Cannes: OpenAI macht in Ads und Meta in Ad-Automatisierung

Cannes (I): OpenAI debütiert und wird zur Werbebude

OpenAI hat sein Debüt bei den Cannes Lions gegeben, und zwar nicht von einer Croisette-Dachterrasse, sondern auf einer halb abgeschiedenen Terrasse, 15 Gehminuten vom Festivalzentrum entfernt. Dave Dugan, Head of Global Ads Solutions und zwölf Jahre lang Meta-Mann, kündigte „ein komplett neues Werbeprodukt“ an. Die Zahlen dahinter: 900 Millionen wöchentliche Nutzer, rund 20 Prozent der Fragen mit direkter kommerzieller Absicht. OpenAI hat Investoren laut Axios in Aussicht gestellt, in vier Jahren 100 Milliarden Dollar Umsatz zu erreichen, eine Marke, für die Meta 17 Jahre brauchte. CRO Denise Dresser will den Erfolg nicht an Impressions messen, sondern daran, ob die Werbung „den Menschen hilft, Dinge zu erledigen“. Werbung soll dabei den Gratiszugang subventionieren, und Conversational-Daten sollen niemals an Advertiser fließen. Mit dem Coding-Agenten Codex sollen Kreativdirektoren ohne Programmierkenntnisse eigene Produktions-Workflows bauen. → AI Secret

Synthszr Take: Da steht ein Ex-Meta-Manager auf einer Terrasse und erklärt, ChatGPT sei das Gegenteil des Scrollens, während er das Geschäftsmodell von Meta importiert. Sam Altman hat Werbung jahrelang als das gemieden, was sie ist: der Moment, in dem nicht mehr der Nutzer der Kunde ist, sondern das Produkt. Jetzt ist sie da, hübsch verpackt als „Intelligence Economy“ und als Mission, mehr Menschen Zugang zu geben. Die 100 Milliarden in vier Jahren sind eine Ansage gegen die eigenen Rechenkosten, denn die 900 Millionen Gratisnutzer kosten Sauerstoff, den irgendwer bezahlen muss. Spannend wird die Guardrail-Frage: „Wir teilen niemals Conversational-Daten“ klingt gut, nur ist der ganze Wert von ChatGPT-Werbung gerade diese Absicht, die der Nutzer im Gespräch preisgibt. Im März hieß es hier noch, reine Skalierung führe nicht zur AGI; das Werbegeschäft ist die ehrliche Antwort darauf, wie man die Skalierung bis dahin finanziert. Wer ChatGPT nutzt, sollte ab jetzt davon ausgehen, dass jede Reiseplanung in den Alpen ein Upper-Funnel-Signal ist.

Cannes (I): Meta automatisiert die Werbung und WPP findet das dufte

In Cannes hat Meta eine neue Generation von KI-Werkzeugen für Werbungtreibende und Agenturen vorgestellt, die den sogenannten Closed Loop schließen soll: ein System, das erfolgreiche Werbemittel identifiziert, deren Wirkung analysiert und daraus eigenständig neue Varianten erzeugt. Nicola Mendelsohn, Leiterin des weltweiten Anzeigengeschäfts, beschreibt es als Werkzeug, das Identität und Tonalität einer Marke aus bestehenden Anzeigen lernt und diese Erkenntnisse für die generative Werbemittelerstellung nutzt. WPP wird als erster Agenturpartner die Lösung testen, integriert direkt in WPP Open, die konzernweite KI-Plattform, die Planung, Kreation, Produktion und Mediasteuerung in einem System zusammenführt. WPP hatte erst im Frühjahr eine vertiefte Zusammenarbeit mit Adobe angekündigt und bindet Partner wie AWS und Meta zentral ein. Auf dem Festival war vielfach vom Übergang vom „Search-and-Click-Web“ zu einer konversationellen Internetnutzung die Rede, in der Plattformen wie Meta, Pinterest oder OpenAI sich als Empfehlungsmaschinen positionieren. Kritiker warnen, dass solche Systeme vor allem reproduzieren, was in der Vergangenheit funktioniert hat, und Kampagnen dadurch ähnlicher werden. Die Kreativagentur Fifty Thousand Feet betont dagegen Vorstellungskraft und kulturelles Verständnis als die entscheidenden Unterscheidungsmerkmale. → MEEDIA Daily Update

