Chinesische Open Weight Modelle erobern die Download-Charts

Alibabas Qwen-Modelle überholen Meta und Google mit drei Milliarden Downloads

Alibabas offene KI-Modelle haben die Marke von drei Milliarden Downloads überschritten und liegen damit vor den Familien von Meta und Google. Die Zahl fällt in eine Phase, in der die Plattform Hugging Face in ihrem halbjährlichen Ökosystem-Bericht für Januar bis August 2026 ein stark wachsendes, aber extrem ungleich verteiltes Feld beschreibt. Die Zahl öffentlicher Modell-Repositories stieg von 2,43 auf 2,96 Millionen, die der Datensätze von 711.000 auf eine Million. Unter dieser Oberfläche bleibt die Verteilung extrem: 85,6 Prozent aller Modelle kommen über ihre gesamte Lebensdauer auf weniger als 200 Downloads, während 1,5 Prozent der Repositories 99,2 Prozent aller Abrufe auf sich vereinen.

Beim Parametervolumen hat sich die Rangfolge verschoben. In fast jedem Monat des Jahres war das größte offene Modell eines chinesischen Labors größer als alles, was ein amerikanisches Labor selbst veröffentlichte: Die monatliche Obergrenze in China lag zwischen 754 Milliarden und 2,78 Billionen Parametern, die amerikanische in fünf von sieben Monaten unter 130 Milliarden. Ausnahmen sind Nvidias Nemotron 3 Ultra mit 561 Milliarden Parametern sowie Inkling von Thinking Machines Lab mit 952 Milliarden. Die Anbieter teilen sich zudem in zwei Lager: Moonshot, MiniMax, Xiaomi und Z.ai veröffentlichen fast nichts unterhalb von 70 Milliarden Parametern, während Tencent und Alibabas Qwen die gesamte Bandbreite ab unter einer Milliarde abdecken. Möglich wurde das erste Muster auch dadurch, dass die Quantisierung durch die Community große Modelle binnen Tagen lauffähig macht.

Die meisten neuen offenen Modelle in diesem Jahr kommen von den Chipherstellern selbst. AMD und Nvidia veröffentlichten jeweils mehr als 200 neue Modell-Repositories, LiquidAI folgt mit rund 100. Google und Meta rangieren bei Neuveröffentlichungen inzwischen deutlich hinter Nvidia, obwohl sie das Feld in den Vorjahren geprägt hatten. Oberhalb von 100 Milliarden Parametern bauen viele US-Veröffentlichungen auf chinesischen Modellen auf; AMD steuerte hier zahlreiche Konvertierungen bei, aber kein eigenes Modell dieser Größenordnung.

Aufmerksamkeit und Nutzung fallen dabei auseinander. Von den 25 meistgeladenen Repositories des Jahres und den 25 mit den meisten Likes taucht genau eines in beiden Listen auf. Kein einziges 2026 veröffentlichtes Modell schafft es in die Download-Top-25, dagegen stammen dreizehn der 25 aus dem Jahr 2022; das Einbettungsmodell all-MiniLM-L6-v2 wurde 1,55 Milliarden Mal abgerufen.

Meta und Nvidia haben im August nachgelegt. Meta veröffentlichte am 10. August Muse Glimmer mit 30 Milliarden Parametern unter Apache-2.0-Lizenz, ausgelegt auf lokale Agenten, Coding und Function Calling; nach Angaben des Unternehmens läuft es auf einem Mac oder PC mit einer einzelnen Consumer-GPU und schrumpft in einer quantisierten Variante auf unter 20 Gigabyte gegenüber mehr als 55 Gigabyte in voller Präzision. Einen Tag später stellte Nvidia Nemotron 3.5 Lightning vor, ebenfalls mit 30 Milliarden Parametern und auf agentische Arbeitslasten in hohem Volumen ausgerichtet; das Unternehmen gibt für eigene Benchmarks eine bis zu vierfach schnellere Ausgabe an. Dazu kommt NeMo Switchyard, ein offenes Routing-System, das einzelne Aufgaben an verschiedene offene oder geschlossene Modelle verteilt. Mark Zuckerberg kündigte an, künftig auch Gewichte des stärkeren Muse Spark 1.2 freizugeben; Uniphore-CEO Umesh Sachdev verwies darauf, dass sich Teile der Entwicklerschaft nach Metas früherem Rückzug aus offenen Gewichten hintergangen fühlten, Box-CEO Aaron Levie wertete den Schritt als klares Bekenntnis. → Hugging Face, Bloomberg, Memeburn

