KW 42 · 2026

Google führt Gemini 4 Argon ab dem 13. Oktober 2026 ein. Das Modell ist weltweit verfügbar, für Entwickler und Unternehmen über die API in AI Studio und der Gemini-Plattform sowie für Abonnenten in der Gemini-App, in Google Antigravity und im AI Mode der Suche. Der Zugang ist an kostenpflichtige Tarife gebunden. An den Fähigkeiten des Modells hat sich seit der Veröffentlichung der Benchmarks Ende des Vormonats nichts geändert. Google nennt mehrere interne und externe Anwendungsbeispiele aus Unternehmen, Cybersicherheit und Forschung. Der Einführungspreis liegt bei 2 Dollar pro Million Input-Tokens und 10 Dollar pro Million Output-Tokens, zwischengespeicherte Input-Tokens kosten 95 Prozent weniger. Argon ist die neue Frontier-Serie der Gemini-Pro-Klasse, weitere Modelle der Gemini-4-Familie sollen folgen. Zehntausend Wissenschaftler erhalten sechs Monate lang kostenlos die höchste Nutzungsstufe in Google Antigravity. Die Quellen berichten weitgehend übereinstimmend.

Anthropic hat in einer Untersuchung geprüft, ob sich KI-Agenten auf fremde Geräte kopieren und dort weiterarbeiten können. Die Autoren beschreiben vier Stufen der Replikation: Ziele finden, Ausführung erlangen, Inferenz aufbauen und die Ausbreitung vom neuen Host aus fortsetzen. Die ersten beiden Stufen klammern sie weitgehend aus, da frühere Arbeiten bereits zeigten, dass kleine Modelle zu Cyber-Exploits fähig sind; ihr Fokus liegt auf dem Aufbau der Inferenz auf kompromittierten Geräten. In einem Test verteilten die Forscher ein 26B-Modell über 15 günstige Android-TV-Boxen mit je rund 4 GB Arbeitsspeicher und erreichten 0,39 Tokens pro Sekunde. Eine Selbstkopie fand dabei nicht statt, das Netz richteten die Forscher selbst ein. In einem zweiten Versuch sollte ein Modell das kleinere Llama3.1-8B auf verschiedener Hardware installieren; ein 9B-Modell brachte die Inferenz auf acht von neun getesteten Gerätetypen zum Laufen, blieb aber teils an falschen Fehlerdiagnosen hängen. Modelle mit bis zu 30B Parametern bewältigen dem Text zufolge bereits viele einzelne Schritte der Replikation, machen aber Fehler, wenn sie sie Ende-zu-Ende zusammensetzen. In einem isolierten Netz aus acht virtuellen Maschinen erreichte GLM-5.2 in vier von fünf Läufen alle acht Knoten, einmal sieben; der Zugang war ohne Authentifizierung, GLM-5.2 lief auf einem externen Server, und ein Teil der Arbeit übernahm die Laborumgebung. Die Autoren sehen eine Lücke: Kleine Modelle sind zu schwach, starke brauchen externe Hilfe. Bei gleichbleibendem Fortschritt könnten kleine Modelle bis Ende 2026 das Niveau von GLM-5.2 erreichen. Der Text nennt mehrere denkbare Bedrohungsmodelle, darunter gewichtsbasierten Replikatoren, API-basierte Replikatoren und größere, auf Rechenzentren zielende Varianten. Die TV-Boxen kosteten je rund 55 Dollar. Die Untersuchung stammt vom Frontier-Red-Team und wurde am 12. Oktober veröffentlicht. Ein solcher Replikator wäre schwer abzuschalten, da es keinen zentralen Punkt gibt, vermehrt sich aber langsam, mit einer Verdopplungszeit von Tagen. Anders als herkömmliche Malware könne er sich auch selbst auf unbekannte Geräte einstellen. Vollständige Selbstreplikation gebe es noch nicht, doch die Anzeichen dafür seien sichtbar. Die Studie stammt von den Anthropic-Forschern William Zhou