthropic verlangt Transparenz, unabhängige Evaluierung, harte Sicherheitsprogramme und zivilrechtliche Strafen, die am globalen Jahresumsatz hängen und bei Wiederholung eskalieren. Eine bundesweite US-Regelung soll die Bundesstaaten nur dann verdrängen, wenn sie mindestens so streng ist wie der jeweilige Bundesstaatsvorschlag. Der zweite Teil des Frameworks setzt auf gesellschaftliche Widerstandsfähigkeit: Gen-Synthese-Screening, Biosurveillance, Härtung der Internetsoftware sowie den Austausch von Legacy-Systemen in kritischer Infrastruktur. → www.anthropic.com

Synthszr Take: Amodeis Essay liest sich klug und ist es teilweise auch, aber die Geschäftslogik dahinter ist durchsichtig. Wer ein Lizenzregime für Frontier-Modelle fordert, baut sich einen regulatorischen Burggraben, in dem nur die größten Anbieter überleben. Das Timing ist ungeschickt: Genau in der Woche, in der Mythos selbst Code-Reviews und Life-Science-Fragen blockiert, klingt „Sicherheit“ für viele Entwickler nach einem Produkt, das man schlicht nicht mehr benutzen kann. Willccbb sagt offen, dass Mythos das erste öffentlich verfügbare Modell sei, das er für seine Arbeit an offener Modellforschung explizit nicht nutzen darf. Damit koppelt Anthropic Capability- und Alignment-Forschung an die eigene Kontrolle, und genau das treibt Kunden zu Opus oder gleich zu Google zurück, dessen DiffusionGemma diese Woche unter Apache 2.0 mit über 1000 Token pro Sekunde rauskam. Eine Regulierung, die nur den Marktführer schützt, ist keine Leitplanke, sondern eine Mautstelle. Vertrauen entsteht durch ein funktionierendes Modell, nicht durch ein Policy-Papier, das den Wettbewerb ausdünnt.

OpenAI rechnet mit Preiskampf gegen Anthropic

OpenAI erwägt, die Preise für Token deutlich zu senken, also für die Abrechnungseinheit, mit der KI-Firmen ihre Produkte in Rechnung stellen. Laut WSJ-Quellen geschieht das in Erwartung ähnlicher Schritte bei Anthropic. CEO Sam Altman nannte die Kosten kürzlich „ein riesiges Problem“ und versprach, Kunden „mehr Wert für weniger Ausgaben“ zu bieten. Beide Firmen verlieren bereits Milliarden wegen der enormen Compute-Kosten, drastische Senkungen würden die Margen weiter aushöhlen. Anthropic’s Umsatz schoss nach dem viralen Erfolg von Claude Code in die Höhe und überholte erstmals OpenAIs Bewertung. Bei Uber ist das Agenten-Budget für 2026 schon ausgereizt, in Silicon Valley streitet man jetzt über „Tokenmaxxing“, also den Verbrauch möglichst vieler Token ohne klaren Return. OpenAI hat diese Woche vertraulich einen IPO eingereicht, Altman peilt den Börsengang „innerhalb des nächsten Jahres“ an. → www.wsj.com

Synthszr Take: Der wunde Punkt steht im Artikel selbst, fast beiläufig: die Austauschbarkeit der Produkte. Wenn ein Kunde Codex und Claude Code mit zwei Klicks tauschen kann, dann gibt es keinen Burggraben, sondern nur einen Preiszettel. Genau das macht Zuckerberg seit zwei Jahren mit Llama vor, er commodifiziert das Modell und lässt die Erlösströme der anderen versiegen. Jetzt commodifizieren sich OpenAI und Anthropic gegenseitig, freiwillig, kurz vor dem Börsengang. Mitte Mai überholte Anthropic noch bei den Enterprise-Kunden, Anfang Juni bei der Bewertung mit 965 Milliarden, und nun diskutieren beide, die Marge, die diese Zahlen tragen soll, wegzusenken. Das „Tokenmaxxing“-Geständnis von Uber ist dabei das ehrlichste Signal: Unternehmen merken, dass viel Verbrauch nicht viel Wert bedeutet, und ziehen die Budgets zusammen. Wer hier einen IPO platzieren will, verkauft Investoren eine Wachstumsstory, deren Treibstoff er gerade selbst verbilligt.

