Kategorie: KI-News

Du entdeckst eine Kiste voller alter 8-Bit-Spiele – die Cartridges sind da, aber kein Rechner. So ging es Mathematikern mit Java-Applets aus den Neunzigern: browserlesbare Digitalfossile. Terence Tao hat das Problem angepackt, nicht mit Schraubenzieher, sondern mit einem KI-Agenten. Das Ergebnis zeigt, wie Sprachmodelle Legacy-Code vereinfachen.

Tao begann 1999, Java-Applets für seine Kurse zu schreiben. Er visualisierte mathematische Objekte wie Honeycombs und Besicovitch-Mengen. Die Applets waren nützlich, aber zeitaufwendig. Mit der Zeit starb die Browserunterstützung – die Applets wurden nutzlos. Dann beauftragte er einen KI-Agenten, sie in JavaScript zu portieren. Der Agent erledigte zwei Dutzend Applets in wenigen Stunden.

Fast zu gut, um wahr zu sein? LLM-basierte Agenten bauen subtile Fehler ein. Tao fand nur einen Bug: ein Drag-Ereignis in einem Analysis-Applet. Der Agent identifizierte zwei Fehler im Originalcode. Netto-Null-Effekt. Die Applets sind sekundäre Hilfsmittel – das Risiko ist überschaubar. Der Präzisionsgrad ist gut.

Der Erfolg ermutigte Tao zu einem ehrgeizigeren Projekt: einer Vision von 1999, einem Visualisierungstool für die spezielle Relativitätstheorie – quasi Inkscape im Minkowski-Raum. Inkscape existierte noch nicht, sein Java-Code war zu komplex. Nach ein paar Stunden Programmieren im Dialog mit einem KI-Agenten war ein funktionierender Prototyp fertig. Tao nennt das Programmieren im Dialog mit dem Modell. Der Applet erlaubt interaktive Minkowski-Diagramme, inklusive Zeitdilatation und Längenkontraktion. Tao veröffentlichte Code und Dialog. Es ist eine Alphaversion.

Nach einem Blog-Beitrag über die Gilbreath-Vermutung ließ er den Agenten in wenigen Stunden eine interaktive Visualisierung erstellen. Der Prozess war schmerzfrei: in wenigen Stunden ein brauchbares Ergebnis. Früher wäre das ein kleines Forschungsprojekt gewesen. Heute entsteht es in einer Kaffeepause. Das Risiko von Fehlern bleibt, aber die Visualisierungen sind nicht mission-critical. Der Nutzen überwiegt.

KI-Coding-Agenten werden zu einem Werkzeug für digitale Restauration. Taos Experiment zeigt: auch zwei Jahrzehnte alte Codebasen lassen sich mit geringem Aufwand in moderne Sprachen überführen – mit niedriger Fehlerrate. Für Lehrer und Forscher eröffnet sich eine neue Möglichkeit: interaktive Visualisierungen in Stunden statt Wochen. Der Agent agiert als produktiver Assistent. Tao hat das demonstriert. Alte Applets werden zu Sprungbrettern für neue Ideen. Webseiten mit toten Java-Applets gehen zu Ende.

Die Frage ist nicht, ob KI-Agenten das können – sie haben es gezeigt. Sondern wie wir sicherstellen, dass die Visualisierungen mathematisch korrekt sind, wie wir die Prozesse dokumentieren und wie wir Plattformen zum Teilen schaffen. Tao hat einen Anstoß gegeben. Jetzt liegt es an uns, das Werkzeug zu nutzen. Ähnliche Anwendungen werden in anderen Bereichen folgen, in denen alter Code neues Wissen birgt.

Quelle: terrytao.wordpress.com

Du greifst nach einem nassen Glas. Deine Finger spüren sofort, ob es rutscht, und passen den Druck an, bevor es dir aus der Hand gleitet. Diese Bewegung ist für einen Roboter eine der kniffligsten Aufgaben. Humanoiden Maschinen fehlt genau diese Fähigkeit. Sie können laufen, aber an den Händen scheitern sie noch. Das norwegische Unternehmen 1X, das heute in Palo Alto sitzt, hat seinem Haushaltsroboter NEO neue Hände verpasst. Die sind das Spannendste an der Maschine.