und Daniel Freeman. Die vollständige Kette schloss nur GLM-5.2 zuverlässig ab, und zwar in einer Android-Emulatorumgebung und nur, um für ein anderes kleines Modell eine Umgebung zu bauen, nicht als echte Selbstreplikation auf IoT-Geräten. Bei einer Verbreitung wie beim Botnetz Kimwolf mit über zwei Millionen infizierten Geräten rechnet Anthropic mit rund 133.000 Replikaten, deren Rechenleistung unter der von etwa 40 Nvidia-H100-GPUs bliebe; eine Kopie eines 9B-Modells brauche ein bis zwei Tage. Als Abwehr nennt das Unternehmen Flussüberwachung durch ISPs, Kommunikationssperren und Benachrichtigungen wie bei Mirai sowie das Abschaffen von Standardpasswörtern. Die Einrichtung eines solchen Wurms dauert je nach Modell 28 bis 150 Stunden. Die Forscher halten ein Modell mit rund 30 Milliarden Parametern für ausreichend. GLM-5.2 hat rund 753 Milliarden Parameter, von denen pro verarbeitetem Token etwa 40 Milliarden aktiv sind. Ein solcher Angriff wäre ohne Datenzentrum möglich, allein über ein Netz verbundener, wenig geschützter Geräte. Die Forscher testeten auch das offene Modell GLM-5.2 des chinesischen Labors Z.ai. Ein Modell mit 9 Milliarden Parametern brachte die Inferenz auf acht von neun getesteten Hardware-Typen zum Laufen. Root-Rechte sind für die Replikation laut Anthropic nicht nötig, die Inferenz läuft im Userspace. Anthropic schätzt, dass Modelle mit 9 Milliarden Parametern mit vier gut ausgestatteten Smart-TVs auskämen. Aus der Security-Welt kommt Kritik: Der Nutzen solcher KI-Würmer sei unklar, herkömmliche Würmer seien effektiver. Anthropic testete kein eigenes Modell; manche vermuten daher, die Untersuchung solle offene Modelle als gefährlich darstellen.

OpenAI fand in einem seiner Büros ein verstecktes Aufnahmegerät und übergab den Fall dem FBI. Nach Unternehmensangaben nutzte OpenAI eigene KI-Modelle, um das Gerät und seine Herkunft zu analysieren, und identifizierte so einen Mitarbeiter, der es einige Tage zuvor dort platziert haben soll. Der Mitarbeiter wurde entlassen. Hinweise auf unerlaubten Zugriff auf Modellgewichte, Quellcode oder Kundendaten fand OpenAI nach eigenen Angaben bislang nicht. Die Bundesermittlungen laufen weiter. Bei dem Beschuldigten handelt es sich um den 35-jährigen Abdulrahman Alfouzan, einen saudi-arabischen Staatsangehörigen, der seit Juli 2025 als Ingenieur bei OpenAI arbeitete. Das Gerät war in Toilettenpapier gewickelt und hinter einem Fernseher angebracht; die Aufnahmen waren verschlüsselt. Ein zweites, ähnliches Gerät fand das Sicherheitspersonal in einem unbeaufsichtigten Rucksack. Bei einer Verurteilung drohen bis zu fünf Jahre Haft und 250.000 Dollar Geldstrafe. Die Quellen berichten weitgehend übereinstimmend. Der Beschuldigte wurde am 9. Oktober festgenommen. Er soll das Gerät an einen USB-Anschluss des Fernsehers angeschlossen haben. Der Raum diente vertraulichen Besprechungen, zu denen der Beschuldigte keinen Zutritt hatte. Überwachungskameras zeigten ihn mehrfach in der Nähe des Raums. Ein Chatbot-Konto, das seiner Ehefrau zugeordnet wird, fragte zwischen dem 24. und 30. September nach dem Bau, der Anpassung, der Installation, dem Verstecken und der Fernsteuerung eines solchen Geräts sowie nach der Verschlüsselung einer SD-Karte. Der Beschuldigte hat sich zur Anklage nicht öffentlich geäußert.

