Kategorie: KI-News

Du hast ein kurzes Handyvideo von deinem Hund im Park. Die Szene magst du, aber das Licht ist trüb, der Hintergrund langweilig. Mit einem Fingertipp könntest du daraus ein Aquarell machen – ohne Editor, ohne Lerneffekt. Googles neues Tool Video Remix für Google Photos macht das möglich. Es ist ein weiterer Schritt, KI für Bewegtbild nutzbar zu machen – für jeden verständlich.

Video Remix stellte Google am 8. Juli 2026 vor. Die Funktion steckt im Create-Tab der Google-Photos-App und nutzt das KI-Modell Gemini Omni. Man wählt eine Vorlage aus, die KI generiert eine neue Version mit anderem Look. Einfach und direkt: Keine klassische Videobearbeitung, sondern eine Neuschöpfung durch KI.

Die Effekte bieten mehr als klassische Filter. Video Remix passt die Beleuchtung an, tauscht den Hintergrund aus oder wendet künstlerische Stile an wie Aquarell, Rohskizze oder Ölgemälde. Google zeigt Beispiele, in denen ein Alltagsvideo in eine Wasserfarbszene verwandelt wird. Das ähnelt der Foto-Remix-Funktion, jetzt für Videos.

Technisch funktioniert es so: Gemini Omni ist ein multimodales KI-Modell, das Videos versteht und generieren kann. Es analysiert den Clip, erkennt Personen und Bewegungen, und setzt die Transformation um. Dabei bleibt es konsistent: Ein Wasserfarbeneffekt lässt Personen nicht verschwimmen. Das schafft das Modell in Echtzeit oder innerhalb von zwei Minuten.

Es gibt Einschränkungen. Video Remix funktioniert nur mit Clips bis zehn Sekunden. Längere müssen vorher zugeschnitten werden. Grund ist die rechenintensive Berechnung. Der Vorgang kann je nach Effekt und Cliplänge einige Minuten dauern.

Die Funktion ist nicht kostenlos. Sie wird schrittweise für Abonnenten von Google AI Plus, Pro und Ultra eingeführt. Startländer sind Indien, USA, Japan, Südkorea, Brasilien und Mexiko. Eine weltweite Verfügbarkeit gibt es noch nicht. Google testet die Funktion zunächst in einer kleineren Nutzergruppe.

Für den Alltag: Wer Google Photos und ein KI-Abo hat, kann Videos mit Video Remix bearbeiten. Aus einem Kindergeburtstagsclip wird ein Ölgemälde, aus einem Spaziergang eine Szene mit kinoreifer Beleuchtung. Kein Schnittprogramm nötig. Einfach auswählen, Effekt wählen, warten.

Die leichte Veränderbarkeit wirft Fragen zur Authentizität auf. Künstlerische Bearbeitung ist harmlos, aber die Grenze zur Manipulation ist fließend. Google sagt, die Effekte seien offensichtlich künstlerisch. Trotzdem verändern solche Tools das Vertrauen in Videomaterial. Besonders wenn Hintergründe oder Beleuchtung so verändert werden, dass sie wie original aussehen.

Für Kreative und alle, die ihre Erinnerungen aufwerten wollen, ist Video Remix ein nützliches Werkzeug. Man muss kein Profi sein, um gute Videos zu produzieren. Die Technologie macht Videobearbeitung zugänglich – aber sie verändert auch, was wir als ‚original‘ betrachten. Das ist weder gut noch schlecht, sondern eine Entwicklung, die wir beobachten sollten.

Googles Ankündigung zeigt: KI ist Teil unseres Alltags. Sie steckt in Geräten, Fotoalben, Videoclips. Video Remix macht das erfahrbar. Wer wissen will, was KI heute kann, probiert es mit einem Zehn-Sekunden-Clip. Das Ergebnis ist nicht immer perfekt, aber anders. KI verändert, wie wir Inhalte konsumieren und erschaffen. Das passiert direkt in unserer Hosentasche.