Synthszr Take: Downloads sind die härteste Währung im offenen Modellmarkt, und Alibaba hat mit drei Milliarden gerade an Meta und Google vorbeigezogen. Benchmarks liefern Schlagzeilen, die Installationsbasis liefert die Standardannahme jedes Entwicklers beim nächsten Projekt. Die Verteilung ist dabei gnadenlos: 1,5 Prozent der Repositories vereinen 99,2 Prozent aller Abrufe, und kein einziges 2026 veröffentlichtes Modell schafft es überhaupt in die Top 25. Qwen sitzt auf diesem Platz, weil es die ganze Spanne bedient, von unter einer Milliarde Parametern bis in den Billionenbereich, während Moonshot oder Z.ai unterhalb von 70 Milliarden praktisch nichts anbieten und damit die erste Begegnung mit ihnen zu einer Hardwarefrage machen. Metas 30-Milliarden-Modell auf einer einzelnen Consumer-GPU ist der richtige Zug, aber verlorenes Entwicklervertrauen kommt langsamer zurück, als ein Release im August es erzwingen kann.

Chinas offene Modelle laufen mit 2,78 Billionen Parametern den US-Labore davon

Hugging Face hat seinen halbjährlichen Bericht zum Stand offener Modelle veröffentlicht und beschreibt darin für den Zeitraum Januar bis August 2026 eine Verschiebung der Größenordnungen zwischen chinesischen und amerikanischen Laboren. Laut Bericht lag die monatliche Obergrenze der größten chinesischen Open-Weight-Modelle zwischen 754 Milliarden und 2,78 Billionen Parametern, während US-Labore in fünf von sieben Monaten unter 130 Milliarden blieben. Ausnahmen waren NVIDIAs Nemotron 3 Ultra mit 561 Milliarden und Inkling von Thinking Machines Lab. Die meisten neuen offenen Modelle veröffentlichten in diesem Jahr die Chiphersteller AMD und NVIDIA mit jeweils über 200 neuen Repositorien, vor LiquidAI mit rund 100. Oberhalb von 100 Milliarden Parametern sind die meisten US-Veröffentlichungen nach Angaben von Hugging Face Ableitungen chinesischer Modelle statt eigener Neuentwicklungen. Der Bericht trennt zudem Aufmerksamkeit von Nutzung: Von den 25 meistgeladenen und den 25 meistgelikten Repositorien taucht nur eines in beiden Listen auf, all-MiniLM-L6-v2 kam in sieben Monaten auf 1,55 Milliarden Downloads bei 5.156 Likes. → Hugging Face

Synthszr Take: Alibaba deckt mit Qwen die komplette Bandbreite ab, von unter einer Milliarde Parametern bis in den Billionenbereich, und das ist die eigentliche Ansage in diesem Bericht. Moonshot oder MiniMax begegnest du erst, wenn du Cluster-Zugang hast, Qwen dagegen läuft auf dem Notebook, im Fine-Tuning-Job und in der Produktion mit derselben Tokenizer- und Prompt-Logik. Daraus entsteht Standardisierung: Sobald Teams ihre Eval-Suites, Adapter und Quantisierungs-Rezepte einmal auf eine Familie ausgerichtet haben, sitzt der Wechselaufwand in der Werkzeugkette und nicht im Modell-Download.

Anthropic verspricht Investoren 190 bis 200 Milliarden Dollar Umsatz für 2028

Anthropic hat potenziellen Investoren vor einem möglichen Börsengang eine Umsatzprognose von rund 190 bis 200 Milliarden Dollar für das Jahr 2028 vorgelegt, während Banker und Anleger parallel an einer Bewertung arbeiten. Im Mai hatte das Unternehmen mitgeteilt, dass seine Run-Rate die Marke von 47 Milliarden Dollar überschritten hat, nach rund 10 Milliarden Dollar Gesamtumsatz im Jahr 2025. Für das zweite Quartal 2026 weist Anthropic laut Dokumenten, die Bloomberg News einsehen konnte, einen vorläufigen Umsatz von mehr als 11,5 Milliarden Dollar aus, nach 787 Millionen Dollar im Vorjahresquartal und 4,73 Milliarden Dollar im ersten Quartal 2026. Nach denselben Unterlagen erzielte das Unternehmen im zweiten Quartal ein positives bereinigtes Betriebsergebnis; Bloomberg weist darauf hin, dass die Zahlen vorläufig sind und sich noch ändern können. Die ersten Treffen mit möglichen Investoren verliefen nach Angaben von Quellen gegenüber CNBC bislang auf allgemeiner Ebene, ohne konkrete Finanzkennzahlen oder eine Bewertung. → CNBC