Synthszr Take: Der Closed Loop optimiert jede einzelne Kampagne, und das Werbeganze gravitiert in dieselbe Mitte. Genau das hat das Mailänder Restaurant-Experiment gezeigt: Sobald ChatGPT weg war und die Wirte selbst schrieben, stieg die lexikalische Vielfalt um 15 Prozent. Dasselbe Werkzeug, das jedem Einzelnen das Leben leichter macht, macht alle zusammen austauschbar. Effizienz auf der Mikroebene, Entropie auf der Makroebene. Metas System lernt, was in der Vergangenheit performt hat, und liefert genau das wieder zurück: Best Practice ist das neue Mittelmaß, professionell und leidenschaftslos. Für WPP heißt das, die Produktionsmaschine an Meta auszulagern und sich die eigentliche Frage zu stellen, was übrig bleibt, wenn alle mit demselben Stack und demselben KI-Output arbeiten. Taste wird zum letzten Burggraben, und der lässt sich nicht in einer Pipeline generieren. Wer in dieser Welt nur schneller dasselbe produziert, hat den Wettbewerb schon verloren, bevor das erste Werbemittel ausgespielt ist.

OpenAI baut eigenen Chip und macht sich von Nvidia unabhängiger

OpenAI und Broadcom haben Jalapeño vorgestellt, einen speziell für Inference gebauten ASIC, der laut beiden Firmen eine bessere Performance pro Watt liefern soll als die aktuelle Spitzenhardware. Der Chip ist kein umgewidmeter Trainingsbeschleuniger, sondern von Grund auf für das Verhalten großer Sprachmodelle und kommende agentische Workloads ausgelegt: hoher Durchsatz bei niedriger Latenz, ein riesiger Compute-Chiplet mit sechs HBM-Modulen statt billigerem DRAM. Die Schätzung aus dem Wafer-Bild legt eine Die-Größe um 840 mm² nahe, gefährlich nah an der Reticle-Grenze der EUV-Belichtung von 858 mm². Engineering-Samples laufen bereits im Labor und fahren ML-Workloads wie GPT-5.3-Codex-Spark. Bemerkenswert ist das Tempo: Tape-out in neun Monaten, Deployment ab Ende 2026. Konkrete Benchmarks, Speicher-Konfiguration und Performance-Ziele bleiben offen, deshalb sind die Effizienz-Versprechen mit Vorsicht zu genießen. Ob Jalapeño gegen Nvidias Rubin und AMDs MI400 bestehen kann, ist die eigentlich offene Frage, nicht der Vergleich mit der heute schon alternden Blackwell-Generation. → www.tomshardware.com

Synthszr Take: Im Februar kam die OpenAI-Beichte, dass Inference brutal teuer wird. Jalapeño ist die logische Antwort darauf: Wer pro Token zahlt und Milliarden Tokens am Tag durchschiebt, holt sich die Marge irgendwann über eigenes Silizium zurück. Neun Monate von der Idee zum Tape-out ist ein Tempo, das man als Hardware-Mensch zweimal liest, und es deutet darauf hin, dass hier KI beim Chip-Design kräftig mitgearbeitet hat (sonst rechnet sich der Zyklus kaum). Die Compute-Disziplin verschiebt sich gerade vom Training zur Inference, und genau da liegt das Geld, weil Reasoning und Agenten jede Anfrage teurer machen. Die fehlenden Benchmarks sind das ehrliche Risiko: ein 840-mm²-Die nahe der Reticle-Grenze klingt nach Muskeln, sagt aber nichts über die reale Auslastung. Wer auf OpenAI als Plattform setzt, sollte den Vendor-Lock-in jetzt einpreisen, denn eigene Hardware ist der stärkste Einrastpunkt, den ein Foundation-Lab bauen kann. Spannend wird's erst Ende 2026, wenn die Chips gegen Rubin antreten und nicht gegen die Pressemitteilung.

Anthropic wirft Alibaba die bislang größte Distillation-Kampagne gegen Claude vor