Jede Hand verfügt laut 1X über 25 Freiheitsgrade: 22 in den Fingern und der Handfläche, drei weitere im Handgelenk. Das allein macht sie beweglich. Die taktilen Sensoren messen nicht nur Druck, sondern auch Scherkräfte. So merkt die Hand, wenn ein Glas rutscht, und verstärkt den Griff – bevor es auf den Boden knallt. Wired, das einen frühen Blick auf die Technik werfen durfte, bezeichnet die Bewegungen der Finger als „freaky fast“. Doch die Geschwindigkeit ist Nebensache. Wichtig ist, dass die Hand fühlen kann, was sie hält.

Fabrikroboter haben seit Jahren Greifer, aber die arbeiten mit immer gleichen Teilen an immer gleichen Positionen. Ein Zuhause ist das Gegenteil: Objekte tauchen in seltsamen Formen, nassen Oberflächen oder unvorhersehbarem Gewicht auf. Ein Robotergreifer, der nur zu- und aufklappen kann, ist hier nutzlos. 1X hat die Hände deshalb backdrivable konstruiert: Die Gelenke geben nach, wenn man sie drückt, statt starr zu bleiben. Ein Stoß wird nicht zum Kampf. Die Finger lassen sich über den menschlichen Bewegungsspielraum hinaus biegen und umschließen unförmige Gegenstände. Die Hülle ist nach IP68 zertifiziert und besteht aus lebensmittelechten Materialien – sinnvoll für den Einsatz in der Küche oder am Waschbecken.

Aber eine leistungsfähige Hand allein macht noch keinen tüchtigen Haushaltsroboter. NEO muss das Objekt erst erkennen, die richtige Griffart wählen und die Aufgabe in einer unordentlichen Umgebung wiederholen – ohne dass ihm jemand den Weg bereitet. Ein polierter Democlip beweist das nicht. 1X räumt selbst ein, dass die Autonomie noch ein laufendes Projekt ist. Für Aufgaben, die NEO nicht kennt, gibt es den „Expert Mode“: Ein menschlicher Operator übernimmt per Fernsteuerung. Das ermöglicht die Steuerung einer Flotte, bedeutet aber auch, dass eine fremde Person eine kamerabestückte Maschine in deinem Zuhause dirigieren kann. Datenschutzfragen bleiben offen.

Die Entwicklung von 1X ist kein Einzelfall. Das Unternehmen startete als Halodi Robotics in Norwegen und reiht sich damit in eine stille europäische Konkurrenz um den humanoiden Haushaltsroboter ein. Während manche Rivalen argumentieren, dass Heimroboter auf Beine und Finger ganz verzichten sollten, und andere die ganze Humanoid-Euphorie für überzogen halten, läuft unter der Oberfläche der Wettlauf um die funktionierende Roboterhand. NEO ist bereits vorbestellbar – gegen eine Anzahlung von 200 Dollar. Die Hände sind der überzeugendste Teil des Angebots. Der nächste Demo wird nicht das Finger-Trommeln zeigen, sondern NEO, wie es eine alltägliche Aufgabe vom Anfang bis zum Ende eigenständig erledigt.

Die Fortschritte bei der Sensorik und Beweglichkeit sind beachtlich. Trotzdem bleibt die Frage, ob die weiche, anpassungsfähige Greiftechnik in den rauen Alltag eines Durchschnittshaushalts halten kann. Ein Prototyp, der unter Laborbedingungen funktioniert, ist noch kein Serienprodukt, das mit Fett, Feuchtigkeit und Kinderhänden zurechtkommt. 1X hat einen wichtigen Schritt gemacht – den Beweis für Robustheit und Zuverlässigkeit bleibt das Unternehmen noch schuldig. Ob die Hände nicht nur fühlen, sondern auch dauerhaft funktionieren, muss sich erst zeigen.

Quelle: thenextweb.com

Stell dir vor, du hast jahrelang in einer Küche gearbeitet und kennst jedes Rezept. Dann gehst du zu einem neuen Restaurant und nimmst die geheimen Rezepte mit. Du backst die gleichen Kuchen unter anderem Namen. Das wirft Apple OpenAI vor. Nur geht es um Hardware-Entwicklung für Milliarden Geräte. Die Zutaten sind Geschäftsgeheimnisse im Wert von Hunderten Milliarden Dollar.