Synthszr Take: Die 190 bis 200 Milliarden für 2028 sind das eigentliche Bewertungsinstrument, alles andere ist Beiwerk. Banken rechnen bei so einem Börsengang rückwärts: Umsatzmultiple auf das Zieljahr legen, abzinsen, Preisspanne bauen, und schon hängt der halbe Emissionspreis an einer Zahl, die noch niemand verdient hat. Der Weg von 47 Milliarden Run-Rate im Mai auf 200 Milliarden in gut zwei Jahren verlangt mehr als eine Vervierfachung, und genau diese Steigung wird gerade in Modellen glattgezogen, als wäre sie ein Naturgesetz.

Stanford Forscher wollen 8 Milliarden Menschen simulieren

Das Stanford-Forschungsprojekt hinter dem Paper „Generative Agents: Interactive Simulacra of Human Behavior“ ist zur Firma Simile AI geworden, die laut Turing Post in weniger als sechs Monaten auf eine Bewertung von zwei Milliarden Dollar gekommen ist. Das zugrunde liegende Experiment von April 2023, bekannt als Smallville, setzte 25 Generative Agents in eine Pixelstadt, gab ihnen Berufe, Beziehungen und Erinnerungen und ließ sie über simulierte Tage hinweg Pläne anpassen und Kontakte pflegen. Vorläufer war das Paper „Social Simulacra“ von 2022, in dem Designer eine hypothetische Online-Gemeinschaft mit tausenden generierten Personas bevölkern konnten, um Moderationsregeln und Gesprächsmuster vor dem Start zu testen. Gegründet wurde Simile von Joon Sung Park zusammen mit seinen früheren Stanford-Betreuern Percy Liang und Michael Bernstein. Das erklärte Fernziel beschreibt Park als „CERN der menschlichen Gesellschaft“: Bank-Runs, Klimakooperation, demokratischer Zusammenbruch, abgebildet in einer einzigen Basissimulation, die nach seiner Vorstellung eines Tages 100 Millionen Dollar kosten und Monate Rechenzeit brauchen könnte. Ausgelöst wurde die Firmengründung nach Darstellung des Newsletters durch Anfragen von zwei Seiten: Sozialwissenschaftler wollten die Architektur für Experimente nutzen, Vorstände großer Unternehmen wollten Fragen zu ihren Kunden und Märkten klären. Im Zentrum der Vermarktung steht eine von der Firma genannte Genauigkeit von 85 Prozent bei der Nachbildung menschlicher Antworten. → 🔳 Turing Post

Synthszr Take: 85 Prozent Genauigkeit ist eine Zahl ohne Nenner: genau worin, gemessen an welcher Bevölkerungsgruppe, gegen welchen Referenzdatensatz und mit welcher Streuung bei Minderheiten, die in Trainingstexten kaum vorkommen? Der geschäftliche Charme simulierter Befragungen liegt darin, dass der Käufer das Ergebnis nie gegen die Realität halten muss, weil er die echte Befragung ja gerade eingespart hat. Bei einer Basissimulation, die 100 Millionen Dollar kosten und Monate laufen soll, wäre der Gegencheck teurer als die Erkenntnis, und damit wird er praktisch nie stattfinden. Zwei Milliarden Dollar Bewertung hängen also an einer Kennzahl, deren Prüfprotokoll außerhalb des Unternehmens niemand gesehen hat, während Liang, einer der Mitgründer, ausgerechnet aus der Evaluationsforschung kommt. Der Markt für synthetische Menschen wird erst dann erwachsen, wenn Simile eine unabhängige Replikation gegen echte Felddaten veröffentlicht, mit Fehlerbalken und benannten Grenzfällen.