Anthropic hat US-Senatoren und das Weiße Haus informiert, dass Betreiber rund um Alibabas Qwen-Lab zwischen April und Juni knapp 25.000 gefälschte Accounts genutzt haben, um Claudes Fähigkeiten abzugreifen. Es geht um fast 29 Millionen Austausche, gezielt auf Software-Engineering und agentisches Reasoning, also genau die kommerziell wertvollsten Skills des Modells. Damit übertrifft Alibaba allein das Volumen der drei früheren Fälle (DeepSeek, MiniMax, Moonshot) mit zusammen 16 Millionen Austauschen und 24.000 Fake-Accounts. Distillation heißt: man füttert ein Frontier-Modell mit präparierten Anfragen, sammelt die Antworten und trainiert damit ein billigeres Konkurrenzsystem nach. Alibabas US-Hinterlegungsscheine fielen über drei Prozent unter 100 Dollar, das Pentagon hatte den Konzern am 8. Juni auf seine Blacklist chinesischer Militärfirmen gesetzt, wogegen Alibaba diese Woche klagt. Pikant: Anthropic ruft den Staat um Hilfe, streitet aber selbst mit der Trump-Administration über Export-Kontrollen für seine Fable-5- und Mythos-5-Modelle. Das Unternehmen, nach der 65-Mrd-Series-H mit 965 Mrd. Dollar bewertet, hat diesen Monat vertraulich den IPO eingereicht. → thenextweb.com

Synthszr Take: 29 Millionen Austausche über 25.000 Fake-Accounts sind kein Zufallsprodukt, das ist industrialisierte Nachbildung im großen Stil. Spannend ist die Ökonomie dahinter: Anthropic verbrennt Milliarden in Compute und Training, und ein Distiller approximiert das Ergebnis für einen Bruchteil. Das ist das Jevons-Paradoxon der Modell-IP: je wertvoller die Engineering-Skills, desto härter wird daran gesaugt. Wir hatten das im Februar schon, als DeepSeek und Co. benannt wurden; jetzt steht ein 965-Mrd-Konzern vor dem IPO und braucht plötzlich einen IP-Zaun um Software, die per Definition kopierbar ist. Genau hier wird es kafkaesk: dieselbe US-Regierung, die China-Labs ausbremsen soll, sperrt zeitgleich Anthropics eigene Modelle per Lutnick-Order für ausländische Nutzer. Wer seinen Burggraben aus reinem Modell-Vorsprung baut, hat einen Graben aus Wasser. Die Lehre für jede Engineering-Org, die auf ein einzelnes Frontier-Modell wettet: der nachhaltige Vorteil liegt im Deployment und in der Wissens-Diffusion ins Team, nicht im Gewicht des Modells, das morgen schon destilliert in der Cloud des Wettbewerbers läuft.

Computer Use wandert ins Basismodell: Gemini 3.5 Flash steuert jetzt selbst den Bildschirm

Google hat gesterndie Computer-Use-Fähigkeit direkt in Gemini 3.5 Flash eingebaut. Was vorher ein eigenständiges Modell (Gemini 2.5 Computer Use) war, steckt jetzt nativ im Hauptmodell und liefert laut Google die bisher beste Performance bei agentischen Computer-Aufgaben. Damit können Entwickler Agenten bauen, die Browser, Mobile und Desktop sehen, durchdenken und bedienen, etwa für kontinuierliches Software-Testing oder Wissensarbeit über mehrere Anwendungen hinweg. Gegen Prompt-Injection setzt Google auf gezieltes adversariales Training und zwei optionale Enterprise-Schutzsysteme: explizite Nutzerbestätigung für sensible Aktionen und automatischer Task-Stopp bei erkannter Injection. Der Zugang läuft über die Gemini API und die Gemini Enterprise Agent Platform, Demos hostet Browserbase. Google empfiehlt einen Defense-in-Depth-Ansatz mit Sandboxing, Human-in-the-Loop und strikten Zugriffsrechten. → blog.google

Synthszr Take: Der eigentliche Hebel steckt im Wort „Flash“. Computer Use ist nicht mehr das teure Spezialmodell, sondern Teil des günstigen, schnellen Standardmodells, und das verändert die Rechnung für jeden, der Automatisierung im großen Stil plant. Erinnert an den Sprung, den Claude Code Ende 2025 ausgelöst hat: Die KI verlässt das Chat-Fenster und greift dorthin, wo gearbeitet wird. Für ein deutsches Unternehmen mit 200 Engineering-Rollen heißt das konkret, dass nächtliche Refactorings, Software-Testing und Knowledge Work über SAP, Salesforce und Office hinweg plötzlich zu Token-Preisen laufen, die ins CFO-Dashboard passen. Der wunde Punkt bleibt Prompt-Injection in Live-Umgebungen, und Googles zwei Schutzsysteme sind ein Anfang, aber niemand sollte einen Agenten ohne Sandbox und Zugriffskontrolle auf produktive Systeme loslassen. Wer jetzt nicht anfängt, die eigenen Operating Streams auf solche Agenten vorzubereiten, zahlt den Lernvorsprung später teurer nach. Die Frage ist nicht mehr ob, sondern welche drei Anwendungsfälle morgen früh in die Pipeline gehen.