Quelle: digitaltrends.com

Ein Team von Entwicklern – jeder nutzt einen anderen KI-Assistenten: GitHub Copilot, Claude Code, selbstgebaute Agenten. Sie arbeiten in unterschiedlichen IDEs: IntelliJ, VS Code, PyCharm. Niemand weiß genau, wer welches Tool einsetzt, was es kostet oder ob die Codebasen sicher sind. Das ist kein Einzelfall. JetBrains hat eine Lösung vorgestellt: „JetBrains AI for Teams and Organizations“.

Die Lösung schafft einen einheitlichen Steuerungsrahmen. Sie unterstützt Claude, Codex, Gemini, Junie und Entwicklungsumgebungen wie IntelliJ, PyCharm, Rider und bald VS Code. Entwickler behalten ihre bevorzugten Assistenten, Engineering-Leiter erhalten eine zentrale Konsole. Oleg Koverznev, Leiter der Agentensysteme bei JetBrains, beschreibt vier Komponenten: Team Automations und Cloud Agents für automatisierte Aufgaben, JetBrains Context als gemeinsames Verständnis von Code und Dokumentation, JetBrains Central für Governance und Zugriffskontrolle sowie die Central CLI für die Kommandozeile.

Die Fragmentierung der KI-Entwicklungswerkzeuge wächst. Muskan Bandta, Cloud Associate bei ZopDev: „Vor einem Jahr fragte man sich noch, ob man KI-Assistenten erlauben soll. Heute laufen in einem Team Copilot, Claude Code, Cursor und selbstgebaute Agenten parallel.“ Das Problem ist fehlende Transparenz. Führungskräfte können drei Fragen nicht beantworten: Wer verwendet was? Was kostet es? Ist es sicher? Sobald Agenten Code bearbeiten und Rechnungen erzeugen, wird das zu einem Governance- und Kostenproblem.

Die Suite bündelt die zersplitterte Landschaft, ohne die Wahlfreiheit der Entwickler einzuschränken. Ein zentraler Kontext-Layer reduziert operative Reibungsverluste. Nitish Tyagi, Senior Principal Analyst bei Gartner: „Statt dass jedes Team mehrere KI-Coding-Tools konfiguriert und wiederholt Kontext liefert, ermöglicht eine zentrale Kontextschicht konsistentes Verständnis der Codebasis, Standards, Dokumentation und Arbeitsabläufe.“ Das spart langfristig Zeit bei der Informationssuche, beim Verstehen von Legacy-Code, beim Einarbeiten neuer Entwickler und beim Nachbessern von Ergebnissen. Der Wert liegt nicht in mehr Code, sondern in relevanteren, organisationsbewussten Ergebnissen.

Dieser gemeinsame Kontext hilft, Wissenssilos aufzubrechen. Wenn Entwickler und Agenten auf dasselbe Verständnis von Code und Prozessen zugreifen, entstehen weniger Missverständnisse und Doppelarbeit.

Governance und Kostenmanagement spielen eine zentrale Rolle. Laut Bandta hilft die Suite CIOs, die Kontrolle über Sicherheits- und Compliance-Risiken zu erhöhen. Tyagi ergänzt: „Die Suite erlaubt Engineering-Leitern, besser zu kontrollieren, welche Informationen Agenten abrufen können – das reduziert Risiken, etwa den Zugriff auf sensible Repositories.“ Zudem erhalten Agenten dank optimiertem Kontext relevantere Informationen, was die Ergebnisqualität steigert und Kosten senkt, weil weniger Tokens für irrelevante Anfragen verbraucht werden.

Die Einführung markiert einen strategischen Wandel. Bandta sieht die Evolution der IDE zur „agentischen Entwicklungsumgebung“ – einer Plattform, in der Entwickler Flotten von KI-Agenten orchestrieren, statt jede Zeile selbst zu schreiben. Der Markt spaltet sich: Agenten erledigen die Arbeit, Plattformen steuern sie. „Die Plattformschicht wird die Unternehmensbudgets anziehen“, prognostiziert Bandta. Auch andere Anbieter wie Microsoft dürften ähnliche Strategien verfolgen.

