Merz will Roboter-Rechte einschränken

Merz: Roboter-KI brauchen keinen EU AI Act

Auf der Hannover Messe forderten Bundeskanzler Friedrich Merz und Siemens-CEO Roland Busch eine Ausnahme für industrielle KI vom EU AI Act. Merz warnte, Europa müsse das „zu enge regulatorische Korsett“ lockern, um die Produktivität zu steigern und Kosten zu senken. Busch drohte konkret damit, Investitionen in die USA und China zu verlagern, falls die EU industrielle Maschinendaten weiterhin als personenbezogene Daten behandelt. Mit einer Marktkapitalisierung von 194 Milliarden Euro ist Siemens Deutschlands wertvollstes Unternehmen und damit ein wichtiger Akteur in dieser Debatte. Die Forderungen kommen zu einem kritischen Zeitpunkt: Am 2. August 2026 tritt der EU AI Act vollständig in Kraft. → Techpresso

Synthszr Take: Industrielle Maschinendaten wie personenbezogene Daten zu behandeln, ist absurd. Der Temperatursensor an einer Gasturbine hat kein informationelles Selbstbestimmungsrecht, und wenn wir so tun, als ob, verlieren wir die einzige KI-Disziplin, in der Europa noch führend ist. Das Problem: Merz redet, Busch droht, und am 2. August 2026 tritt der AI Act trotzdem in vollem Umfang in Kraft. Reden allein bewegt hier nichts mehr. Radikales Handeln ist angesagt. Was funktionieren würde, hat China 1980 vorgemacht. Deng Xiaoping hat Shenzhen zur Sonderwirtschaftszone erklärt, damals dreißigtausend Einwohner, heute siebzehn Millionen und Weltzentrum der Hardware. Wir brauchen so etwas für KI, und zwar in Deutschland. Zwei, drei Zonen rund um Erlangen, Aachen, München, in denen industrielle KI, Robotik und autonome Systeme trainiert und eingesetzt werden dürfen, ohne den vollen Brüsseler Compliance-Apparat abzuarbeiten. Klare Haftung, geregelter Datenzugang, Genehmigungen in Wochen statt in Jahren. Siemens' Kapitalflucht-Drohung ist das älteste Playbook der Konzerne, aber diesmal hat sie ein echtes Preisschild, weil die Alternative Heilbronn oder Hangzhou heißt, und dieses Rennen verlieren wir gerade, bequem im Sofa sitzend.

Sergey Brin persönlich jagt Anthropics Code-Vorsprung

Google hat ein spezialisiertes Team unter der Leitung von DeepMind-Ingenieur Sebastian Borgeaud zusammengestellt, um die Programmierfähigkeiten seiner Gemini-Modelle zu verbessern. Der Fokus liegt auf komplexen, langfristigen Programmieraufgaben wie dem Schreiben neuer Software von Grund auf – Arbeiten, die erfordern, dass Modelle Dateien lesen und herausfinden, was der Nutzer tatsächlich will. Google-Forscher bewerten Anthropic-Coding-Tools als überlegen, was die Dringlichkeit erklärt. Sergey Brin treibt die Initiative persönlich voran und schrieb in einem internen Memo: „Um den finalen Sprint zu gewinnen, müssen wir dringend die Lücke in der agentischen Ausführung schließen und unsere Modelle zu primären Entwicklern machen.“ Brin verlangt von jedem Gemini-Ingenieur, interne Agenten für komplexe, mehrstufige Aufgaben zu nutzen. Google trainiert zunehmend Modelle auf seiner internen Codebasis, die sich stark vom öffentlichen Code unterscheiden – diese Modelle können nicht veröffentlicht werden, könnten jedoch dabei helfen, bessere öffentliche Modelle zu entwickeln → Techpresso