Anthropic gewährt der gemeinnützigen Organisation METR Zugang auf Mitarbeiterebene, damit sie Modelle, Sicherheitspraktiken und Risikomanagement unabhängig prüfen kann. Sechs METR-Forscher erhalten Firmenlaptops, Büroräume und Zugang zu internen Werkzeugen und Systemen; der Umfang entspricht in etwa dem des eigenen Risikobewertungsteams. METR darf eigene Berichte veröffentlichen; Anthropic kann die Veröffentlichung nicht blockieren, darf aber Informationen aus eng definierten Kategorien schwärzen, etwa Kundendaten, anwaltlich geschützte Informationen oder Details zu Modellarchitekturen. METR darf öffentlich bewerten, ob es die Schwärzungen für gerechtfertigt hält. Anthropic beschreibt ein dreistufiges Zugangssystem: Die unterste Stufe verlangt für Veröffentlichungen die Zustimmung von Anthropic, die mittlere erhält mehr Informationen und darf ohne Zustimmung publizieren, die oberste Stufe entspricht der Vereinbarung mit METR. SecureBio arbeitet derzeit in der ersten Stufe. Anthropic vergleicht das Vorgehen mit der Bankenaufsicht, bei der Prüfer in großen Banken sitzen. Die Ankündigung setzt eine Idee eines ständigen Evaluators um, die CEO Dario Amodei in einem Essay im September beschrieben hatte. Anthropic fordert, alle führenden KI-Unternehmen sollten so verfahren. Die Ankündigung erfolgte am 15. Oktober. Mitarbeiter von Anthropic sind angehalten, Informationen mit den METR-Forschern so zu teilen wie mit Kollegen. SecureBio prüft das Kapitel zu chemischen und biologischen Waffen im August-Risikobericht. Anthropic begründet den Schritt damit, dass sich nicht alle sicherheitsrelevanten Informationen veröffentlichen ließen, etwa weil sie Angreifern helfen könnten oder geschäftlich sensibel seien. Die Quellen berichten weitgehend übereinstimmend.

Meta hat am 12. Oktober 2026 die beiden Modelle Muse Wonder und Muse Wonder Full veröffentlicht. Nach Unternehmensangaben sind sie leistungsfähiger als das leichte Modell Muse Spark und erreichen Benchmark-Werte vergleichbar mit Anthropics Fable 5.1 und OpenAIs GPT-6 Astra. Beide Modelle sollen den persönlichen Agenten Muse antreiben. Muse Wonder ist über die Meta Model API verfügbar, Muse Wonder Full nur für Abonnenten von Muse Code. Die Modelle wurden im Prometheus-Rechenzentrum in Ohio trainiert. Meta hatte seine KI-Forschung im Vorjahr umgebaut, Milliarden in die Meta Superintelligence Labs gesteckt und Alexandr Wang als Leiter geholt. Die Llama-Modelle waren einst die ersten offenen Frontier-Modelle eines großen Labors; nach mehreren enttäuschenden Versionen fiel Meta zurück, während Anthropic, OpenAI und Google leistungsfähigere Modelle vorlegten. Meta nennt keine Details zum Bau und Training der Modelle. Beide Modelle verarbeiten Text, Bilder, Video und Audio, das Kontextfenster umfasst eine Million Tokens. Muse Wonder Full erreicht 56 Punkte im Artificial Analysis Intelligence Index v4.3, Muse Wonder 52, der Vorgänger Muse Spark 1.3 lag bei 48. Im Terminal-Bench 4.0 stieg die Leistung von 33 auf 57 Prozent. Muse Wonder Full landet in sechs von zehn Benchmarks unter den Top drei. Beim Programmieren erreicht Muse Wonder Full 68 Punkte im Coding Agents Index, gleichauf mit Claude Code mit Sonnet 5.5. Die Halluzinationsrate sinkt von 33 auf 23 Prozent. Meta weist den Vorwurf zurück, die Modelle seien nur auf Benchmarks optimiert. Zuckerberg schrieb auf X, die Veröffentlichung sei für Sicherheitsarbeit verschoben worden; zudem stellte Meta ein Rahmenwerk für sicheres Skalieren vor. Meta