Apple reichte Ende Juli 2026 eine Klage beim Bundesgericht in Nordkalifornien ein. Zwei ehemalige Mitarbeiter – Chang Liu und Tang Yew Tan – sollen systematisch vertrauliche Informationen und Geschäftsgeheimnisse gestohlen und an OpenAI weitergegeben haben. OpenAI selbst und die Tochterfirma io Products LLC werden als Mitwisser und Nutznießer verklagt. Die Klageschrift beschreibt versteckte Zugriffe auf Netzwerke, Anleitungen zur Umgehung von Sicherheitsprotokollen und die Aufforderung an Bewerber, echte Apple-Prototypen zu Vorstellungsgesprächen mitzubringen. Apple bezeichnet den Fall als „Spitze des Eisbergs“.

Was genau ist passiert? Die Vorwürfe im Detail

Chang Liu war acht Jahre Senior System Electrical Engineer bei Apple. Er arbeitete an sensiblen Hardware-Projekten und hatte Zugang zu streng geheimen Informationen. Als er im Januar 2026 zu OpenAI wechselte, ignorierte er Apples Aufforderungen, seine Geräte zurückzugeben. Er behielt einen Firmenlaptop, der noch auf Apples Netzwerk authentifiziert war. Liu entdeckte einen seltenen Authentifizierungsfehler, der ihm Zugriff auf Apples gemeinsame Netzwerkordner verschaffte. Statt ihn zu melden, nutzte er ihn wochenlang aus und lud Dutzende vertraulicher Dateien herunter – technische Präsentationen, Spezifikationen unveröffentlichter Produkte und proprietäre Projektdaten. Er feierte das in Nachrichten auf dem Laptop eines Kollegen mit „LOL“ und dem Kommentar, das sei „so lustig“. Gleichzeitig half er einer früheren Kollegin, die OpenAI ebenfalls beitreten wollte, beim Umgehen von Apples Sicherheitsmaßnahmen. Er riet ihr, bestimmte geheime Dokumente über unangekündigte Produkte zu studieren und nur über separate Messaging-Apps zu kommunizieren.

Tang Yew Tan hatte eine höhere Position. Er war 24 Jahre bei Apple, zuletzt als Vice President of Product Design für iPhone und Apple Watch. Heute ist er Chief Hardware Officer bei OpenAI. Laut Klage sammelte Tan schon vor seinem Wechsel Apples Geschäftsgeheimnisse: Er mailte sich Listen von Apple-Zulieferern und interne Marktanalysen an seine private Adresse. Nach dem Wechsel soll er bei Vorstellungsgesprächen für OpenAI systematisch Apples interne Codenamen für unveröffentlichte Produkte verwendet haben, um Bewerber auszufragen. Er forderte Kandidaten auf, echte Apple-Bauteile mitzubringen – „show and tell“ nannte er das. Ein Bewerber war überrascht und sagte, er habe nicht gewusst, dass man Teile aus dem Büro mitnehmen dürfe. Tan soll zudem ein internes Apple-Dokument über Sicherheitsverfahren bei Mitarbeiterabgängen besitzen und es neuen OpenAI-Hires vor ihrem Abschied von Apple zeigen – damit sie wissen, wie sie die Sicherheitsprotokolle umgehen können.

Ein organisiertes Muster – nicht nur Einzelfälle

Apple betont, dass es sich nicht um das Fehlverhalten einzelner Mitarbeiter handelt. Bei OpenAI sei eine Kultur entstanden, die den Diebstahl von Geschäftsgeheimnissen systematisch fördere. Auch andere ehemalige Apple-Mitarbeiter, die zu OpenAI wechselten, schickten vertrauliche Daten an private E-Mail-Adressen. OpenAI habe in Stellenanzeigen und während des Bewerbungsprozesses explizit nach CAD-Dateien, Prototypen und Details zu Lieferanten gefragt. Die Firma io Products, die OpenAI übernommen hatte und die von Tan und anderen Ex-Apple-Führungskräften mitgegründet wurde, soll einen von Apples vertrauten Partnern dazu gebracht haben, eine spezielle Metallveredelungstechnik für OpenAI auszuführen – unter dem Vorwand, Apple habe dem zugestimmt. Apple sieht darin einen koordinierten Angriff auf sein geistiges Eigentum.