JetBrains hält sich bedeckt: Die neuen Funktionen rollen im Juli und August schrittweise für Geschäftskunden aus. Unternehmen mit mehreren KI-Assistenten spüren die Fragmentierung. Die Suite bietet eine pragmatische Lösung: eine Verwaltungsschicht über bestehende Tools, ohne sie zu ersetzen. Entwickler ändern ihre Gewohnheiten nicht, erhalten aber Transparenz, Sicherheit und Kosteneffizienz.

JetBrains greift ein echtes Problem auf. Entscheidend wird, ob die Suite nahtlos integriert und ob Unternehmen bereit sind, eine zusätzliche Plattform zu lizenzieren. Der Erfolg hängt von einfacher Implementierung und schnell sichtbarem Nutzen ab. Das Zeitalter unkontrollierter KI-Assistenten neigt sich dem Ende zu. Governance wird nötig. JetBrains liefert einen Bauplan – die Praxis wird zeigen, ob er hält.

Quelle: infoworld.com

Du arbeitest als Softwareentwickler in einem mittelständischen Unternehmen. Dein Team nutzt hunderte Open-Source-Bibliotheken. Eine neue Sicherheitslücke wird von einer KI in Minuten entdeckt und ausgenutzt. Der Patch kommt erst Wochen später. IBM und Red Hat bieten mit Lightwell einen Dienst an: eine industrietaugliche, KI-betriebene Plattform, die Open-Source-Code gegen automatisierte Angriffe verteidigt.

Lightwell entstand aus einem milliardenschweren Projekt und ist nun kommerziell verfügbar. Statt dass jedes Unternehmen selbst Patches jagt, übernimmt Lightwell die Arbeit – im großen Stil. Unterstützt von 20.000 Ingenieuren und einer generativen KI, die Schwachstellen automatisch erkennt, validiert und repariert.

Wie Lightwell die Patching-Welt verändert

Bisher war Patch-Management mühsam: Eine Schwachstelle wird bekannt, das Upstream-Projekt veröffentlicht ein Update, Unternehmen testen und passen an. Das dauert oft Wochen oder Monate. Lightwell backportiert kritische Fixes direkt in die Versionen, die du im Einsatz hast. Das bedeutet weniger Regression-Tests, keine Breaking Changes und schnellere Absicherung.

Herzstück ist eine „High-Throughput-Engine“, die KI-Modelle mit menschlichem Expertenwissen kombiniert. Sie analysiert Abhängigkeiten, bewertet den Kontext einer Schwachstelle und liefert einen fertigen, signierten Patch – inklusive Software-Stückliste (SBOM). Du bekommst nicht nur einen Hinweis, sondern direkt den fixen Code für deine Pipeline.

Lightwell ist kein völlig neuer Ansatz, sondern die Skalierung einer bewährten Methode: Red Hat sichert seit Jahrzehnten kritische Systeme. Neu ist die automatisierte, KI-gestützte Breite. Für Unternehmen ohne Zeit für jede Bibliothek könnte das ein Gamechanger sein.

Drei Produkte – ein Ziel: Sicherheit

Lightwell wird in zwei Varianten angeboten. Lightwell Network ist ab sofort allgemein verfügbar. Es bietet Zugriff auf eine wachsende Bibliothek mit gepatchten Versionen gängiger Open-Source-Komponenten – von aktuellen bis zu alten Legacy-Versionen. Die Fixes werden als signierte Binärpakete, Quellcode und Compliance-Artefakte direkt in deine CI/CD-Pipeline geliefert.

Lightwell Clearinghouse Premier startet zunächst in einer limitierten Phase für den Finanzsektor. Es ist ein vertrauenswürdiger Vermittler: Unternehmen können Schwachstellen melden und unter Embargo gezielte Patches anfordern. IBM und Red Hat stellen sicher, dass die Fixes diskret verteilt werden, bevor Details öffentlich werden. Wenn das Modell funktioniert, soll es auf Regierung, Gesundheitswesen und Telekommunikation ausgeweitet werden.

