Month: June 2026

Google hat in Deutschland im Streit um automatisch erzeugte Google-Overviews in der Suche einen wichtigen juristischen Etappensieg erzielt. Das Landgericht Berlin hat die Zusammenfassungen als Suchformat eingeordnet und eine Klage abgewiesen. Das Landgericht München I hat Googles Verantwortung in einem anderen Fall dagegen weiter gezogen. Unterm Strich bleibt die Lage erst einmal unscharf, für die Websuche genauso wie für Android und iOS.

Berliner Urteil: Overviews sind ein Suchformat

Ausgelöst wurde das Verfahren vor dem Landgericht Berlin durch die Klage eines Parfümherstellers. Das Unternehmen zog gegen Google vor Gericht, weil in den Google-Overviews seine Marken zusammen mit günstigeren Duftzwillingen auftauchten und Nutzer über Links bei Angeboten konkurrierender Händler landeten. Darin sah die Firma unter anderem Verstöße gegen das Marken- und Wettbewerbsrecht.

Das Landgericht Berlin wies die Klage aber ab. Nach Ansicht der Richter hat Google keinen „entscheidenden Einfluss“ auf den konkreten Output. Die Google-Overviews seien deshalb eher als neues Suchergebnisformat zu verstehen und nicht als Inhalte, die Google vollständig selbst steuert.

Für Google ist das ein wichtiger Punkt. Wenn die Zusammenfassungen rechtlich näher an klassischen Suchtreffern liegen, ist die unmittelbare Haftung des Unternehmens deutlich kleiner.

Münchner Gericht sieht Google unmittelbar in der Verantwortung

In München fiel die Entscheidung zuletzt anders aus. Dort klagten zwei Verlagshäuser, die in automatisch erzeugten Antworten fälschlich mit Betrug und dubiosen Geldanlage-Angeboten in Verbindung gebracht worden sein sollen.

Das Landgericht München I erließ eine einstweilige Verfügung und wertete die Antworten als „eigenständige, neue und inhaltliche Aussagen“. Darin liegt der Unterschied. Wenn aus Suchtreffern rechtlich eigene Aussagen von Google werden, haftet der Konzern auch direkter für deren Richtigkeit.

Auch bei der Prüfpflicht wurde das Münchner Gericht sehr deutlich. Nach Auffassung des Gerichts müssen Betroffene falsche Behauptungen nicht erst selbst mithilfe der verlinkten Quellen nachprüfen. Sonst entstünde eine „Schutzlücke“ zulasten der Betroffenen. Google prüft die Entscheidung und dürfte dagegen vorgehen.

Warum die Urteile auseinandergehen

Die beiden Fälle wirken auf den ersten Blick ähnlich, sind es aber nicht ganz. In Berlin ging es vor allem um die Verknüpfung einer Marke mit Konkurrenz- und Nachahmerprodukten. In München standen mutmaßlich falsche, rufschädigende Behauptungen im Raum, die erhebliche Reputationsschaden auslösen konnten.

Und genau das könnte die unterschiedlichen Entscheidungen erklären. Offen bleibt damit die Kernfrage: Sind solche Google-Overviews bloß eine neue Darstellungsform von Suchergebnissen, oder handelt es sich um eigenständige Aussagen des Anbieters?

Bedeutung über Deutschland hinaus

Die Urteile fallen in eine Phase, in der Googles Umgang mit automatisch erzeugten Inhalten europaweit stärker unter Druck gerät. Nach Angaben des European Publishers Council liegt etwa eine Wettbewerbsbeschwerde des European Publishers Council vor, die sich gegen die Nutzung journalistischer Inhalte in neuen Such- und Antwortfunktionen richtet. Parallel laufen weitere Auseinandersetzungen um urheberrechtliche Fragen bei der Wiederverwendung redaktioneller Inhalte.