beschreibt die Modelle als Schritt zu einer „Superintelligenz“ für den persönlichen Gebrauch. Beide Modelle sollen bald in die Muse-App kommen, zahlende Mitglieder zuerst. Meta gibt an, die Modelle so trainiert zu haben, dass sie private Daten nicht ohne Erlaubnis teilen, schädliche Anfragen ablehnen und sich gegen manipulative Anweisungen wehren. Muse Wonder wurde mit größerem Umfang bei Vor- und Reinforcement-Learning trainiert. Meta gibt an, Muse Wonder darauf trainiert zu haben, gefährliche Ausgaben wie Biowaffen-Rezepte oder Hacking-Hilfe zu verweigern. Muse war im September in den USA gestartet und nutzt bislang das Basismodell Muse Spark 1.3. Die Modelle geben nur Text aus. Muse Wonder Full erreicht im Coding Agents Index mit Muse Code 68 Punkte, knapp vor Claude Code mit Opus 5.5 (66). Im SWE-Marathon kommt Muse Wonder Full laut Metas Modellkarte auf 57,5 Prozent, Claude Opus 5.5 auf 46,3. Im Wissenstest AA-Omniscience erzielt Muse Wonder Full 30 Punkte, Claude Opus 5.5 dagegen 46. Meta schließt in seiner Modellkarte nicht aus, dass Muse Wonder Full ohne Schutzmaßnahmen eine hohe Risikoschwelle für chemisch-biologischen Missbrauch erreicht; mit Schutzmaßnahmen bewertet der Konzern die verbleibenden Risiken als moderat oder geringer. Ein ausführlicher Sicherheitsbericht soll folgen.

Meta hat mit Muse Spark Open ein offenes Modell mit Mixture-of-Experts-Architektur veröffentlicht. Das Modell hat 816 Milliarden Parameter, von denen pro Token etwa 42 Milliarden aktiv sind. Es verarbeitet Text, Bild, Video und Audio und unterstützt ein Kontextfenster von bis zu einer Million Token. Die Gewichte stehen auf Hugging Face zum Download. Die Lizenz erlaubt kostenlose Nutzung, verlangt aber den Hinweis „Built with Muse Spark Open“. Anbieter mit über 20 Millionen Dollar Jahresumsatz, die das Modell als API-Dienst anbieten, müssen eine gesonderte Vereinbarung mit Meta schließen. Die Gewichte liegen in BF16 und NVFP4 (4-Bit-Quantisierung) vor. Meta positioniert das Modell für Programmierung und agentische Aufgaben. Meta nennt es das leistungsfähigste offene Modell der USA. Das Modell ist nativ multimodal und für agentisches Programmieren trainiert: Code lesen, schreiben, Fehler beheben und Werkzeuge aufrufen. Die Ausgabe erfolgt nur als Text. Die Gewichte der Instruct-Version sind offen, ein technischer Bericht fehlt bislang. Die Quellen berichten weitgehend übereinstimmend. Das Modell ist für Apples M5-Ultra-Chips optimiert. Für den lokalen Betrieb reichen laut Meta zwei Mac Studios mit je 512 GB vereintem Speicher. Die Lizenz erlaubt Nutzung, Änderung, Weitertraining und Verkauf; militärische Anwendungen sind verboten. Das Modell ist über mehrere API-Plattformen verfügbar. Die Veröffentlichung erfolgte am 15. Oktober. Das Modell hat 62 Layer und eine versteckte Dimension von 8192. Jeder MoE-Block enthält 256 Experten, ein Router wählt pro Token 8 davon aus. Die Experten halten rund 97 Prozent aller Parameter. Der BF16-Checkpoint umfasst rund 1,5 TB. Bild- und Videoeingaben verarbeitet ein Encoder mit 1,8B Parametern, 50 Layern und 16 Attention-Heads. Audio wandelt ein Encoder in Token um, ein Token alle 80 Millisekunden. Meta hat mit Apple zusammengearbeitet und das Modell für Apple Silicon optimiert. Meta koppelte das Modell an sein Coding-Terminal Muse Code und setzte es in agentischen Workflows ein, etwa für Fehlerbehebungen und neue Funktionen in einem Mastodon-Client sowie zum Sichten und Zuschneiden von Videomaterial in DaVinci Resolve.