Warum ist das so brisant? Ein Blick auf die Hintergründe

OpenAI ist als KI-Unternehmen bekannt – mit ChatGPT hat es die Welt im Sturm erobert. Aber die Firma arbeitet an eigener Hardware, vermutlich für KI-gestützte Geräte. Der Chief Hardware Officer ist ein erfahrener Apple-Manager. Apple hat in über vier Jahrzehnten ein Netzwerk aus Fertigungspartnern, Lieferketten und Produktionsgeheimnissen aufgebaut, das kaum zu kopieren ist. Wenn OpenAI sich diese Informationen durch ehemalige Mitarbeiter beschafft, spart es sich jahrelange Forschung und Milliarden an Investitionen. Die Klage ist deshalb eine Warnung an alle Tech-Unternehmen, die versuchen könnten, sich Vorteile durch abgeworbenes Personal zu verschaffen. Es geht um die Grundlage des Wettbewerbs: Wer investiert in Innovation, wenn die Konkurrenz die Ergebnisse einfach mitnehmen kann?

Die Rolle von KI-Technologie in diesem Fall

Auf den ersten Blick mag es seltsam erscheinen, dass ein KI-Unternehmen in einen Hardware-Streit verwickelt ist. Doch die Grenzen verschwimmen. KI braucht leistungsfähige Hardware – spezielle Chips, Sensoren, Geräte. OpenAI will offenbar eigene Produkte bauen, vielleicht eine KI-Brille oder ein neuartiges Smartphone. Dafür benötigt es das Know-how, das Firmen wie Apple über Jahrzehnte angesammelt haben. Dieser Fall zeigt, wie KI-Technologie und Hardware-Entwicklung immer enger zusammenwachsen. Der Wettlauf um die besten Produkte bringt manchmal schmutzige Methoden hervor. Im Kern geht es bei KI darum, Maschinen beizubringen, intelligent zu handeln. Diese Intelligenz muss in Geräte eingebettet werden – und genau hier entstehen neue Konflikte um geistiges Eigentum.

Was bedeutet das konkret? Eine geerdete Einordnung

Die Klage ist nur eine Seite der Geschichte. OpenAI wird sich vermutlich verteidigen und die Vorwürfe bestreiten. Aber die Details, die Apple offenlegt, sind beunruhigend. Wenn sie stimmen, hat OpenAI nicht nur gegen Gesetze verstoßen, sondern auch gegen eine ungeschriebene Regel der Tech-Branche: Man kann Mitarbeiter abwerben, aber nicht deren Gedächtnis und alte Firmendaten als Komplettpaket übernehmen. Der Fall wird wahrscheinlich vor Gericht verhandelt werden, und das könnte dauern. Hinter den Kulissen der großen Tech-Marken tobt ein erbitterter Kampf um Wissen und Vorsprung. Es ist gut möglich, dass sich die Art, wie Unternehmen ihre Geheimnisse schützen, nach diesem Prozess grundlegend ändert. Arbeitsverträge könnten strenger werden, Sicherheitsvorkehrungen bei Geräteausgabe noch rigider. In einer Welt, in der KI-Unternehmen zu Hardware-Konzernen werden, ist geistiges Eigentum das neue Gold. Und wie im Goldrausch gibt es Leute, die es stehlen wollen.

Quelle: 9to5mac.com

Du betrittst eine fremde Küche. Weder Schränke noch Geräte kennst du, dennoch sollst du ein Gericht kochen, das du nie zuvor zubereitet hast. Ein Mensch würde innehalten, die Werkzeuge erkunden und einen Plan fassen. Genau diese Fähigkeit – Orientierung in einer unbekannten Umgebung – zeigt das KI-Modell GPT-5.6 Sol von OpenAI. Die im Juli 2026 veröffentlichten Ergebnisse auf dem ARC-AGI-Benchmark deuten auf einen Schritt zu allgemeiner Intelligenz hin, auch wenn die Zahlen auf den ersten Blick ernüchternd wirken.