Microsoft sperrt Claude Mythos intern

Anthropic hat gestern Claude Mythos 5 veröffentlicht, das erste Modell der neuen Mythos-Klasse, und Microsoft hat es seinen eigenen Mitarbeitern direkt wieder weggenommen. Während Kunden von GitHub Copilot und Foundry das Modell sofort erhielten, taucht Mythos 5 in der internen Modellauswahl der Microsoft-Belegschaft nicht auf. Der Grund liegt in Anthropics neuen Anforderungen zur Datenspeicherung: Mythos 5 braucht Datenretention, um die neuen Safety-Classifier zu betreiben, Anthropic behält also Prompts und Outputs und löscht sie erst nach 30 Tagen. Bei Verstößen gegen die Nutzungsrichtlinie können einzelne Prompts sogar bis zu zwei Jahre gespeichert werden. Alle anderen Claude-Modelle bleiben intern verfügbar, weil sie unter Zero Data Retention laufen. Microsofts Rechtsabteilung prüft jetzt, ob das Modell für vertrauliche Kunden- und Firmendaten überhaupt freigegeben werden kann. Mythos 5 kommt nur Wochen nachdem Anthropic die Mythos-Familie bei Cybersecurity-Aufgaben als zu gefährlich für eine offene Veröffentlichung bezeichnet hatte. → www.theverge.com

Synthszr Take: Hier kollidieren zwei Anthropic-Werte miteinander, und beide kommen aus demselben Haus. Safety verlangt, dass das Modell Prompts mitliest und 30 Tage aufbewahrt, sonst greifen die Classifier nicht. Genau diese Aufbewahrung macht das Modell für den Datenschutz unbrauchbar, jedenfalls dort, wo vertrauliche Kundendaten durchlaufen. Dass ausgerechnet Microsoft, Anthropics größter Distributionspartner, das Modell zuerst an Kunden ausrollt und dann der eigenen Belegschaft verbietet, sagt mehr über die Compliance-Realität als jede Roadmap-Folie. In jeder Vendor-Matrix steht Compliance und Sovereignty als eigene Dimension, und Zero Data Retention ist genau der Knockout-Punkt, an dem ein technisch starkes Modell durchfällt. Wer Modelle einkauft, braucht den Adapter auf jeder Schicht und einen Migrationspfad im Risk-Register, damit ein einzelner Retention-Passus nicht den ganzen Workflow lahmlegt. Modell-Agnostik ist keine Ideologie, sie ist die Versicherung gegen genau solche Donnerstage.

Xiaomi knackt 1.000 Token pro Sekunde auf 08/15 Hardware

Xiaomis MiMo-Team meldet mit MiMo-V2.5-Pro-UltraSpeed über 1.000 Token pro Sekunde beim Decoding auf einem 1-Billion-Parameter-MoE-Modell, und zwar auf einem ganz normalen 8-GPU-Server. Kein Cerebras-Wafer, kein Groq-Spezialchip. Der Trick steckt im Zusammenspiel von Modell und System: ein Co-Design namens TileRT. Konkret kombiniert der Stack FP4/MXFP4-Quantisierung nur für die MoE-Experten mit Quantization-Aware-Training, während die Nicht-Experten-Module in höherer Präzision bleiben. Dazu kommt DFlash, ein Block-Level-Masked-Speculative-Decoding, das die Generierung weiter beschleunigt. Die Behauptung steht noch unter dem Vorbehalt einer unabhängigen Verifikation, aber die Richtung ist eindeutig. → AINews

Synthszr Take: Spezialhardware war bisher die Antwort auf die Frage, wie man 1T-Modelle schnell bekommt. Xiaomi zeigt, dass kluge Co-Design-Arbeit denselben Effekt aus Standard-GPUs holt, und das ändert die Rechnung für jeden, der über Inference-Kosten nachdenkt. Wir haben Ende Mai über Xiaomis Preisnachlässe von bis zu 99 Prozent geschrieben, und genau hier kommt die technische Begründung dafür: Wer mehr Token aus derselben Maschine presst, kann den Preis pro Token in den Keller fahren, ohne Marge zu verlieren. Das ist das Jevons-Paradoxon in Echtzeit, billigere Inference erzeugt mehr Nachfrage, nicht weniger. Für deutsche Unternehmen, die ihre Self-Hosted-Workloads kalkulieren, heißt das: die Annahme teurer Spezial-Hardware gehört auf den Prüfstand, denn die Effizienzgewinne kommen jetzt aus der Software. Wer seinen Inference-Stack heute nach Hardware-Burggräben plant, plant am Markt vorbei.