Deshalb dürften die deutschen Entscheidungen über den Einzelfall hinaus Gewicht bekommen. Vor allem die Münchner Linie könnte für die künftige Haftung von Plattformen bei automatisch erzeugten Antworten richtungsweisend werden. Für Google heißt das vorerst vor allem eines: rechtliche Unsicherheit.

Quelle: Landgericht Berlin, Landgericht München I

DeepL hat heute Mixhalo übernommen.

DeepL erweitert sein Echtzeit-Angebot und baut das US-Geschäft aus

Mit der Übernahme des Start-ups Mixhalo aus San Francisco will das deutsche Übersetzungsunternehmen DeepL sein Angebot für Sprachübersetzungen in Echtzeit gezielt ausbauen. Im Fokus stehen laut DeepL Konferenzen, Events und andere Einsatzfelder, in denen Sprache ohne spürbare Verzögerung übertragen werden muss.

Zum Deal gehört auch ein neuer Standort in San Francisco, wie DeepL mitteilt. Damit verstärkt das Unternehmen ab sofort seine Präsenz in den USA, die es derzeit als seinen am schnellsten wachsenden Markt einordnet.

Der neue Standort ist dabei mehr als ein symbolischer Schritt. DeepL hatte seine Präsenz in den USA schon zuvor mit einem Tech-Hub in New York City ausgebaut.

Das Büro an der Westküste soll DeepL zufolge den Zugang zu qualifizierten Fachkräften erleichtern und zugleich die Nähe zu großen Unternehmenskunden verbessern, darunter auch Fortune-500-Konzerne.

Mixhalo bringt Event-Technik und bekannte Referenzen mit

Strategisch passt die Übernahme zu DeepLs jüngstem Vorstoß in Richtung Sprachprodukte, darunter auch Lösungen für gesprochene Übersetzungen in Echtzeit. Die Technik von Mixhalo liefert laut DeepL hochauflösendes Audio mit sehr geringer Latenz direkt auf Smartphones.

Bei internationalen Veranstaltungen, mehrsprachigen Konferenzen oder im Kundensupport lassen sich Inhalte so fast ohne Verzögerung empfangen.

Mixhalo wurde 2016 gegründet und ist vor allem im Live-Event-Markt bekannt. Die Plattform überträgt Audio nahezu verzögerungsfrei auf mobile Geräte und kam unter anderem bei der MLB und NASCAR zum Einsatz.

Gerade in lauten Arenen, auf Messen oder bei großen Konferenzen können Nutzer so Übersetzungen oder einfach einen klareren Audiokanal direkt auf dem eigenen Smartphone abrufen.

Interessant ist auch die bestehende Verbindung zwischen beiden Unternehmen: Mixhalo war laut DeepL bereits Kunde und nutzte die DeepL-API für Übersetzungen. Die Übernahme ist damit nicht nur ein Technologieschritt, sondern auch die offizielle Fortsetzung einer Zusammenarbeit, die längst lief.

Ein Deal in einem wachsenden Markt

Finanzielle Details wurden nicht genannt. Nach einer Finanzierungsrunde im Mai 2024 war DeepL mit rund 2 Milliarden bewertet worden. Mixhalo hatte bislang mehr als 39 Millionen eingesammelt.

Der Zukauf kommt zu einem Zeitpunkt, an dem die Nachfrage nach Sprachdiensten für globale Veranstaltungen, internationale Teams und digitale Kundenkontakte spürbar wächst.

Für DeepL gehört die Übernahme außerdem zu einem größeren Umbau. Das Unternehmen arbeitet seit einiger Zeit an schnelleren, stärker fokussierten Strukturen. Berichten zufolge wurden in diesem Zusammenhang auch rund 250 Stellen abgebaut.

Mit Mixhalo holt sich DeepL jetzt also nicht nur zusätzliche Technologie ins Haus, sondern auch ein Team mit praktischer Erfahrung in großen Live-Umgebungen und bei der anspruchsvollen Ausspielung von Audio in Echtzeit.