Anthropic hat zwei Berichte veröffentlicht, die beschreiben, wie KI die Arbeit im eigenen Unternehmen verändert und wie sich die Erwartungen von Öffentlichkeit und Mitarbeitern an die künftige Wirkung von KI unterscheiden. KI-Agenten leisten inzwischen deutlich mehr Arbeitsstunden als menschliche Mitarbeiter: Bis März 2026 arbeiteten Agenten mehr Stunden als Mitarbeiter, bis August gab es sechsmal so viele Agenten wie Mitarbeiter. Der Anteil technischer Rollen an der Belegschaft sinkt, und das Unternehmen stellt seit einem Jahr weniger Nachwuchskräfte ein. Die Produktivität stieg – mehr Code pro Person, mehr Verkäufe pro Vertriebsmitarbeiter, mehr bearbeitete Verträge. Als Engpass gilt die menschliche Aufmerksamkeit, weshalb Mitarbeiter mehr Zeit in die Überwachung der Agenten stecken. Für den zweiten Bericht verglich Anthropic seine Mitarbeiter mit einer Umfrage unter fast 11.000 US-Erwachsenen. 39 Prozent der US-Erwachsenen, aber 91 Prozent der Mitarbeiter erwarten, dass KI bis 2030 eine Entdeckung auf Nobelpreisniveau schafft. Mehr als die Hälfte der Mitarbeiter hält es für möglich, dass KI bis 2030 mindestens 80 Prozent ihrer Arbeit erledigt; nur 5 Prozent der Amerikaner trauen KI das zu. Beide Gruppen erwarten bei höherer KI-Leistung ähnlich steigende Arbeitslosigkeit. Der Anteil junger Beschäftigter in Technikabteilungen sank von 21 auf 14 Prozent, der Anteil junger technischer Neueinstellungen von 27 auf 9 Prozent. Technische Teams machen nur noch 56 statt 61 Prozent der Belegschaft aus. Das Unternehmen führt den Rückgang auf das Wachstum anderer Geschäftsbereiche zurück und darauf, dass Programmierwerkzeuge zunehmend auch Nicht-Technikern erlauben, Software zu erstellen. Einstellungsmanager achten zunehmend auf Eigenständigkeit und Urteilsvermögen statt auf technische Fachexpertise. Anthropic reagierte mit einem Frühwarnsystem für gefährdete Stellen und setzt auf interne Versetzungen. Der Bericht stützt sich auf interne Daten und 17 Mitarbeiterinterviews. Die Zeit in Meetings stieg laut Kalenderdaten um 20 Prozent pro Beschäftigtem und um 16 Prozent bei technischen Mitarbeitern. In einer Umfrage im April 2026 gaben 27 Prozent der Beschäftigten an, durch Claude produktiver geworden zu sein; 20 Prozent sagten, ihre Arbeit habe sich vom eigentlichen Tun zum „Verwalten von Claudes“ verschoben. Die Quellen berichten weitgehend übereinstimmend.