Synthszr Take: Sergey Brin verwandelt Google in eine sich selbst programmierende Maschine, ähnlich einem Bootstrapping-Compiler, der sich selbst kompiliert. Die Idee erinnert an Douglas Hofstadters „seltsame Schleifen“: Code schreibt Code, der bessere Code schreibt. Während OpenAI eine Million Dollar täglich für Sora verbrannte, konzentriert sich Google auf den Hebelpunkt schlechthin: Wenn deine KI programmieren kann, kann sie sich selbst verbessern. Das interne „Jetski“-Tool wird zum Transmissionsriemen dieser Transformation, gemessen am Token-Verbrauch wie in einer digitalen Planwirtschaft. Der eigentliche Clou ist Googles interne Codebasis als Trainingsmaterial – ein Walled Garden, der paradoxerweise offene Innovation ermöglichen soll. Brin wettet darauf, dass der Weg zur AGI über selbstverbessernde Coding-Agenten führt, nicht über spektakuläre Videos.

ChatGPT verschmilzt Reasoning und Bildgenerierung

OpenAI hat ChatGPT Images 2.0 als ersten Bildgenerator mit nativer Reasoning-Funktion vorgestellt. Das neue Modell gpt-image-2 kann komplexe visuelle Aufgaben durchdenken, eigene Ausgaben verifizieren und bis zu acht konsistente Bilder aus einem einzigen Prompt generieren. Im „Thinking Mode“ analysiert das System die Struktur eines Bildes, bevor es mit der Generierung beginnt, was besonders für Manga, Storyboards und mehrteilige Designs relevant ist. Die 2K-Auflösung, verbesserte multilinguale Text-Rendering-Fähigkeiten (insbesondere für Japanisch, Koreanisch, Chinesisch, Hindi und Bengalisch) sowie flexible Seitenverhältnisse positionieren Images 2.0 als Werkzeug für professionelle Anwendungen. Das Modell ist über die API verfügbar, wobei erweiterte Funktionen den Plus-, Pro- und Business-Abonnenten vorbehalten sind. Der Launch erfolgt unter Wettbewerbsdruck: Googles Gemini führt das LM Arena Text-to-Image Leaderboard an, während OpenAI DALL-E 2 und 3 im Mai einstellt. → thenewstack.io

Synthszr Take: OpenAI baut ChatGPT zu einer Produktentwicklungsplattform um, bei der Bilder nicht mehr isolierte Outputs sind, sondern konsistente Assets für iterative Projekte. Der Thinking Mode macht aus einem Zufallsgenerator ein Werkzeug, das Layoutregeln versteht und Charaktere über mehrere Bilder hinweg identisch hält – genau die Funktionalität, die professionelle Designer für Storyboards oder Markenkampagnen brauchen. Parallel zeigt Googles Talking Tours, wie multimodale KI zum Interface wird: GPS-Koordinaten plus Bildanalyse plus Sprachausgabe ergeben einen kontextsensitiven Guide, der genau darauf reagiert, was im Kamerabild erscheint. Die Entwicklung erinnert an den Übergang von statischen Webseiten zu dynamischen Apps: KI-Modelle werden zu reaktiven Umgebungen, die Kontext verstehen und aufrechterhalten. ChatGPTs geplante Always-On-Agenten sind der logische nächste Schritt – vom Werkzeug zur digitalen Workforce.

Elon Musk will CursorX

SpaceX hat eine Vereinbarung mit dem KI-Startup Cursor getroffen, die eine Übernahme für 60 Milliarden Dollar später in diesem Jahr ermöglichen könnte. Der Deal kommt zu einem kritischen Zeitpunkt: SpaceX bereitet gerade einen der größten Börsengänge aller Zeiten vor, möglicherweise schon im Juni. Die Vereinbarung gibt SpaceX die Option, Cursor für 60 Milliarden Dollar zu übernehmen oder alternativ 10 Milliarden Dollar für die Zusammenarbeit zu zahlen. Erst im Februar hatte SpaceX bereits xAI, Elon Musks anderes KI-Startup, übernommen – eine Transaktion, die das kombinierte Unternehmen mit 1,25 Billionen Dollar bewertete. Cursor, 2022 gegründet und mit über 3 Milliarden Dollar finanziert, geriet zuletzt unter Druck durch konkurrierende Code-Schreib-Tools von OpenAI und Anthropic. → New York Times