01.AI will Chinas Palantir werden

Kai-Fu Lee hat sein KI-Startup 零一万物 (01.AI) im vergangenen Jahr fast geräuschlos umgebaut und in dieser Zeit über hundert CEOs persönlich getroffen, je zur Hälfte aus China und dem Ausland. Statt teurer Basismodelle, die im Token-Preiskampf nach DeepSeek zur reinen Kapitalfrage geworden sind, orientiert sich die Firma jetzt explizit nicht an OpenAI oder Anthropic, sondern an Palantir: Datenintegration, Entscheidungsunterstützung und Ausführungssysteme für Regierungen und Schlüsselindustrien. Lee meidet den US-Markt und reist stattdessen nach Zentralasien, Südostasien, in den Nahen Osten, nach Europa und Afrika. In Kasachstan sitzt er im KI-Entwicklungsrat des Landes, mit dem Agrarriesen Charoen Pokphand baut er das Joint Venture 万蜂智能, das KI auf Hühnerfarmen schickt, um Sterblichkeit und Marge zu verbessern. Die Auftragszahlen sprechen für die Wende: rund 500 Mio. Yuan in 2025, bereits 1,5 Mrd. Yuan an Verträgen für 2026, dazu eine neue Finanzierungsrunde und ein geplanter IPO 2027. Lees Kernthese lautet, dass echte Aufträge keine 200.000-Yuan-Service-Agents sind, sondern eine komplette KI-Transformation, die nur der „一号位“, die Nummer eins eines Unternehmens, entscheiden kann. → Hello China Tech

Synthszr Take: Lee macht hier den einzigen Zug, der für einen 65-Jährigen ohne Lust auf einen Kapitalkrieg übrig bleibt, und er macht ihn klug. Während die anderen „大模型六小虎“ Milliarden verbrennen, um ein chinesisches OpenAI zu bauen, geht er dorthin, wo Margen liegen: in die Bilanz des Kunden. Sein bester Satz ist die Diagnose, dass ein KI-Projekt als IT-Vorhaben zu behandeln bedeutet, einer Pferdekutsche einen Lokomotivmotor einzubauen. Das deckt sich mit dem, was wir im März in „CODE CRASH“ beschrieben haben: Wenn Coding und Modelle zur austauschbaren Commodity werden, verschiebt sich der Wert vom Modell zur Transformation der Organisation drumherum. Skepsis bleibt bei der Souveränitäts-KI als Geschäftsmodell, denn Präsidenten-Termine in Astana und Joint Ventures auf Hühnerfarmen skalieren schlechter als ein SaaS-Produkt, und der Palantir-Vergleich trägt ein politisches Risiko mit sich, das Lee zuckerwattiert. Aber die Richtung stimmt: lieber das Honorar unter McKinsey ansetzen und Ergebnisse statt PowerPoint liefern, als das tote Pferd des Basismodell-Wettrennens weiterzureiten. Wer 1,5 Mrd. Yuan an Verträgen einsammelt, bevor er den IPO ausruft, hat verstanden, dass Tragfähigkeit vor Vision kommt.

L'Oréal schreibt die Trainingsdaten gleich selbst

Eine ganze Industrie hat sich darauf spezialisiert, Marken von außen in die Antwortmaschinen zu schreiben: Generative Engine Optimization, präparierte Reddit-Threads, Reverse Engineering dessen, was das Modell liest. L'Oréal überspringt das komplett und übergibt OpenAI die Produktdatenbank direkt. Maybellines virtuelle Anprobe läuft damit nicht mehr über den Umweg der Optimierung, sondern sitzt drin im System. Wer den Telefonkontakt zu OpenAI hat, muss nicht mehr von der billigen Tribüne aus an den Trainingsdaten zerren. Die Frage „Wie beeinflusse ich, was das Modell über mich weiß?“ beantwortet L'Oréal, indem es selbst zur Quelle wird. GEO sieht daneben aus wie SEO für alle, die keine Nummer in OpenAIs Adressbuch haben. → AI Secret

