KI-Machtspiele, Googles Haftung und Claude Fable 5

Heute geht’s um drei Dinge, die AI gerade besonders gut kann: schneller werden, klügere Tools bauen und juristischen Ärger produzieren. Zwischen neuen Frontier-Modellen, agentischen Recherche-Workflows und Haftungsfragen für KI-Antworten zeigt sich ziemlich deutlich: Die nächste Phase der AI-Entwicklung ist nicht nur technisch, sondern auch politisch und rechtlich aufgeladen.

🚀 Anthropic schiebt Claude Fable 5 und Mythos 5 nach vorn

Anthropic hat mit Claude Fable 5 und Mythos 5 zwei neue Modelle vorgestellt, die vor allem bei Coding und wissenschaftlicher Arbeit deutlich stärker sein sollen als die aktuelle Opus-Generation. Besonders spannend ist der Praxisbezug: Fable 5 soll bei Stripe eine Code-Migration in einem Tag erledigt haben, wofür sonst ein Team zwei Monate gebraucht hätte. Das ist die Art Zahl, bei der CTOs hellhörig werden und Entwickler gleichzeitig nervös und neugierig gucken. Quelle: The Decoder

Für den Markt ist das mehr als nur ein Modell-Update. Anthropic positioniert sich damit noch klarer als Anbieter für anspruchsvolle Arbeitslasten: Softwareentwicklung, Forschung, komplexe Analyse. Mythos 5 geht sogar noch weiter und soll autonom Medikamentenkandidaten entworfen haben – bleibt aber wegen offensiver Cyberfähigkeiten vorerst unter Verschluss. Das zeigt, wie stark sich Frontier-Modelle mittlerweile an der Grenze zwischen nützlichem Werkzeug und Risiko bewegen. Für Dich heißt das: Die besten Modelle werden nicht nur intelligenter, sondern auch stärker nach Einsatzgebiet getrennt.

⚖️ Google haftet für falsche AI Overviews

Das Landgericht München I hat Google einen juristischen Dämpfer verpasst: Bei unwahren Antworten in den AI Overviews sei Google als unmittelbarer Störer haftbar. Die bisherige, eher eingeschränkte Haftung von Suchmaschinenbetreibern lasse sich auf KI-generierte Zusammenfassungen nicht einfach übertragen. Konkret ging es um falsche Behauptungen, mit denen zwei Verlage mit Betrugsmaschen verknüpft wurden – Aussagen, die in keiner der verlinkten Quellen standen. Quelle: The Decoder

Das Urteil ist wichtig, weil es über den Einzelfall hinausreichen könnte. Wenn KI-Systeme Inhalte erzeugen, die wie redaktionelle Aussagen wirken, steigt auch die Verantwortung des Betreibers. Für Google ist das unangenehm; für alle anderen Anbieter ist es ein ziemlich lauter Hinweis, dass „wir zeigen ja nur zusammengefasste Quellen“ juristisch nicht automatisch als Schutzschild funktioniert. Besonders spannend wird, wie dieses Urteil auf andere KI-Produkte wirkt, die Antworten statt bloßer Treffer liefern. Der rechtliche Rahmen für generative Suche wird damit ein gutes Stück ernster.

🧠 NotebookLM wird zum echten Recherche-Agenten

Google verpasst NotebookLM ein größeres Upgrade: Das Tool läuft jetzt auf Gemini 3.5, bekommt einen eigenen Cloud-Computer für Code-Ausführung und kann selbstständig Quellen über Google Search finden. Damit entwickelt sich NotebookLM von einem smarten Notiz- und Recherchehelfer hin zu einem deutlich agentischeren System, das mehr Arbeitsschritte selbst übernimmt. Quelle: The Decoder

Gerade für Menschen, die mit vielen Dokumenten, Quellen und Notizen arbeiten, ist das interessant. Die neue Version verspricht, Recherche nicht nur zu organisieren, sondern aktiv zu strukturieren und mit Tools zu verbinden. Google spricht intern von einer Win-Rate von bis zu 78,2 Prozent gegenüber der Vorgängerversion – also nicht nur ein kleines Feintuning, sondern ein echter Sprung. Wichtig ist aber: Je mehr ein Tool selbstständig recherchiert und Code ausführt, desto wichtiger werden Transparenz, Quellenprüfung und Kontrolle. Sonst landet man schnell bei einer sehr fleißigen, aber selbstbewussten Irrtum-Maschine.