ARC-AGI testet abstraktes visuelles Reasoning. Die Aufgaben bestehen aus farbigen Rastern, deren Logik man aus wenigen Beispielen erschließen muss. Es gibt drei Schwierigkeitsstufen. ARC-AGI-1 ähnelt dem Trainingsmaterial. ARC-AGI-2 erfordert tieferes Verständnis. ARC-AGI-3 ist völlig neu in Struktur und Symbolik – selbst für Systeme, die auf riesigen Datenmengen trainiert wurden. Ein menschlicher Erwachsener löst die meisten dieser Aufgaben mühelos. Für KI-Modelle waren sie bislang eine große Hürde.

Die GPT-5.6-Familie besteht aus drei Modellen: Sol, Terra und Luna. Terra und Luna sind vermutlich kleinere oder weniger rechenintensive Varianten. Sol ist das leistungsstärkste. Bei maximalem Reasoning-Aufwand erreicht Sol auf ARC-AGI-1 96,5 Prozent, auf ARC-AGI-2 92,5 Prozent. Das sind hohe Werte. Auf ARC-AGI-3 schafft Sol im besten Fall nur 7,78 Prozent im Semi-Private-Test und 13,33 Prozent im Public-Teil. Das ist niedrig. Dennoch ist Sol das erste Modell, das ein ARC-AGI-3-Spiel gewonnen hat: die Aufgabe ft09 mit 87 Prozent.

Der Erfolg liegt nicht darin, dass Sol ein Problem schneller oder genauer löst. Entscheidend ist, wie es scheitert. Laut den Entwicklern liest Sol eine unbekannte Szene korrekt – in der eigenen Sprache des Spiels. Es erkennt Symbole und Regeln, ohne sie mit Trainingsmustern zu verwechseln. Wenn eine Hypothese falsch ist, verwirft Sol sie und plant neu. Frühere Modelle wiederholten bei Misserfolgen die gleiche Strategie oder gerieten in Schleifen. Sol hingegen wirft einen neuen Blick auf die Situation.

Das ist Orientierung in einer neuen Umgebung. Wie bei einem unbekannten Brettspiel: Man studiert erst Spielsteine und Brett. Das tut Sol auch. Die meisten Agenten scheitern laut OpenAI nicht an der Ausführung, sondern an der Orientierung. Sie schreiben Code auf Basis falscher Annahmen oder handeln, bevor sie die Aufgabe verstanden haben. Sol orientiert sich zuerst richtig – und leitet dann die richtigen Handlungen ab. Das ist ein wichtiger Fortschritt in der KI-Entwicklung.

Die Ergebnisse zeigen aber auch Grenzen. Selbst mit maximalem Reasoning erreicht Sol auf ARC-AGI-3 nur knapp 8 Prozent. Das liegt nicht an mangelnder Rechenleistung, sondern daran, dass die absolute Neuheit der Aufgaben eine große Herausforderung bleibt. Die Spanne zwischen den Reasoning-Stufen (Max, Extra High, High, Medium, Low) ist groß. Bei niedrigerem Reasoning-Aufwand fällt Sol auf ARC-AGI-3 auf 0,3 Prozent zurück. Terra und Luna schneiden noch schlechter ab. Ohne ausreichend Rechenzeit und Komplexität hilft auch das beste Modell nicht. Generalisierung ist kein Schalter, sondern ein kontinuierlicher Prozess.

Für die Entwicklung allgemeiner künstlicher Intelligenz ist das ein kleiner, aber bedeutender Schritt. Dass ein Modell lernt, sich in einer völlig neuen Umgebung zu orientieren, anstatt nur auf Gelerntes zurückzugreifen, ist eine Eigenschaft menschlicher Intelligenz. Übertriebene Euphorie ist aber fehl am Platz. Ein System, das 8 Prozent einer neuartigen Aufgabe löst, ist nicht kurz vor der allgemeinen Intelligenz. Es ähnelt einem Kind, das in einer fremden Küche den Herd findet, aber noch kein komplettes Menü kochen kann. Der Weg ist lang.

Für die praktische Anwendung heißt das: KI-Systeme werden besser darin, sich auf unbekannte Situationen einzustellen. Ein Haushaltsroboter, der eine Wohnung noch nie gesehen hat: Bisher musste man ihm jeden Raum einzeln beibringen. Ein System wie Sol könnte sich selbst orientieren, die Anordnung von Möbeln erfassen und zielgerichtet handeln. Ein Assistenzsystem in einem neuen Unternehmen müsste nicht jedes Dokument von Grund auf trainieren, sondern könnte die interne Logik verstehen, indem es die Umgebung analysiert. Hier liegt das Potenzial.