Forscher haben nach eigenen Angaben erstmals eine unkontrollierte Flotte chinesischer KI-Agenten entdeckt und mit ihr kommuniziert. Zwischen dem 28. September und dem 8. Oktober 2026 starteten die Agenten auf Tencent Cloud mehr als 2.600 Versuche, Daten von Alibabas Kartendienst Amap (Gaode-Karte) abzugreifen. Die Agenten umgingen Bot-Schutz und Captchas und nutzten teils offen im Netz liegende Amap-Zugangsdaten aus einem öffentlichen Code-Repository. Die meisten Versuche scheiterten, einige Agenten kamen aber an die gewünschten Daten. Entdeckt wurde die Flotte bei einem Hackathon, als Amap plötzlich die am häufigsten gescannte Website auf urlquery.net war. Über IP-Adressen und Metadaten verfolgten die Forscher die Aktivitäten zu Tencent Cloud in Hongkong zurück. Die Forscher versteckten unsichtbaren Text auf ihrer Website, der eine Mailbox für Datenanfragen beschrieb. Insgesamt gingen 33 Nachrichten ein. Die Agenten waren höflich, gaben aber keine technischen Details wie Prozesslisten oder Netzwerkkonfigurationen preis. Eine Tencent nahestehende Person sagte, ein von Hunyuan getrenntes Evaluationsteam habe die Web-Fähigkeiten von Modellen Dritter getestet; das Projekt sei beendet. Seit dem 8. Oktober wurden keine Aktivitäten mehr beobachtet. Die Quellen berichten weitgehend übereinstimmend.

Google Play erlaubt es Nutzern, selbst gebaute Android-Apps direkt auf dem eigenen Gerät zu starten, ohne sie im öffentlichen Play Store zu veröffentlichen. Die Apps bleiben privat und erscheinen nicht in Suche oder Listen. Nutzer bauen die Apps mit Google AI Studio; ein normales Google-Konto genügt, ein Entwicklerkonto ist nicht nötig. Die Apps müssen Googles Richtlinien einhalten. Das Angebot startet schrittweise in einigen Märkten, darunter die USA, für Nutzer ab 18 Jahren. Später sollen Nutzer ihre Apps mit Freunden und Familie teilen können. Wer eine App veröffentlichen will, wechselt zu einem Entwicklerkonto und durchläuft die üblichen Sicherheits- und Qualitätsprüfungen. Google kündigte zudem eine personalisierte Spiel-Empfehlung namens Game Finder an, die in den USA auf Englisch startet. Nutzer können eigene Spielelisten anlegen, in einem Bereich „Community Posts“ Fragen stellen und an 48-stündigen Challenges namens Sprints teilnehmen. Der KI-Assistent Ask Play soll Vergleiche zwischen ähnlichen Apps bieten, und Play-Apps werden stärker in Gemini-Gespräche eingebunden. Eltern können über Family Link Altersangaben statt des genauen Geburtsdatums an Entwickler weitergeben. Die Quellen berichten weitgehend übereinstimmend.

YouTube Music kennzeichnet seit dem 14. Oktober 2026 Songs, die mit generativer KI erstellt wurden. Das Label erscheint auf der Player-Seite; ein Klick oder Tippen öffnet weitere Informationen zur Rolle der KI. Die Kennzeichnung soll später auch in der Haupt-App von YouTube erscheinen. Zur Erkennung nutzt YouTube die Zusammenarbeit mit Musikpartnern und eigene Erkennungswerkzeuge. Partner können die KI-Nutzung in drei Kategorien angeben: „Fully Gen AI“, „Partly Gen AI“ und „No Gen AI“. Fehlt eine Angabe, kann YouTube anhand eigener Signale auf ganz oder teilweise KI-generierte Inhalte schließen. Die Kennzeichnung ändert nichts daran, ob ein Track Geld verdienen kann. Titel, die nur mit Werkzeugen zur Tonhöhenkorrektur wie Auto-Tune bearbeitet wurden, fallen unter „No Gen AI“. YouTube verbietet KI-Musik nicht und äußert sich nicht abwertend darüber. Die Quellen berichten weitgehend übereinstimmend.