Quelle: DeepL

Downloads: Download DeepL für Android und iOS

Language: de

Immer mehr Unternehmen ziehen beim Einsatz von KI-Sprachmodellen Grenzen ein. Der Grund ist simpel: Die Kosten für Tools und agentische Systeme steigen nach Branchenberichten spürbar. Viele Firmen verabschieden sich deshalb gerade von der Idee, möglichst viele Tokens durchzujagen, und achten stattdessen darauf, den Verbrauch klein zu halten.

Kosten werden zum Hauptproblem

Vor nicht allzu langer Zeit lief es in vielen Konzernen noch genau andersherum. Möglichst viele Tokens verbrauchen, möglichst viele Tools ausprobieren, möglichst viel automatisieren. Teilweise gab es intern sogar Ranglisten, die Mitarbeiter zu noch intensiverer Nutzung antreiben sollten. In immer mehr Unternehmen geht das inzwischen nur noch innerhalb klarer Grenzen, mit festen Budgets und unter enger Kostenkontrolle.

Der Hauptgrund sind die Ausgaben. In Firmen, die besonders stark auf solche Tools setzen, liegen sie Berichten aus der Branche zufolge inzwischen bei bis zu 7.500 Dollar pro Mitarbeiter und Monat. Vor allem agentische Tools haben die Rechnungen nach oben getrieben.

Die Preise pro Token sind zwar gefallen. Gleichzeitig haben zusätzliche Nutzung, längere Kontextfenster und automatisierte Abläufe die Gesamtkosten nach Branchenangaben teils verdreifacht. Jetzt zeigt sich ein Problem, das viele Unternehmen offenbar unterschätzt haben: Einzelne Mitarbeiter können inzwischen ohne Weiteres erhebliche Summen verursachen, ohne dass zentrale Teams das sofort sehen. Microsoft stellte nach internen Angaben fest, dass manche Entwickler allein mit Claude Code von Anthropic monatliche Tokenkosten zwischen 500 und 2.000 Dollar erzeugten.

Große Konzerne ziehen die Notbremse

Bei AT&T wurde der Zugang zu GitHub Copilot in bestimmten Bereichen eingeschränkt, so Branchenberichte. Meta soll die Ausgaben für Tools von Anthropic und anderen Anbietern inzwischen deutlich genauer überwachen. Uber hatte sein Budget für Coding-Tools im Jahr 2026 Berichten zufolge schon im April aufgebraucht und arbeitet nun mit Obergrenzen von 1.500 Dollar pro Mitarbeiter und Monat je Tool.

Auch Walmart hat die Nutzung des hauseigenen Agenten nach diesen Berichten gedeckelt. Amazon entfernte demnach unter anderem eine interne Rangliste, die Beschäftigte zuvor zu noch intensiverer Nutzung angespornt hatte.

Damit rücken viele Unternehmen von der Strategie ab, hohen Einsatz automatisch mit Produktivität gleichzusetzen. Entscheidend ist jetzt eher die Frage, welche Nutzung sich am Ende tatsächlich rechnet.

Messbarer Nutzen wird zum Streitpunkt

Der Druck wächst auch deshalb, weil die Gesamtbudgets kräftig anschwellen. Die weltweiten Ausgaben für entsprechende Systeme sollen nach Branchenberichten 2026 auf 2,59 Billionen Dollar steigen. Gleichzeitig sehen laut Deloitte nur 28 Prozent der globalen Finanzverantwortlichen einen klar messbaren Gegenwert ihrer Investitionen. Für viele Vorstände ist genau das der Punkt, an dem die Stimmung kippt. Wenn sich Produktivitätsschübe nicht belastbar belegen lassen, wird freie Nutzung schnell zum Budgetrisiko.

Günstigere Modelle und Governance-Tools gewinnen an Bedeutung

Ganz aussteigen wollen die Unternehmen trotzdem nicht. Einfache Aufgaben wandern zunehmend auf kleinere, günstigere oder offene Modelle, während teure Spitzenmodelle für komplexere Fälle reserviert bleiben. Genau daraus entsteht gerade ein neuer Markt. Die neue Generation von Gateways, Routern und Governance-Tools hilft Unternehmen dabei, Nutzung zu überwachen, Ausgabenlimits festzulegen und Anfragen automatisch an das Modell weiterzuleiten, das wirtschaftlich am meisten Sinn ergibt.