Synthszr Take: In Code Crash steht, dass Web-Erwähnungen rund dreimal stärker mit KI-Sichtbarkeit korrelieren als Backlinks (0,664 gegen 0,218), und dass das Modell nicht der Über-uns-Seite glaubt, sondern dem, was andere sagen. L'Oréal hat den Spieß umgedreht und wird selbst zu dem, was das Modell liest. Das ist der eigentliche Burggraben dieser Phase: nicht die clevere Taktik von außen, sondern der direkte Sitz in der Quelle. Wer die Datenbank liefert, bestimmt den Share of Model in seiner Kategorie, bevor die GEO-Berater überhaupt ihre Checkliste aufgeklappt haben. Genau deshalb verschiebt sich der Wettbewerb gerade von „Wer optimiert besser?“ zu „Wer wird eingeladen, mitzuschreiben?“. Für mittelgroße Marken ohne OpenAI-Kontakt heißt das: die unbesetzten Felder finden, die die Großen noch nicht abgeräumt haben, und sie besetzen, solange das Modell sie noch nicht kennt. Der Whitespace im Modell schließt sich schneller, als die meisten Marketingbudgets reagieren können.

Bei Meta schreibt der Agent die Statusmeldung, nicht das Team

Nikhyl Singhal hat im Skip Podcast mit Jagjit Chawla gesprochen, einem VP of Product bei Meta, der Feed, Reels und neuerdings Search verantwortet. Die Kernaussage: Sobald Ideen billig werden, wird das Beurteilen der Ideen zum eigentlichen Job, und der PM zum größten Engpass. Das klassische PRD ist bei seinen Teams auf einen Absatz plus Prototyp geschrumpft, im ML-Bereich ergänzt um ein Eval-Set. Statusberichte rollen nicht mehr per Deck die Hierarchie hoch: Chawlas Agent liest nachts jeden Code-Diff, jede Mail und jedes Dokument und legt ihm morgens um sieben eine Punkt-Liste vor, Projekt für Projekt in Rot, Gelb, Grün. In Teilen seiner Organisation schreibt der Agent sogar das Review-Dokument, markiert die drei strittigen Fragen und nennt die fünf Leute für den Raum. Eine Datenfrage, die früher 24 Stunden Handoff zur Data Science brauchte, beantwortet ein Analytics-Agent jetzt in fünf Minuten. Gebaut wurde all das nicht zentral verordnet oder eingekauft, sondern von den Teams selbst, manchmal an einem einzigen Abend. → Lenny's Newsletter

Synthszr Take: Was Chawla die „Compression Algorithm“ nennt, ist genau die Verschiebung, die ich in Code Crash beschreibe: Früher war Code teuer und Intent billig, jetzt ist es umgekehrt. Wenn der Output nichts mehr kostet, wird der Input zum knappen Gut, und das Beurteilen schlägt das Produzieren. Spannend ist weniger, dass Meta KI einsetzt (das macht gerade jeder), sondern dass die Pipeline radikal verdichtet wird: Das Review startet bei der Entscheidung statt bei dreißig Minuten Kontextaufbau. Der Org-Chart war jahrzehntelang die Informationsleitung, und ein nächtlicher Agent ersetzt ihn jetzt für 50 Projekte gleichzeitig. Bemerkenswert ist die Bauweise. Niemand hat ein 18-Monats-Programm aufgesetzt, die Teams haben sich ihre Systeme an einem Abend gebaut, mit Tools, die ohnehin auf dem Tisch lagen. Wer im Mai noch über die 8.000 entlassenen Meta-Mitarbeiter las und das für reines Kostensparen hielt, sieht hier die andere Hälfte der Rechnung: Die Arbeit selbst wird neu erfunden, und das lässt sich morgen früh beim Kaffee anfangen, nicht erst nach dem nächsten Strategie-Offsite.

Serverless Postgres für Apps und Agenten

Databricks bringt mit Lakebase eine vollständig verwaltete Postgres-Datenbank, die direkt an das Lakehouse andockt und sich auf KI-Agenten und Apps zuschneidet. Der Clou: Die Datenbank verzweigt wie Code. Entwickler können sofort Branches für Test oder Entwicklung anlegen, gegen Produktionsdaten arbeiten und zurücksetzen, ohne den Live-Betrieb anzufassen. Compute und Storage sind entkoppelt und skalieren unabhängig, mit Scale-to-Zero im Leerlauf und Bezahlung nach Verbrauch. Als prominenter Anwendungsfall steht Agent Memory im Schaufenster: Chat-Sessions und Nachrichten landen persistent in Lakebase, damit ein Agent über Deploys hinweg auf frühere Gesprächsverläufe zugreifen kann. Über pgvector, PostGIS, Unity-Catalog-Governance und Change Data Feed verbindet sich der operative Speicher mit der Analytics-Welt, ohne dass jemand noch eigene ETL-Pipelines bauen muss. → Latent.Space