Synthszr Take: Musk baut sich eine vertikale KI-Infrastruktur wie ein Telekom-Konzern der 1990er: vom Netz (Starlink) über die Endgeräte (Tesla) bis zur Software (xAI, Cursor). Die 60-Milliarden-Option für Cursor ist dabei weniger ein Kaufpreis als eine Versicherungsprämie gegen die eigene Disruption. Code-Generierung wird zur Commodity, aber wer sie mit orbitalen Rechenzentren und satellitengestützter Latenz kombiniert, schafft einen physischen Burggraben, den Software allein nicht kopieren kann. Das erinnert an die frühen Eisenbahnbarone, die nicht Züge verkauften, sondern Landrechte entlang der Schienen kontrollierten. SpaceX wettet darauf, dass die nächste Welle der KI-Entwicklung nicht in der Cloud stattfindet, sondern im Orbit.

Google erweitert DeepResearch auf Unternehmensdaten

Google hat zwei neue KI-Agenten vorgestellt: Deep Research und Deep Research Max. Beide basieren auf Gemini 3.1 Pro und können erstmals öffentliche Webdaten mit proprietären Unternehmensinformationen in einem einzigen API-Call kombinieren. Die Agenten generieren native Charts und Infografiken direkt in Forschungsberichten und verbinden sich über das Model Context Protocol (MCP) mit beliebigen Datenquellen von Drittanbietern. Deep Research optimiert für Geschwindigkeit und interaktive Anwendungen, während Deep Research Max mit erweiterter Test-Time Compute arbeitet und gründlichere, asynchrone Analysen liefert. CEO Sundar Pichai berichtet von 93,3% Genauigkeit bei DeepSearchQA und 54,6% bei HLE für die Max-Variante. Die MCP-Integration ermöglicht es, interne Datenbanken, Dokumentenrepositorys und spezialisierte Datendienste sicher abzufragen, ohne dass sensible Informationen ihre Umgebung verlassen müssen. Google kooperiert bereits mit FactSet, S&P und PitchBook an MCP-Server-Designs für Finanzdienstleister. → VentureBeat

Synthszr Take: Google baut hier eine Art Schweizer Taschenmesser für Unternehmensanalysten, das endlich die Grenze zwischen öffentlichen und privaten Daten überwindet. Die Zweiteilung in Standard und Max erinnert an die Doppelstruktur vieler biologischer Systeme: schnelle Reflexe für den Alltag, gründliche Verarbeitung für komplexe Entscheidungen. Das Model Context Protocol funktioniert dabei wie eine Art diplomatische Immunität für Daten; sie können abgefragt werden, ohne ihren sicheren Hafen verlassen zu müssen. Besonders clever ist die Kooperation mit etablierten Datenprovidern wie FactSet, denn Google umgeht damit elegant das Henne-Ei-Problem neuer Standards. Die native Chart-Generierung mag banal klingen, aber sie verwandelt KI-Output von Rohtext in präsentationsreife Dokumente, was den Unterschied zwischen einem Werkzeug und einem Kollegen ausmacht. Google setzt darauf, dass Unternehmen ihre wertvollste Ressource, proprietäre Daten, nur dann mit KI verknüpfen, wenn sie die volle Kontrolle behalten.