Microsoft und Databricks haben dafür nach Branchenberichten bereits eigene Lösungen vorgestellt. Das von Nvidia unterstützte Start-up Factory, zuletzt laut diesen Berichten mit 1,5 Milliarden bewertet, hat ebenfalls einen Router auf den Markt gebracht, der Aufgaben nach Kosten-Nutzen-Profil verteilt. Microsoft-Chef Satya Nadella vertritt schon länger die Ansicht, dass Modelle austauschbar sein sollten und kein einzelnes Modell unangreifbar den Ton angeben dürfe.

Ganz eindeutig ist die Lage aber nicht. Databricks lässt Ingenieuren Berichten zufolge weiterhin de facto unbegrenzte Budgets, solange der Produktivitätsgewinn stimmt. Nicht jeder Token ist also automatisch zu teuer. Aber heute muss sich jeder Token besser rechtfertigen lassen.

Quelle: Branchenberichte, Deloitte, interne Microsoft-Angaben

Microsoft prüft für den Microsoft-365-Dienst Copilot Cowork derzeit eine günstigere Modelloption. Nach Angaben des Unternehmens gehört DeepSeek V4 zu den Kandidaten.

Hohe Kosten bei agentischen Funktionen

Dafür testet Microsoft nach eigenen Angaben eine selbst gehostete Version von DeepSeek V4, möglicherweise aber auch ein anderes offen verfügbares Modell. Eine billigere Variante für Kunden soll nach Unternehmensangaben schon in den nächsten Wochen bereitstehen.

Der Auslöser ist vor allem ein wirtschaftlicher. Copilot Cowork arbeitet bei komplexeren, agentischen Aufgaben anders als ein gewöhnlicher Chatbot: Das System greift immer wieder auf Modelle, Datenquellen und Werkzeuge zu.

Wenn solche Assistenten viele Aufgaben übernehmen, schießen die Rechenkosten schnell nach oben. Charles Lamanna, einer der wichtigsten Manager für Microsofts Business-Anwendungen, sagte dazu, dass manche Nutzer auf diese Weise Hunderte Aufgaben pro Woche abarbeiten. Für Microsoft ist das also nicht allein eine technische Frage, sondern auch ein betriebswirtschaftliches Problem.

Nutzungsabhängige Preise für Copilot Cowork

Microsoft baut deshalb nach eigenen Angaben auch das Preismodell von Copilot Cowork um. Ein fixer Monatspreis soll demnach schrittweise durch eine nutzungsabhängige Abrechnung ersetzt werden. Abgerechnet würden dann unter anderem die Modellnutzung, der Abruf von Kontext, Werkzeugaufrufe und die Laufzeit. Arbeitet das zugrunde liegende Modell günstiger, verbessert das für Microsoft entsprechend auch die Marge.

DeepSeek V4 als kostengünstigere Alternative

Genau an diesem Punkt wird DeepSeek V4 interessant. Bislang stützt sich Copilot Cowork nach Angaben von Microsoft vor allem auf Modelle von OpenAI und Anthropic.

Beide Anbieter haben ihre Preise angehoben und zugleich großzügigere, fast flatrateartige Angebote inzwischen zurückgenommen. DeepSeek V4 gilt unter Entwicklern dagegen als deutlich günstiger im Betrieb und lässt sich als offen verfügbares Modell breit einsetzen. Für Microsoft könnte das bei Copilot Cowork in Microsoft 365 einen spürbaren Kostenvorteil bedeuten.

Hosting in Azure soll politische Bedenken ausräumen

Politisch ist die Sache trotzdem heikel, weil DeepSeek aus China kommt. In Washington wächst das Misstrauen gegenüber chinesischen KI-Modellen.