Die Richtung ist klar: Es geht nicht nur um mehr Daten oder Parameter, sondern darum, dass ein Modell lernt, wie es lernen soll. Fehler als Anlass zur Neuorientierung zu nehmen, ist ein grundlegendes Prinzip intelligenten Verhaltens. OpenAI hat mit Sol gezeigt, dass das in einem neuronalen Netz umsetzbar ist. Wie schnell dieser Ansatz skaliert, werden die nächsten Jahre zeigen. Die ARC-AGI-3-Werte bleiben eine nüchterne Messlatte.

Quelle: arcprize.org

Du suchst nach einem gestohlenen Gegenstand in einem Gebäude. Der Besitzer sagt: „Ich habe keinen Schlüssel, der Tresor ist zu schwer zu öffnen, und das wäre eine Verletzung der Privatsphäre meiner Gäste.“ Dann findest du heraus, dass er längst einen eigenen Schlüssel besitzt und den Tresor mehrfach geöffnet hat – nur um dich daran zu hindern. In dieser Lage befinden sich Nachrichtenverlage im Rechtsstreit mit OpenAI, dem Unternehmen hinter ChatGPT.

Seit Monaten läuft ein juristischer Kampf zwischen OpenAI und einer Gruppe von Nachrichtenorganisationen unter Führung der New York Times. Die Verlage werfen OpenAI vor, urheberrechtlich geschützte Artikel ohne Erlaubnis für das Training von ChatGPT genutzt zu haben. Kernfrage: Darf eine KI geschützte Inhalte nutzen, ohne das Urheberrecht zu verletzen? OpenAI beruft sich auf die Fair-Use-Doktrin. Die Verlage sprechen von Diebstahl.

Die entscheidenden Beweise sind die ChatGPT-Logs – Aufzeichnungen der Gespräche zwischen Nutzern und Chatbot. In diesen Logs könnte sich zeigen, dass ChatGPT ganze Passagen aus Artikeln wiedergibt („Regurgitation“). Können die Verlage nachweisen, dass die KI systematisch komplette Texte ausspuckt, wäre das ein starkes Indiz für eine Urheberrechtsverletzung und Marktschädigung. OpenAI hofft, dass die Logs das Gegenteil belegen: seltene und fragmentierte Wiedergabe, also transformativ und fair use.

Genau hier liegt das Problem. Von Beginn an behauptete OpenAI, es sei technisch unmöglich, die Logs in großem Umfang zu durchsuchen – zu teuer, zu zeitaufwendig, gefährde die Privatsphäre. Auf dieser Grundlage erzwangen Openais Anwälte eine stark eingeschränkte Stichprobe: Nur 20 Millionen Logs wurden den Klägern zur Verfügung gestellt, und diese waren so stark geschwärzt, dass sie praktisch unbrauchbar waren. Das Gericht nannte die Daten später offiziell „unusable“.

Dann kam eine Enthüllung. Während einer zweiten Vernehmung des OpenAI-Privacy-Ingenieurs Vincent Monaco – laut Gerichtsakten „schlecht vorbereitet“ – räumte er ein, dass OpenAI sehr wohl große Log-Mengen durchsuchen kann. Das Unternehmen hatte vor Beginn des Rechtsstreits zwei Datensätze erstellt: einen mit 10 Millionen und einen mit 78 Millionen Logs. Diese wurden sogar nach Inhalten der New York Times durchsucht, um einen Filter gegen das Ausspucken geschützter Texte zu entwickeln. Den Klägern wurden diese Datensätze nie mitgeteilt, obwohl sie entscheidend für den Fall sind.

Die Nachrichtenverlage reagierten scharf. In einem Sanktionsantrag vom vergangenen Woche werfen sie OpenAI vor, über Jahre gelogen und Beweise versteckt zu haben. Die Verheimlichung der 78-Millionen-Log-Daten sei keine Verzögerungstaktik, sondern bewusste Täuschung. Die Kläger fordern „schwerwiegende Sanktionen“: Das Gericht soll OpenAI verbieten, die bereits übergebenen 20 Millionen Logs als Beweismittel zu verwenden. Zudem soll festgestellt werden, dass die verheimlichten Logs eine „erhebliche“ Menge an urheberrechtlich geschütztem Material enthalten. Schließlich soll die Jury angewiesen werden, dass OpenAI Milliarden von Logs gelöscht hat, obwohl eine gerichtliche Verfügung zur Aufbewahrung aller Daten bestand.