Meta macht die eigene Workforce zu Click-Worker

Meta hat eine neue Quelle für KI-Trainingsdaten erschlossen: die digitalen Bewegungsmuster der eigenen Belegschaft. Das Unternehmen plant, Mausbewegungen und Tastenanschläge seiner Mitarbeiter aufzuzeichnen, um damit KI-Modelle zu trainieren, die Menschen bei alltäglichen Computeraufgaben unterstützen sollen. Ein Meta-Sprecher bestätigte gegenüber TechCrunch die Einführung eines internen Tools, das diese Interaktionen in bestimmten Anwendungen erfasst. Das Unternehmen versichert, Schutzmechanismen für sensible Inhalte implementiert zu haben. Die Daten würden ausschließlich für das Training verwendet. Diese Entwicklung reiht sich ein in einen breiteren Trend: Letzte Woche wurde bekannt, dass alte Start-ups nach ihren Slack-Archiven und Jira-Tickets durchforstet werden, um daraus KI-Trainingsdaten zu gewinnen. → TechCrunch AI

Synthszr Take: Meta verwandelt seine Büros in ein gigantisches Usability-Labor, in dem die Versuchskaninchen zugleich die Forscher sind. Das erinnert an die Selbstbeobachtungsprotokolle der frühen Psychologie, nur dass Wilhelm Wundt keine Milliarden-Dollar-Infrastruktur zur Verfügung hatte. Die Ironie: Während Unternehmen jahrzehntelang Produktivitäts-Tracking als Überwachung tarnten, wird dieselbe Technologie jetzt zur Produktentwicklung umgewidmet. Meta wettet darauf, dass authentische Arbeitsabläufe bessere Trainingsdaten liefern als synthetische Beispiele oder externe Datensätze. Der Preis dieser Wette ist die weitere Verwischung der Grenze zwischen Arbeitsplatz und Datenfarm. Was als „Safeguards“ gilt, wenn der Arbeitgeber gleichzeitig Datensammler und KI-Entwickler ist, bleibt eine offene Frage.

Claude kann jetzt auch Live-Dashboards

Anthropic erweitert Claude um die Cowork-Funktion, die es dem KI-Modell ermöglicht, Live-Dashboards, Tracking-Systeme und interne Tools zu erstellen, die direkt mit Plattformen wie Slack, Salesforce, Google Drive, Asana und Jira verbunden sind. Die generierten Reports aktualisieren sich automatisch bei jedem Öffnen. Aufgaben, die früher Business-Intelligence-Software, komplexe Datenpipelines und technische Teams erforderten, lassen sich jetzt mit einem Prompt und einem Klick auf eine Berechtigung erledigen. In einer frühen Demo erstellte Claude innerhalb einer Minute ein kombiniertes Google- und Meta-Ads-Dashboard, das Kampagnendaten abruft, Trends identifiziert und wiederkehrende Aufgaben plant. → AI Valley

Synthszr Take: Claude entwickelt sich vom Sprachmodell zur betrieblichen Nervenzentrale. Das Prinzip erinnert an die Umstellung vom Festnetz auf den Mobilfunk: Nicht die Telefonzelle wird smart, sondern jeder trägt sein eigenes Netz mit sich. Anthropic demokratisiert hier nicht KI, sondern Business Intelligence. Der Clou liegt in der Echtzeitanbindung: Während traditionelle BI-Tools Daten importieren und transformieren, greift Claude direkt an die Quellsysteme heran. Das macht aus jedem Mitarbeiter einen potenziellen Datenanalysten (vorausgesetzt, die IT-Abteilung spielt mit). Die Ein-Minuten-Demo für das Ads-Dashboard zeigt, wohin die Reise geht: KI als universeller Adapter zwischen fragmentierten Unternehmenssilos.