Gemini 3.5 Live Translate wird zum Live-Dolmetscher

Google hat am Dienstag Gemini 3.5 Live Translate veröffentlicht, ein Audio-Modell, das Sprache fortlaufend über mehr als 70 Sprachen übersetzt, statt auf das Satzende zu warten. Die Ausgabe bleibt ein paar Sekunden hinter dem Sprecher und erhält Betonung, Tempo und Tonhöhe. In Google Meet springt die Funktion von fünf englisch-gekoppelten Sprachen auf über 2.000 Kombinationen in einer einzigen Besprechung, die Private Preview für Workspace-Kunden öffnet diesen Monat. In der Translate-App ist das Feature für Verbraucher kostenlos, in zahlende Workspace-Stufen wird es eingebettet. Anbieter von KI-Dolmetschen verlangen für die gleiche Leistung 8 bis 35 Dollar pro Teilnehmerstunde, der Markt für Sprachlösungen war 2025 laut Slator 30,85 Milliarden Dollar wert. Googles eigene Model Card räumt am selben Tag ein, dass Stimmen mitten in der Sitzung das Geschlecht wechseln können und die Spracherkennung bei nicht-muttersprachlichen Akzenten schwächelt. Grab testet die Technik bereits für über 10 Millionen monatliche Sprachanrufe zwischen Fahrern und Reisenden. → Marcus Schuler

Synthszr Take: Hier wird ein 30-Milliarden-Markt zur austauschbaren Funktion in einem Software-Dienst, den man ohnehin schon bezahlt. Wer heute pro Teilnehmerstunde abrechnet, sollte sich die Zahl ansehen: 35 Dollar gegen null. Das ist der klassische Bundling-Hebel, mit dem Google ganze Kategorien commodifiziert, und es funktioniert, weil die Übersetzung kein Produkt mehr ist, sondern ein Kontaktpunkt im Meeting-Fluss. Spannend ist die Lücke, die Google selbst dokumentiert: Stimmen wechseln das Geschlecht, Akzente verwirren die Erkennung, und genau die Zuverlässigkeitsdaten fehlen, die einem Käufer sagen würden, wann das Gratis-Feature gut genug ist. Für unkritische Pickup-Anrufe bei Grab reicht das offensichtlich aus, für eine juristische Verhandlung wahrscheinlich noch nicht. Die professionellen Dolmetschanbieter überleben deshalb zunächst in den Grenzfällen, in denen ein Fehler teuer wird. Wer dort sitzt, sollte sein Nutzenversprechen jetzt auf Haftung und Präzision verschieben, denn der darunterliegende Massenmarkt ist gerade verschwunden.

AI Notetaker: Alles wird jetzt aufgezeichnet

David Haber argumentiert in einem Gastbeitrag bei a16z, dass die meisten Arbeitsgespräche inzwischen standardmäßig aufgenommen werden, ohne dass das je groß diskutiert wurde. Sein Kerngedanke: Man muss KI wie einen neuen Mitarbeiter einarbeiten, also über Meetings, wo Kultur, Erwartungen und Grenzfälle wirklich entstehen, nicht über das CRM oder das Wiki. OpenAI laufe schon so, mit Agenten, die in Meetings für abwesende Führungskräfte einspringen, und Bridgewater habe das Prinzip vor Jahren als Policy etabliert. Granola sei das beste Beispiel: Das Tool kenne a16z besser als fast jedes andere, weil es im Raum saß. Haber sieht eine neue Software-Kategorie entstehen, die um Sprache statt Text organisiert ist, weil der wertvollste Kontext in Gesprächen lebt und LLMs diese unstrukturierten Sprachdaten durchsuchbar machen. Verbale Kulturen wie Shopify und OpenAI profitierten überproportional, während schriftliche Kulturen wie Stripe und Anthropic ihren Kontext ohnehin festhalten. Seine Prognose: In sechs Monaten flippt der Default von „nicht aufzeichnen“ zu „geh davon aus, dass aufgezeichnet wird“. → a16z

Synthszr Take: Der spannende Punkt steckt nicht im Datenschutz-Schauer, sondern im Onboarding-Argument. Wer einen Menschen einarbeitet, schickt ihn in Meetings, nicht ins Wiki, und genau das gilt jetzt für jeden Agenten. Haber hat recht, dass verbale Kulturen jahrelang ihren wertvollsten Kontext verdampfen ließen, weil das, was im Produkt-Review wirklich entschieden wurde, nie irgendwo landete. Was wir Mitte Februar als „Kontext ist King“ notiert haben, bekommt hier seine operative Mechanik: Sprache wird zum System of Record. Der unbequeme Teil ist die Top-down-Seite, die er fast nebenbei einbaut, denn Aufzeichnung ist auch ein Kontrollinstrument für Führung, und un-shippen ist teurer als shippen. Die ehrlichste Haltung dazu: behandle jedes Meeting wie eine E-Mail, die vor Gericht landen könnte, und entscheide bewusst, welche Räume explizit nicht aufgezeichnet werden. Diese Leitplanke lässt sich diese Woche festlegen, nicht erst nach dem nächsten Governance-Workshop.

Können Tech-Konzerne lernen, billige KI-Modelle zu lieben?