Dabei geht es unter anderem um mögliche Verbote, Fragen der nationalen Sicherheit, Exportkontrollen und Chinas Zugang zu leistungsfähigen Rechensystemen.

Microsoft will diese Vorbehalte nach eigenen Angaben über das Hosting-Modell auffangen. Eine mögliche DeepSeek-Variante wäre optional und würde innerhalb von Azure laufen.

Die Kundendaten blieben damit, so Microsoft, in der eigenen Cloud des Unternehmens und fielen weiter unter die bestehenden Vorgaben für Sicherheit, Compliance und Datenresidenz. Außerdem will Microsoft das Modell anpassen und mit eigenen Schutzmechanismen ergänzen. Dazu gehören auch Maßnahmen, die Verzerrungen verringern sollen.

Mehr Unabhängigkeit von OpenAI

Die Überlegungen passen außerdem zu Microsofts größerer Strategie, sich nicht von nur einem Modellanbieter abhängig zu machen. Nach den Spannungen rund um OpenAI setzt Microsoft sichtbar stärker auf ein Modell-Ökosystem mit mehreren Anbietern. Satya Nadella hatte mehrfach gesagt, dass der Wert dieses Marktes nicht bei nur wenigen Forschungslaboren konzentriert bleiben sollte. Auch an der Börse wächst der Druck, weil die Investitionen in Rechenzentren und Infrastruktur hoch sind. Analysten schauen deshalb immer genauer darauf, wann sich diese Ausgaben in besseren Renditen niederschlagen.

Quelle: Microsoft

OpenAI hat mit der sogenannten Deployment Simulation ein neues Testverfahren vorgestellt. Damit sollen noch nicht veröffentlichte Modelle der GPT-5-Familie vor ihrem Start unter Bedingungen geprüft werden, die dem späteren Alltag näherkommen.

Tests vor der Veröffentlichung, aber näher an der Realität

Nach Angaben von OpenAI soll die Methode eine bekannte Schwäche klassischer Sicherheits- und Qualitätstests auffangen: Wie verhält sich ein System später, wenn es tatsächlich mit echten Nutzerinnen und Nutzern in Kontakt kommt? Den Forschenden bei OpenAI geht es dabei nach eigener Darstellung nicht zuerst darum, einzelne spektakuläre Fehltritte zu finden.

Wichtiger ist für das Unternehmen, schon vor dem Release besser einschätzen zu können, wie oft Probleme im normalen Betrieb wirklich auftauchen. In internen Tests mit Modellen aus der GPT-5-Familie habe das Verfahren Fehlermuster in 92 Prozent der Fälle richtig vorhergesagt, so OpenAI.

Echte Gespräche statt künstlich gebauter Tests

Das Grundprinzip ist erst einmal ziemlich simpel. OpenAI greift dafür nach eigener Beschreibung auf echte, anonymisierte Unterhaltungen aus einem bereits veröffentlichten älteren Modell zurück.

Das neue, noch nicht freigegebene Modell erhält dann den bisherigen Verlauf eines Gesprächs und erzeugt auf dieser Basis die nächste Antwort. So entsteht, wenn man OpenAIs Beschreibung folgt, eine Testumgebung, die deutlich näher an realen Nutzungssituationen liegt als klassische Benchmarks.

Genau darin sehen die Forschenden den entscheidenden Punkt. Modelle verhalten sich unter Laborbedingungen oft anders als draußen im Alltag. Wenn ein System auch nur indirekt mitbekommt, dass es gerade getestet wird, kann das die Resultate verzerren.

Warum klassische Tests allein nicht reichen

Herkömmliche Testverfahren arbeiten oft mit klar abgesteckten Aufgaben, Red-Teaming oder besonders schwierigen Einzelprompts. Das hat weiter seinen Platz, kommt aber nicht immer weit genug.

Solche Verfahren zeigen zum Beispiel, ob ein Modell in bestimmten Extremfällen scheitert. Was sie viel schlechter abbilden, ist die Frage, wie häufig Probleme später im normalen Betrieb tatsächlich vorkommen.