⚙️ DiffusionGemma bringt neue Idee in Textgeneration

Mit DiffusionGemma veröffentlicht Google ein offenes Sprachmodell mit 26 Milliarden Parametern, das Text nicht klassisch Token für Token erzeugt, sondern per Diffusion. Das Prinzip kennst Du eher aus der Bildgenerierung: Aus Rauschen wird Schritt für Schritt ein Ergebnis geformt. Laut Nvidia erreicht das Modell auf einer einzelnen H100-GPU rund 1.000 Tokens pro Sekunde – etwa viermal schneller als vergleichbare autoregressive Modelle. Quelle: The Decoder

Das ist spannend, weil es zeigt, dass Textmodelle nicht zwingend so arbeiten müssen wie bisherige LLMs. Wenn sich Diffusionsansätze durchsetzen, könnte das neue Wege für Geschwindigkeit und Latenz eröffnen – gerade bei Anwendungen, die sehr schnell reagieren müssen. Der Haken: Der Geschwindigkeitsgewinn kostet Qualität, und genau da liegt die große Forschungsfrage. DiffusionGemma ist damit weniger ein sofortiges Produkt als ein Signal, wohin sich die Modellarchitektur bewegen könnte. Kurz: Google spielt nicht nur bei Größe mit, sondern auch bei der Mechanik darunter.

🌏 China baut ein eigenes KI-Rechenzentrumsnetz

China plant laut Bloomberg in den kommenden fünf Jahren rund 295 Milliarden US-Dollar in ein landesweites KI-Rechenzentrumsnetz zu investieren. Der Fokus liegt klar auf heimischer Technik: Mindestens 80 Prozent der Infrastruktur sollen von Anbietern wie Huawei kommen. Parallel denkt Taiwan darüber nach, den Schmuggel von KI-Chips nach China erstmals unter Strafe zu stellen. Quelle: The Decoder

Das ist geopolitisch relevant, weil Rechenzentren längst nicht mehr nur Infrastruktur sind, sondern Machtinstrumente. Wer die Chips, Netze und Rechenkapazitäten kontrolliert, kontrolliert auch einen Teil der AI-Entwicklung. Für Nvidia und AMD ist das alles andere als gute Nachricht; für China ist es ein weiterer Schritt zur technologischen Eigenständigkeit. Gleichzeitig zeigt der Plan, wie sehr KI inzwischen als strategische Staatsaufgabe verstanden wird. Während im Westen über Produktivität diskutiert wird, baut China einfach den Unterbau für die nächste Dekade.

💸 „AI-pilled“ Firmen geben pro Kopf richtig Geld aus

Eine neue Auswertung von Ramp zeigt: Besonders KI-verrückte Firmen geben im Schnitt rund 7.500 Dollar pro Mitarbeiter und Monat für AI aus. Das ist natürlich nicht mehr als ein Ingenieursgehalt – zumindest noch nicht. Quelle: TechCrunch

Die Zahl ist vor allem deshalb interessant, weil sie die Kostenkurve von KI-Anwendungen im Unternehmensalltag sichtbar macht. Zwischen API-Gebühren, Tool-Lizenzen und spezialisierten Workflows summiert sich schnell ein Betrag, der für kleinere Teams durchaus schmerzhaft sein kann. Gleichzeitig zeigt sich: Wer KI tief in Prozesse integriert, investiert nicht mehr nur in „ein Tool“, sondern in eine ganze operative Schicht. Die große Frage bleibt natürlich, ob diese Ausgaben dauerhaft in Produktivität übersetzt werden oder ob Unternehmen gerade kollektiv sehr teure Experimente finanzieren. Die Wahrheit liegt vermutlich – wie so oft – irgendwo dazwischen.

🛡️ Deutschland plant ein KI-Sicherheitsinstitut

Der Nationale Sicherheitsrat hat die Gründung eines deutschen KI-Sicherheitsinstituts beschlossen. Das geplante DE-AISI soll nach britischem Vorbild Frontier-Modelle auf Sicherheitsrisiken testen, also etwa Systeme von Anthropic oder OpenAI. Quelle: The Decoder

Das klingt erstmal nach sinnvoller Aufsicht, ist aber auch ein Hinweis darauf, wie abhängig Europa bei Frontier-KI weiterhin von US- und chinesischen Anbietern ist. Solange eigene Spitzenmodelle fehlen, testen wir vor allem Technologien, die anderswo gebaut wurden. Trotzdem ist ein solches Institut wichtig: Es kann Standards setzen, Risiken sichtbar machen und politischen Druck in konkrete Prüfverfahren übersetzen. Für die Debatte um AI-Governance ist das ein wichtiger Baustein – nicht glamourös, aber ziemlich notwendig. Denn wenn KI immer mächtiger wird, ist „Wir schauen mal drüber“ als Sicherheitsstrategie eher mittelgut.

🛠️ Tool-Tipp des Tages

Wenn Du komplexe Recherchen mit Quellen, Notizen und KI-Assistenz verbinden willst, schau Dir NotebookLM an. Mit dem neuen Gemini-3.5-Upgrade und den agentischen Funktionen wird daraus ein starkes Werkzeug für Wissensarbeit, Research und Dokumentenanalysen. Praktisch für alle, die nicht nur suchen, sondern wirklich verstehen wollen. #

Du willst keine News verpassen? Newsletter abonnieren