Synthszr Take: Postgres ist seit Jahrzehnten der unspektakuläre Arbeiter im Maschinenraum, und Databricks macht ihn jetzt zum Gedächtnis für Agenten. Das ist der eigentliche Hebel hier. Agenten ohne persistenten State sind vergessliche Praktikanten, die nach jedem Deploy bei null anfangen. Branching wie in Git ist dabei der Move, der Entwicklern morgen früh Arbeit abnimmt, weil sie gegen echte Produktionsdaten testen können, ohne etwas kaputtzumachen. Die Lock-in-Frage bleibt ehrlicherweise offen: Wer seinen operativen Speicher ans Lakehouse von Databricks koppelt, zahlt später einen Migrations-Preis, und in meinem Vendor-Raster wandert das von Modell-Lock-in (gering) Richtung Plattform-Lock-in (mittel). Trotzdem ist die Richtung richtig, weil offenes Postgres mit pgvector und der bestehenden Tool-Welt (pgAdmin, DBeaver, psql) den Umstieg zumindest nicht zur Sackgasse macht. Reasonable Sovereignty heißt hier: nutzen, aber den Export-Pfad von Tag eins an mitdenken.

ByteDance überspringt vier Versionen und liefert 4K-Video aus 50 Referenzen

ByteDance hat am Dienstag auf der Volcano-Engine-FORCE-Konferenz in Peking Seedance 2.5 vorgestellt, ein Modell, das aus einem einzigen Prompt 30-Sekunden-Clips in nativem 4K erzeugt. Das Unternehmen sprang vom Vorgänger direkt auf 2.5 und übersprang vier Zwischenversionen, um den Sprung zu signalisieren. Die Kernverbesserung liegt bei der Referenzkapazität: bis zu 50 multimodale Inputs (Bilder, Audio, 3D-White-Models, Style-Referenzen), gegenüber 12 beim Vorgänger. Dazu kommen 10-Bit-Farbtiefe, 20 Prozent bessere Prompt-Adhärenz, native Audio-Synchronisation im selben Latent Space und eine 3D-White-Box-Vorschau für schnelle Lofi-Animationen vor dem teuren Render. CEO Liang Rubo nannte das Erklimmen des KI-Gipfels die oberste Priorität des Konzerns. Die Enterprise-Beta läuft bereits, der öffentliche Start ist für Anfang Juli geplant, einen US-Termin gibt es nicht. Der Kontext ist heikel: Vor drei Monaten musste ByteDance nach Unterlassungsschreiben von Disney, Warner Bros, Paramount und Netflix Wasserzeichen und IP-Guardrails nachrüsten, nachdem ein viraler Tom-Cruise-gegen-Brad-Pitt-Deepfake eine formelle MPA-Beschwerde ausgelöst hatte. → The Next Web

Synthszr Take: Die Zahl, auf die es ankommt, ist 50 gegen 3. Googles Veo 3.1 akzeptiert drei Referenzbilder, Seedance 2.5 nimmt fünfzig multimodale Inputs, und genau dieser Abstand entscheidet, ob ein Modell ein Spielzeug für Memes bleibt oder in eine professionelle Produktionspipeline wandert. Während OpenAI Sora im März abschaltete (eine Million Nutzer auf dem Höhepunkt, rund eine Million Dollar Betriebskosten pro Tag, gut zwei Millionen Dollar Umsatz insgesamt), bauen die chinesischen Anbieter ihre Werkzeuge schneller zu echten Production Tools aus. Wir schrieben im März, dass chinesische Talente die KI-Szene dominieren; hier sieht man, was das operativ heißt, nämlich Verteilung über CapCuts 400 Millionen monatliche Nutzer und vertikale Integration von Generierung über Editing bis Sharing. Was ByteDance fehlt, ist eine Einigung mit Hollywood, und jedes neue Feature, das das Modell mächtiger macht, erhöht den Druck in genau diesem ungelösten Streit. Der ehrlichste Satz zur Lage: Die Technik ist gelöst, die Rechtefrage nicht, und kein noch so gutes 4K kompensiert eine fehlende Lizenz. Wer hier morgen früh handeln will, prüft die Enterprise-Beta für interne Pipelines und hält die globale Verfügbarkeit aus dem riskanten Bereich heraus, bis die IP-Frage steht.