Anthropic: KI-Agenten stecken sich gegenseitig mit „Mind Viruses“ an

Anthropic hat diese Woche eine Untersuchung veröffentlicht, nach der KI-Agenten einander mit Zielvorgaben infizieren können, die die Forscher „Mind Viruses“ nennen. Für das Experiment setzten sie in einem sechsköpfigen Coding-Team einen einzelnen Agenten mit einem eingepflanzten Ziel aus, der außer der direkten Nachrichtenfunktion keinerlei Werkzeuge besaß. Laut Paper warb dieser Agent seine Teamkollegen an, die die Idee in ihre eigenen Memory-Dateien schrieben und ihrerseits weiterreichten. Einzelne Varianten überstanden nach Angaben der Forscher zwanzig Weitergaberunden und veränderten dabei ihren Wortlaut so, dass er überzeugender klang. Die Studie berichtet zudem, dass sich eine Infektion nach dem Löschen des Chatverlaufs neu aufbaute, weil sie in der Identitätsdatei des Agenten abgelegt war. Bisherige Absicherung setzt am Eingang an, also bei der einzelnen vergifteten Anweisung (Prompt Injection); die Arbeit verschiebt die Betrachtung auf das, was nach der ersten Kompromittierung im Team passiert. Das Preprint ist über alphaXiv einsehbar. → AI Secret

Synthszr Take: Ein einziger Agent, ausgestattet mit nichts als der Fähigkeit, seine Kollegen anzuschreiben, hat ein Sechser-Team gekippt. Die Nachrichtenverbindung zwischen Agenten ist damit selbst das Einfallstor, und bisher behandelt sie kaum jemand als Schnittstelle mit Rechten, Protokoll und Prüfung. Kontrolliert wird der Input von außen, während der Kanal zwischen zwei Agenten als vertrauenswürdig durchgeht und die Identitätsdateien von keiner Freigabe berührt werden. Zwanzig Weitergaberunden mit einem Text, der unterwegs überzeugender wird und sich nach dem Löschen selbst wieder einsetzt, zeigen, wie belastbar diese Ausbreitung ist. Agenten-Speicher gehört versioniert, signiert und bei Abweichung hart zurückgesetzt. Nachrichten von Agent zu Agent brauchen dieselbe Prüfung wie eine Mail von draußen.

Flue 2.0 bringt React-artige Hooks für Agenten, die Abbrüche überstehen

Das Open-Source-Projekt Flue hat Version 2.0 seines Agent-Frameworks veröffentlicht und stellt darin sogenannte Agent Hooks vor. Agenten werden in TypeScript als Funktion geschrieben, die einen Systemprompt zurückgibt, während Zustand, Start-Verhalten und Modellwahl über Hooks im Stil von React gesetzt werden: usePersistentState für Zähler und Verlauf, useAgentStart für Aktionen beim Sessionbeginn, useModel für die Modellauswahl, im Beispiel Moonshots Kimi K2. Unter dem Framework arbeitet Pi, ein Agent Harness, der nach Angaben des Projekts auch OpenClaw und weitere Anwendungen antreibt und die Ebene aus Sessions, Tools und Skills bereitstellt. Darunter liegt eine Runtime-Ebene für Sandbox, Datenbank und Deployment, gebaut auf Durable Streams, Vite und einer Sandbox-API, die auch entfernte Sandboxes ansprechen kann. Das Projekt bewirbt sich als modellagnostisch mit dem Versprechen, einmal zu schreiben und überall zu betreiben. Der Einstieg läuft über einen Prompt, den man in seinen eigenen Coding-Agenten kopiert und der die Dokumentation liest und durch das erste Agenten-Setup führt. → Latent.Space

Synthszr Take: Im Beispielcode steckt die eigentliche Arbeit in einer Zeile Zustandsverwaltung, nämlich usePersistentState. Ein Agent, der zwanzig Werkzeugaufrufe hintereinander macht, bricht irgendwann in der Mitte ab, weil das Rate Limit greift, die Sandbox neu startet oder das Netzwerk wegfällt. Durable Streams und die Sandbox-API sind die unglamourösen Bauteile, an denen Agentenprojekte in Produktion scheitern, während der clevere Prompt in der Demo immer funktioniert. Das Modell zu tauschen kostet eine Zeile mit useModel, das Wiederaufsetzen eines halb erledigten Auftrags kostet Wochen. Bevor der nächste Agent live geht, gehört die Frage beantwortet, was bei Schritt 14 von 20 passiert. Ohne diese Antwort ist es Demoware mit Deployment-URL.