Apple Intelligence: Die Anatomie einer angekündigten Enttäuschung

Apple verzögert die „persönlicheren Siri“-Funktionen von Apple Intelligence auf unbestimmte Zeit. Was für Juni 2025 angekündigt war, verschiebt sich in „das kommende Jahr“. Tech-Journalist John Gruber ärgert sich über sich selbst: Die Warnsignale waren von Anfang an da. Bei der WWDC 2024 demonstrierte Apple nur die trivialen Features selbst (Writing Tools, Photos Clean Up, Genmoji), während die ambitionierten Versprechen reine Ankündigungen blieben. Grubers Analyse zeigt vier Stufen der „Produktreife“: von kontrollierten Demos über betreute Hands-on-Sessions bis hin zu Beta-Software und der finalen Veröffentlichung. Alles, was Apple bisher ausgeliefert hat, war bereits bei der WWDC demo-bereit. Die wirklich transformativen Features – die personalisierte, kontextbewusste Siri – existierten nie über Mockups hinaus. → Daring Fireball

Synthszr Take: Gruber hat das Phänomen der „Demo-Distanz“ perfekt seziert. Je weiter ein Feature von der tatsächlichen Nutzbarkeit entfernt ist, desto größer ist die Wahrscheinlichkeit, dass es nie ankommt. Das erinnert an das Konzept der „technischen Schuld“ in der Softwareentwicklung, nur umgekehrt: Apple hat sich „Feature-Schulden“ aufgeladen, indem es Versprechen abgab, bevor die technische Grundlage existierte. Die vier Reifegrade funktionieren wie geologische Schichten – was oben liegt (fertige Demos), ist real; was tief unten liegt (reine Ankündigungen), ist oft nur heißer Dampf. Apple Intelligence als Marketingschirm verschleiert elegant, dass die revolutionären Features nie über das PowerPoint-Stadium hinauskommen. Das Problem ist nicht, dass Apple zu langsam ist, sondern dass sie zu früh versprochen haben.

Sieben Denkmodelle für die KI-Infrastruktur-Ära

Die meisten Beobachter des KI-Wettlaufs schauen auf die falschen Indikatoren. Sie verfolgen Modell-Releases, zählen Parameter, analysieren Benchmark-Scores und beobachten Nvidias Aktienkurs als Stellvertreter für alles andere. Diese Signale sind nützlich, aber sie sind nachgelagerte Effekte eines fundamentaleren Phänomens: des physischen Infrastruktur-Wettlaufs unterhalb der Modell-Ebene. Zwischen Q1 2024 und Q4 2025 wuchs die verfügbare KI-Rechenkapazität um das 8,5-fache – von 2,5 Millionen auf 21,3 Millionen H100-äquivalente Einheiten. Diese Expansion erzählt keine Geschichte über Chips, sondern über Macht: Wer kontrolliert das Substrat, auf dem alle KI-Fähigkeiten laufen? Wer baut strategische Unabhängigkeit auf? Wer ist an einen einzigen Lieferanten gebunden? Der Artikel präsentiert sieben mentale Modelle als übertragbare analytische Werkzeuge, um die strukturellen Dynamiken der KI-Compute-Ära zu verstehen – Modelle, die sich auf jede Industrie anwenden lassen, in der Infrastruktur, Lieferketten und Plattform-Ökosysteme aufeinandertreffen. → The Business Engineer

Synthszr Take: Die 8,5-fache Expansion der KI-Rechenkapazität in nur sechs Quartalen erinnert an die Eisenbahnexpansion des 19. Jahrhunderts: Wer die Gleise kontrollierte, bestimmte die wirtschaftliche Geografie ganzer Kontinente. Der Unterschied heute: Die „Gleise“ sind nicht mehr physisch sichtbar, sondern verstecken sich in Rechenzentren, die mehr Strom verbrauchen als mittelgroße Städte. Der Fokus auf mentale Modelle statt auf Produktroadmaps ist klug – Infrastruktur-Dominanz folgt anderen Regeln als Software-Innovation. Während alle auf GPT-5 warten, entscheidet sich die Zukunft der KI möglicherweise bereits in den Verhandlungsräumen zwischen Chip-Herstellern und Stromversorgern. Die wahre Knappheit im KI-Zeitalter ist nicht Intelligenz, sondern Energie.