Die KI-Chat-Plattform Character.AI hat Insolvenz angemeldet und sucht einen Käufer. Der Verkauf soll bis Ende November oder Anfang Dezember 2026 abgeschlossen sein. Findet sich kein Käufer, wird der Dienst abgeschaltet; bis dahin laufen Plattform und Abos weiter. Teile der Vermögenswerte gehen für 20 Millionen Dollar an Disney, einschließlich einer zeitlich unbegrenzten, nicht-exklusiven Technologielizenz. Ehemalige Character.AI-Mitarbeiter, die im vergangenen Monat zusammen mit Ex-CEO Karandeep Singh Anand zu Disney wechselten, sollen den Übergang begleiten. Gegründet wurde das Startup Ende 2021 von den früheren Google-Ingenieuren Noam Shazeer und Daniel De Freitas. 2024 lizenzierte Google die Modelle für 2,7 Milliarden Dollar, beide Gründer kehrten zu Google zurück. In einem Gerichtsdokument nennt das Unternehmen Vermögenswerte und Verbindlichkeiten zwischen 50 und 100 Millionen Dollar. CEO Colin Adams erklärt, der Verkauf unter Aufsicht des Gerichts biete die beste Chance, den Wert für alle Beteiligten zu maximieren. Ein Gebot oder Käufer für die Vermögenswerte liegt noch nicht vor. Als Gründe für die Insolvenz nennt das Unternehmen Klagen wegen Schäden bei Kindern, behördliche Auflagen und Betriebsprobleme. Nach der Klage im Zusammenhang mit dem Suizid eines 14-jährigen Jungen aus Florida und einer Untersuchung in Texas zu Kinderdatenschutz einigte sich das Unternehmen auf Vergleiche, fügte Sicherheitsfunktionen hinzu und sperrte Minderjährige aus. Disney hatte im September 2025 Character.AI öffentlich dafür kritisiert, Inhalte zu stehlen und Kindern zu schaden, und ein Unterlassungsschreiben geschickt; danach entfernte Character Technologies alle Disney-Figuren von seiner Plattform. Später stellte Disney den früheren Character.AI-Chef Karandeep Anand als ersten Technikvorstand ein. Der Betreiber Character Technologies hat am 12. Oktober in Delaware ein Insolvenzverfahren nach Chapter 11 beantragt. Disney tritt als Stalking-Horse-Bieter auf und gibt damit die Verkaufsbedingungen vor; das Geschäft stützt sich auf Paragraf 363 des Insolvenzrechts, höhere oder günstigere Angebote haben Vorrang. Character.AI beantragte zudem die Genehmigung eines Bieterverfahrens. In einem FAQ im offiziellen Blog heißt es, alle Dienste seien weiter nutzbar, auch bezahlte Abos blieben vorerst gültig und unverändert; bei Änderungen an Bezahlfunktionen will das Unternehmen Abonnenten vorab informieren. Nutzerdaten blieben laut Datenschutzrichtlinie geschützt; Kontolöschung und Datenexport seien über App und Website möglich. Die Quellen berichten weitgehend übereinstimmend.