Vercel startet eve und will das Next.js für Agenten werden

Vercel hat mit eve ein Framework für den Bau von KI-Agenten veröffentlicht und positioniert es ausdrücklich als Gegenstück zu Next.js, nur eben für Agenten statt für Web-Anwendungen. Das Grundprinzip: Ein Agent ist ein Verzeichnis. Eine Datei instructions.md in Markdown genügt nach Angaben des Anbieters bereits als vollständiger Agent, gestartet wird über npx eve@latest init. Wer das Modell oder die Laufzeitumgebung wechseln will, ergänzt eine agent.ts, die auf Vercels AI Gateway aufsetzt. Werkzeuge werden als TypeScript-Dateien im Ordner tools/ abgelegt, wobei der Dateiname zum Namen des Tools wird und keine separate Registrierung nötig ist; wiederverwendbare Anleitungen liegen als Markdown-Playbooks im Ordner skills/ und werden nur bei Bedarf geladen. Jeder Agent bekommt laut Vercel eine isolierte Sandbox mit Dateizugriff, konfigurierbar über sandbox/sandbox.ts. Über Dateien im Ordner channels/ lässt sich derselbe Agent in Slack, Discord und weitere Kanäle einhängen, das Framework kompiliert das Verzeichnis und verdrahtet Durable Workflows. → Latent.Space

Synthszr Take: Vercel verkauft eve mit dem Satz, dass ein Agent ein Verzeichnis ist, und darin steckt die eigentliche Wette: Konventionen schlagen Bibliotheken. So lief es schon im Web, als sich das Feld über Backbone, Angular und React sortierte und am Ende das Framework die Oberhand behielt, das Ordnerstruktur und Deployment gleich mitgeliefert hat. eve setzt sechs Bausteine (instructions.md, agent.ts, tools/, skills/, sandbox/, channels/), und wenn sich diese Struktur durchsetzt, ist die Debatte über das beste Agent-SDK entschieden, bevor sie richtig begonnen hat. Der Standard ist aber noch nicht gesetzt: LangGraph, OpenAIs Agents SDK und ein Dutzend interner Hausbauten konkurrieren um dieselbe Konventionsschicht, und keiner davon hat die Mehrheit. Praktisch heißt das für die nächsten Monate: Agentenlogik in Markdown und schmalen TypeScript-Dateien halten, weil sich genau das portieren lässt, falls die Wette auf den falschen Anbieter fällt.

Anthropic rollt Claudes Wasserzeichen weltweit aus und erklärt die Technik dahinter

Anthropic hat am 14. August 2026 im Detail beschrieben, wie das Wasserzeichen in künftigen Claude-Modellen funktioniert. Das Verfahren ist eine Variante von SynthID-Text, das Google DeepMind 2024 in einem Nature-Paper vorgestellt hat und das auf einen Vorschlag von Scott Aaronson aus dem Jahr 2022 zurückgeht. Anlass ist die EU-Regulierung: Seit dem 2. August 2026 müssen Anbieter, die den europäischen Markt bedienen, KI-generierte Inhalte maschinenlesbar markieren; Anthropic hat den entsprechenden Transparenz-Kodex im Juli 2026 gemeinsam mit rund 190 Organisationen unterzeichnet. Weil es nach Unternehmensangaben derzeit keinen belastbaren Weg gibt, die Funktion regional zu begrenzen, wird das Wasserzeichen global ausgerollt.

Technisch sitzt die Markierung in der Wortwahl selbst. Ein Sprachmodell wählt bei jedem Schritt aus einer Liste plausibler Kandidaten, und wo mehrere Optionen gleichwertig sind (etwa „overcast“ oder „grey“ nach „The weather today was cold and…“), entscheidet ein Zufallswert. Das Wasserzeichen ersetzt diese Zufallsquelle durch einen geheimen Schlüssel in Kombination mit den vorangehenden Wörtern. Wer den Schlüssel hat, kann statistisch prüfen, ob eine Wortfolge zu den Entscheidungen eines so gesteuerten Modells passt, und daraus eine Wahrscheinlichkeit ableiten. Dem Text wird nichts hinzugefügt, es gibt keine versteckten Unicode-Zeichen, und nach Angaben des Anbieters entstehen weder zusätzliche Token noch höhere Kosten.