Beide Dienste folgen dem Prinzip: „Wir machen die Drecksarbeit für dich.“ Rob Thomas, Senior Vice President bei IBM, sagt: „Wir liefern zertifizierte Fixes, die du direkt in deine bestehenden Systeme einspielen kannst – ohne Umbau oder Unterbrechung.“

Akrites: Der Governance-Ansatz

Lightwell ist nicht allein auf dem Markt. Die Linux Foundation hat gemeinsam mit Partnern das Projekt Akrites gestartet. Es geht nicht um fertige Patches, sondern um einen standardisierten Prozess: Wie sollen Maintainer und kritische Anwender mit KI-entdeckten Schwachstellen umgehen? Akrites schafft ein Framework für vertrauliche Koordination und Offenlegung.

Lightwell ist ein kommerzieller Dienst, Akrites bleibt eine gemeinnützige Initiative. Das ergänzt sich: Akrites sorgt für klare Regeln, Lightwell liefert die Werkzeuge. Microsoft kooperiert bereits mit beiden: Sie arbeiten bei Akrites an Standards und nutzen Lightwell, um Patches schnell zu Kunden zu bringen.

Athena von Chainguard: Die Koalition der Vielen

Eine dritte Kraft ist Chainguards Athena. Eine Industrie-Koalition, die ebenfalls KI nutzt, um Schwachstellen zu finden und zu beheben. Der Unterschied: Athena setzt auf eine gemeinsame Datenbank, in der über zwei Dutzend Organisationen ihre Funde teilen. Die KI dedupliziert und priorisiert die Ergebnisse, dann arbeitet die Koalition gemeinsam an Patches – unter Embargo, bevor Details an die Öffentlichkeit gelangen.

Athena veröffentlicht erste Erfolge: 40.000 Findings, 2.000 Patches in über 500 Projekten. Anders als Lightwell ist Athena kein fertiges Produkt, sondern ein Verbund, der sich auf kritische Komponenten konzentriert – Bibliotheken und Container, die in vielen Systemen stecken. Die erarbeiteten Fixes fließen in die Open-Source-Projekte zurück und werden auch in Chainguards eigene Artefakte eingebaut.

Wo Lightwell auf Fertiglösungen setzt, vertraut Athena auf Kollaboration. Beide haben ihre Berechtigung – keine einzelne Organisation kann alle Schwachstellen abdecken.

Drei Modelle – ein Problem: KI-Angriffe sind billig und schnell

Alle drei Initiativen – Lightwell, Akrites, Athena – reagieren auf die gleiche Realität: KI-Werkzeuge kosten fast nichts und finden in Sekunden Sicherheitslücken und bauen Exploits. Traditionelle Patch-Prozesse sind langsam und manuell. Das führt zu einer Risikolücke, die nur durch Automation geschlossen werden kann.

Jeder Ansatz hat seinen Fokus: Akrites definiert die Spielregeln, Athena bündelt die Kräfte der Community, Lightwell liefert fertige Ware für Unternehmen ohne Zeit für Bastelei. Auf lange Sicht werden wir wahrscheinlich alle drei brauchen – und noch mehr. Die Angreifer schlafen nicht, und die Zahl der Open-Source-Komponenten wächst exponentiell.

Was das für dich bedeutet

Wenn du in einem Unternehmen arbeitest, das stark auf Open Source setzt, wirst du um solche KI-gestützten Verteidiger nicht herumkommen. Lightwell kann dir den Alltag erleichtern, indem es dir die Jagd nach Patches abnimmt. Du musst aber darauf vertrauen, dass IBM und Red Hat auch die exotischen Bibliotheken in deinem Stack abdecken – bei tausenden Komponenten eine Herausforderung.

Parallel solltest du ein Auge auf Akrites und Athena haben, vor allem wenn dein Team selbst Open-Source-Projekte maintained. Die Mitarbeit in solchen Koalitionen kann deine Sicherheitsstrategie stärken – unabhängig von einem einzelnen Anbieter.

KI ist nicht nur ein Werkzeug für Angreifer, sondern auch für Verteidiger. Die Frage ist nicht, ob wir automatisierte Sicherheitslösungen brauchen, sondern welche Kombination aus Governance, Kollaboration und kommerziellen Diensten am besten zu unserer Organisation passt. Lightwell ist ein wichtiger Schritt, aber nicht der letzte.

Quelle: zdnet.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