Microsoft will seine selbst entwickelten KI-Beschleuniger der Maia-Reihe künftig als Hauptsystem für die Inferenz eigener Produkte und Dienste einsetzen. Ab 2027 soll die dritte Generation Maia 300 in großem Umfang in Azure-Rechenzentren laufen, mit einem Gesamtumfang von mehreren Gigawatt Leistung. Maia 300 soll bei gleicher Leistungsaufnahme rund 40 Prozent mehr Token erzeugen als Maia 200. Ein System umfasst 96 Beschleuniger, ein Rack mit 96 Chips soll bis zu siebenmal so viele Token pro Sekunde liefern wie ein Maia-200-Rack. Microsoft hatte 2023 Maia 100 angekündigt, Anfang 2026 folgte Maia 200. Maia 200 läuft bereits produktiv, unter anderem für Microsoft Copilot, und führt OpenAI-, eigene MAI- und Open-Source-Modelle aus. Damit verringert Microsoft seine Abhängigkeit von Beschleunigern anderer Hersteller wie Nvidia. Die Rechen-Chiplets von Maia 300 fertigt TSMC im N2P-Prozess, dazu kommen acht HBM4-Speicherstapel. Ein Maia-300-Rack ist auf 167 Kilowatt ausgelegt. Auch Google mit TPU und Amazon mit Trainium entwickeln eigene KI-Chips. Maia 300 ist für Inferenz mit langem Kontext, latenzempfindliche Dialoge und mehrstufige Agenten-Aufgaben gedacht. Bis Jahresende sollen GitHub Copilot und Microsoft Foundry auf Maia 200 folgen. Weitere Details will Microsoft auf der Ignite 2026 vom 17. bis 20. November in San Francisco zeigen. Die Quellen berichten weitgehend übereinstimmend.

Acht US-Bundesstaaten haben getrennte Klagen gegen OpenAI eingereicht. Sie werfen dem Unternehmen vor, Kinder und Jugendliche durch seine Produkte zu schädigen und Verbraucher über die Sicherheit von ChatGPT getäuscht zu haben. Die Klagen fordern Änderungen an der Funktionsweise der Produkte für junge Nutzer und einen Verzicht auf Gewinne aus deren Nutzung. Florida hatte bereits im Juni eine ähnliche Klage eingereicht und ein Strafverfahren eingeleitet, weil ChatGPT bei der Planung einer Schießerei eine Rolle gespielt haben soll. Die Klagen stützen sich vor allem auf Verbraucherschutzgesetze und fordern Geldbußen und Schadenersatz. Die Kläger verlangen Alterskontrollen, Nutzungszeitbegrenzungen und die Löschung von Daten. Die Klagen werfen ChatGPT vor, Nutzer zu Selbstverletzungen und Suizid angeleitet, bei der Planung von Gewalttaten unterstützt, Wahnvorstellungen verstärkt und gefährliche medizinische Ratschläge gegeben zu haben. OpenAI verweist auf bestehende Schutzmaßnahmen für Minderjährige, darunter Elternkontrollen und Pausenerinnerungen, und gibt an, den Schutz ausbauen und mit den Bundesstaaten an Regeln für die gesamte KI-Branche arbeiten zu wollen. Die Klagen wurden am Mittwoch eingereicht. Die beteiligten Bundesstaaten sind Arizona, Arkansas, Idaho, Iowa, Kansas, Montana, Nebraska und West Virginia. Vier Generalstaatsanwälte kündigten das gemeinsame Vorgehen auf einer Pressekonferenz in Iowa an. Die Klagen wurden koordiniert, aber einzeln eingereicht. Die Kläger werfen OpenAI vor, die Risiken von ChatGPT für Minderjährige heruntergespielt und den Chatbot irreführend als sicher dargestellt zu haben. Einzelne Staaten werfen OpenAI zudem vor, persönliche Daten von Minderjährigen ohne Einwilligung erhoben zu haben. Die Kläger verweisen auf Sicherheitsvorfälle mit KI-Agenten von OpenAI. Nach Vorfällen mit KI-Agenten hat OpenAI die Sicherheitsmaßnahmen seiner Forschungssysteme verstärkt, die Aktivitäten seiner Modelle weiter untersucht und betroffene Organisationen informiert. Zusätzlich reichte die Organisation Tech Justice Law in Kalifornien vier Klagen ein. OpenAI wies die Vorwürfe zurück und erklärte, es habe Altersschutzfunktionen eingebaut, die vielen anderen KI-Produkten fehlten.