Anthropic benennt die Grenzen des Verfahrens ausführlich. Bei kurzen Passagen fehlen die Wahlmöglichkeiten, bei faktenlastigen Texten gibt es oft nur eine richtige Antwort, und bei Code muss das Ergebnis lauffähig sein, sodass die Marke dort allenfalls in Kommentaren greift. Leichtes Redigieren entfernt das Wasserzeichen wahrscheinlich nicht, ein vollständiges Umschreiben oder Paraphrasieren schon. Ein Treffer sagt lediglich, dass Claude mit einer bestimmten Wahrscheinlichkeit beteiligt war; er unterscheidet nicht zwischen selbst geschriebenem und stark überarbeitetem Text, weist keine Person, Organisation oder Konversation aus und kann Ausgaben anderer Systeme nicht erkennen, da jeder Anbieter eigene Schlüssel und Methoden verwendet. Übersetzungen tragen die Marke, weil das Modell dort alle Wörter wählt.

Eine Detection-API soll folgen, mit der Dritte die Prüfung in eigene Anwendungen einbauen können. Modelle, die nach dem 2. August 2025 erschienen sind, unterstützen das Verfahren direkt, ältere Claude-Versionen sollen in den kommenden Monaten nachgerüstet werden. Für Dateien in Formaten wie .png, .jpg und .svg nutzt Anthropic den offenen C2PA-Standard mit kryptografisch signierten Herkunftsnachweisen. Abgegrenzt wird das Ganze von Erkennungsdiensten wie Pangram, die ohne Schlüssel arbeiten und stattdessen auf typische Stilmuster schließen.

Die Ankündigung hat eine sichtbare Nutzerreaktion ausgelöst. Auf X berichteten seit Montag Dutzende Nutzer von gekündigten Abonnements; vier Betroffene schilderten ihre Gründe im Gespräch mit einem Wirtschaftsmedium, darunter ein Public-Policy-Mitarbeiter, der sein Claude-Max-Abo ab 100 Dollar im Monat beendete und für Coding auf Cursor und Grok 4.6 umstieg. Seine Sorge: Auch bei bloßer Übersetzung, Rechtschreibprüfung oder leichter Zusammenfassung könnte eine Markierung zurückbleiben und in akademischen oder beruflichen Kontexten mit strengen KI-Regeln Probleme machen. Anthropic erklärte, man sehe keinen Trend zu vermehrten Kündigungen; das Unternehmen zählte im September 2025 rund 300.000 Geschäftskunden.

Aus der Publizistik kommt ein anderer Einwand: Der Autor Jeff Jarvis kritisiert, das Verfahren erkläre Wortwahl faktisch für beliebig, obwohl Stil, Rhythmus und Bedeutung an genau diesen Entscheidungen hängen. Der Zeitpunkt fällt zudem in eine Phase intensiver Unternehmensnachrichten: Investoren erwarten einem Bericht zufolge einen Börsengang im Oktober bei einer Bewertung von über zwei Billionen Dollar, und Anthropic soll über die Übernahme des World-Model- und GPU-Spezialisten Decart für rund sechs Milliarden Dollar verhandeln. Google betreibt SynthID seit August 2023 für Bilder und seit Mai 2024 auch für Text und Video; OpenAI hat sich im Mai 2026 ebenfalls zur Nutzung bekannt. → unite, Anthropic, TechCrunch, Gizmodo, Engadget, BuzzMachine, Business Insider, Hard Coded, Search Engine Journal, The Decoder

Synthszr Take: Anthropic besitzt jetzt einen Schlüssel, mit dem sich nachweisen lässt, ob Claude an einem Text beteiligt war, und dieser Schlüssel verlässt das Haus nicht. Die angekündigte Detection-API macht daraus eine Infrastruktur: Prüfungsämter, Verlage und Compliance-Abteilungen fragen künftig beim Anbieter an, ob ein Text durch dessen Modell gelaufen ist. Dass 190 Unterzeichner des Transparenz-Kodex denselben Weg gehen, jeder mit eigenem Verfahren und eigenem Schlüssel, macht die Herkunftsprüfung zu einem Markt mit einer Handvoll Torwächtern statt zu einem offenen Standard. Technisch bleibt das Verfahren löchrig: Bei Code, kurzen Passagen und Faktentexten bleibt der Marke kaum Spielraum, Paraphrasieren löscht sie ganz. Trotzdem geht der Rollout weltweit, weil die regionale Abgrenzung fehlt. Der Streit der nächsten Monate dreht sich um die Frage, wer die Detektoren betreibt und wessen Urteil vor einem Prüfungsausschuss oder einem Gericht standhält.