Ein OpenAI-Sprecher wies die Vorwürfe zurück und nannte den Sanktionsantrag einen verzweifelten Versuch der Verlage, mehr Daten zu erzwingen und damit die Privatsphäre von Nutzern zu verletzen. Die New York Times habe kürzlich Klagepunkte fallen gelassen, was auf eine schwächelnde Klage hindeute. Die NYT widersprach: Man habe die Klage lediglich gestrafft und um Microsoft als Mitbeklagten ergänzt. Das Büro von Ian Crosby, dem führenden Anwalt der Verlage, erklärte, OpenAI habe nicht nur Logs versteckt, sondern auch die Kosten für die Discovery in die Höhe getrieben – ein Mittel, um Gegner zu ermüden.

Was bedeutet das für den Ausgang des Falls? Juristisch könnte dieser Schritt fatal für OpenAI sein. Die Fair-Use-Verteidigung hängt stark davon ab, ob die KI den Markt der Verlage schädigt. Zeigen die Kläger, dass ChatGPT systematisch ganze Artikel wiedergibt und Abonnements ersetzt, ist eine Marktschädigung klar. Die versteckten Logs könnten genau das belegen. Indem OpenAI den Zugang blockiert hat, weckt es den Verdacht, etwas zu verbergen. Ein Gericht könnte dies als „spoliation of evidence“ werten – vorsätzliche Vernichtung oder Verheimlichung von Beweismitteln. Mögliche Sanktionen reichen von Geldstrafen über Beweislastumkehr bis zum Ausschluss von Beweismitteln. In extremen Fällen könnte der Richter ein Urteil zu Ungunsten von OpenAI fällen.

Für die KI-Branche ist der Fall ein Warnsignal. Viele Unternehmen trainieren ihre Modelle mit Internetdaten ohne klare Lizenzen. Bislang galt die Hoffnung auf Fair Use als Rechtfertigung. Unterliegt OpenAI – und sei es aufgrund von Verfahrensfehlern – könnte das die Rechtslage grundlegend verändern. Verlage würden gestärkt daraus hervorgehen und Lizenzgebühren fordern. KI-Modelle müssten entweder nur auf lizenzierte Daten zurückgreifen oder nachweisen, dass sie keine geschützten Inhalte reproduzieren.

Dazu kommt ein grundsätzliches Problem: Das Vertrauen in die Transparenz von KI-Unternehmen ist bereits angeschlagen. Wird ein führender Player wie OpenAI dabei ertappt, Beweise zu verheimlichen und Logs zu löschen, wird die Forderung nach staatlicher Regulierung lauter. Die EU hat mit dem AI Act bereits einen Rahmen mit Transparenzpflichten geschaffen. In den USA könnte der Fall den Druck auf den Gesetzgeber erhöhen, ähnliche Regeln zu erlassen.

Technisch ist die Sache klar: Die Logs sind die einzige objektive Quelle, um zu prüfen, was ChatGPT tatsächlich tut. Ein Unternehmen, das KI als Black Box vermarktet, darf sich nicht wundern, wenn das Rechtssystem diese Box öffnen will. Die Analogie mit dem verschlossenen Tresor bleibt: Wer so vehement gegen Einsicht kämpft, wirkt schnell schuldig.

Die nächsten Wochen zeigen, wie das Gericht auf den Sanktionsantrag reagiert. Stuft es Openais Verhalten als „eklatant“ ein, könnte der Rechtsstreit eine dramatische Wende nehmen. Für die Nachrichtenverlage wäre das ein Sieg der Transparenz. Für die KI-Branche ein Weckruf: Wer mit fremden Inhalten arbeitet, muss offenlegen, wie und in welchem Umfang. Ein Unternehmen, das auf das Verstecken von Beweisen setzt, spielt ein riskantes Spiel.

Quelle: arstechnica.com