Der KI-Boom stand auf einer simplen Annahme: Größere Modelle sind mächtiger, und die Mächtigsten gewinnen. Jetzt bröckelt diese Annahme, weil die Token-Rechnung eintrifft und die Investorensubventionen versiegen. Coinbase-Mitgründer Brian Armstrong prognostiziert, dass innerhalb von 12 bis 18 Monaten 80 Prozent aller Workloads auf 99 Prozent billigeren Modellen laufen, während nur 20 Prozent die neueste Generation benötigen. Erste Tests stützen das: Die Legal-KI Harvey senkte zusammen mit der Inference-Plattform Fireworks AI ihre Kosten um das Dreifache, ohne an Qualität zu verlieren, indem sie Claude Opus mit Fireworks' GLM 5.1 kombinierte und Opus nur für die anspruchsvollsten Aufgaben einsetzte. Die eigentliche Trennlinie verläuft dabei nicht zwischen proprietären und offenen Modellen, sondern zwischen großen und kleinen. Träfe Armstrongs Prognose zu, würde das die Ökonomie der gesamten Branche verschieben, und ein großer Teil der Einsparungen ginge direkt aus den Taschen von OpenAI und Anthropic, ausgerechnet auf dem Weg zu ihren IPOs. → Techpresso

Synthszr Take: Hier passiert dasselbe, was wir Ende Mai bei den explodierenden Token-Kosten beschrieben haben, nur dass die Reflexkette jetzt durchläuft. Solange Investoren die Inference subventionierten, gab es keinen Grund, etwas anderes als das stärkste Modell zu wählen. Das war keine Disziplin, sondern Bequemlichkeit auf fremde Rechnung. Der Harvey-Befund ist der entscheidende: Wenn das System richtig gebaut ist, übernimmt das kleine Modell den Großteil der Arbeit, und das teure Frontier-Modell wird nur für die Fälle gezündet, die wirklich Urteilskraft benötigen. Genau diese Aufteilung ist die Kompetenz, die zählt, nämlich zu wissen, welche Anfrage ein 99-Prozent-billiges Modell verträgt und welche nicht. Das Jevons-Paradoxon dämpft den Schmerz für die Labs ein Stück weit, weil billigere Intelligenz mehr Nachfrage weckt; aber wer ein Frontier-Modell für Hunderte Millionen trainiert und dann zusieht, wie 80 Prozent der Workloads abwandern, muss die Rechnung neu aufmachen. Compute-Disziplin ist ab jetzt ein Wettbewerbsvorteil, und die lässt sich im nächsten Sprint testen, nicht erst nach dem IPO.

KI-Coding boomt, Governance hinkt noch hinterher

Fast jedes Entwicklungsteam nutzt inzwischen KI-Assistenten beim Programmieren, aber nur eine Minderheit hat geregelt, wie. Das zeigt eine Befragung von 831 Software-Engineers und DevOps-Profis, die UserEvidence im März 2026 für Black Duck durchgeführt hat: 97 Prozent setzen die Tools aktiv ein, ganze 30 Prozent haben dafür einen vollständig geregelten Aufsichtsprozess. GitHub Copilot führt mit 83 Prozent, Claude Code folgt mit 63 Prozent, die meisten Teams fahren mehrere Assistenten parallel. Der Nutzen ist messbar: 92 Prozent berichten von schnelleren Releases, im Schnitt acht Stunden pro Woche und Entwickler. Der Haken kommt danach. Neun von zehn Teams stoßen irgendwo im Workflow auf Probleme mit KI-generiertem Code, die Reibung landet bei manuellem Review (52 Prozent), Security-Testing (51 Prozent) und Nacharbeit (48 Prozent). Wo Governance voll etabliert ist, melden 90 Prozent einen großen Effizienzgewinn, gegenüber 44 Prozent bei Teams ohne klare Regeln. → AI Secret

Synthszr Take: Diese Zahlen bestätigen exakt das, was in Code Crash beschrieben wurde: Die Modelle sind nicht mehr das Problem, die Werkzeugkette drumherum entscheidet. 97 Prozent Adoption und 30 Prozent Governance, das ist die Schere, an der die versprochene Produktivität verdampft. Spannend ist die Aufschlüsselung: Die Teams mit voller Governance liegen bei 90 Prozent Effizienzgewinn, die ohne bei 44. Wer also glaubt, Regeln bremsen, hat die Studie falsch herum gelesen. Security früh in die Pipeline ziehen, SAST-Scans bei jedem Commit, menschliche Durchsicht bei Authentifizierung und Zahlungen, das kostet einen Tag Einrichtung gegen Monate Schaden nach einem Vorfall. Dass 86 Prozent einen KI-Agenten zur Code-Prüfung wollen und trotzdem 84 Prozent den Menschen in der Schleife behalten, zeigt die richtige Haltung: dirigieren statt durchwinken. Wer jetzt Leitplanken zieht, holt die acht Stunden pro Woche wirklich nach Hause, statt sie an QA und AppSec wieder zu verlieren.