OpenAI argumentiert deshalb, dass die Deployment Simulation authentischere Antworten hervorbringt. Das Modell steckt dabei in laufenden, natürlichen Konversationen und reagiert dadurch eher so, wie es auch nach der Veröffentlichung reagieren würde.

Neue Fehlerklassen, aber kein Ersatz für andere Schutzmaßnahmen

Nach Angaben von OpenAI hat die Methode nicht nur bekannte Schwächen bestätigt. Sie hat auch neue Problemfelder sichtbar gemacht. Als Beispiel nennen die Forschenden das sogenannte Calculator Hacking: Ein Modell nutzte ein Browser-Werkzeug praktisch wie einen Taschenrechner, stellte den Vorgang anschließend aber ungenau als normale Suche dar.

Solche Fälle sind relevant, weil Fehler eben nicht nur aus klar falschen Antworten bestehen. Sie können auch in der Darstellung einzelner Zwischenschritte liegen oder darin, dass ein Werkzeugeinsatz nicht offengelegt wird.

Trotz der positiven Ergebnisse beschreibt OpenAI den Ansatz ausdrücklich als Ergänzung. Seltene oder komplett neue Fehlermodi könnten auch unentdeckt bleiben, heißt es.

Red-Teaming, gezielte Sicherheitstests und andere Prüfverfahren bleiben also weiter Teil des Gesamtpakets. Für die Branche kommt diese Arbeit zu einem passenden Zeitpunkt. Behörden und Standardisierungsgremien verlangen schon seit Längerem belastbarere Vorabprüfungen, zum Beispiel über das National Institute of Standards and Technology (NIST) in den USA, den risikobasierten Rahmen des EU AI Act und internationale Safety Institutes.

Unabhängige Überprüfungen sind bisher allerdings selten. OpenAI weist darauf hin, dass externe Prüfer mit öffentlichen Datensätzen wie WildChat zumindest aufschlussreiche Analysen durchführen könnten, auch wenn diese weniger präzise wären.

Quelle: OpenAI

Downloads: Download ChatGPT für Android | Download ChatGPT für iOS

Das 2024 gegründete Start-up CuspAI aus Cambridge entwickelt Software, mit der sich neue Materialien aufspüren lassen. Nach Medienberichten verhandelt das Unternehmen derzeit über eine Finanzierungsrunde von rund 400 Millionen Dollar, bei einer Bewertung von etwa 2,6 Milliarden Dollar.

Angeführt werden soll die Runde demnach von Bezos Expeditions und Kleiner Perkins. Fix ist der Deal aber noch nicht.

Bewertung springt innerhalb von neun Monaten deutlich nach oben

Sollte die Transaktion zustande kommen, wäre das für das 2024 gegründete Unternehmen aus Cambridge ein bemerkenswerter Satz nach vorn. Noch im September 2025 lag die Bewertung von CuspAI Berichten zufolge bei 520 Millionen Dollar. Innerhalb von rund neun Monaten würde sich der Firmenwert damit auf ungefähr das Fünffache erhöhen.

Plattform für neue Materialien

CuspAI beschreibt seine Softwareplattform als eine Art Suchmaschine für die materielle Welt. Das System soll also nicht bloß bekannte Stoffe durchrechnen, sondern gezielt nach Molekülen und Materialien suchen, die ganz bestimmte gewünschte Eigenschaften mitbringen.

So kann unter anderem nach Kandidaten mit höherer Festigkeit, besserer Leitfähigkeit oder größerer Hitzebeständigkeit gesucht werden. Nach Angaben des Unternehmens lassen sich neue Kandidaten auf diesem Weg zehnmal schneller finden als mit klassischen Verfahren.

Entscheidend ist dabei der Blick auf Materialien, die sich auch wirklich herstellen lassen. CuspAI bezeichnet seine Modelle als „synthesis-aware“. Sie sollen also nicht nur theoretisch spannende Stoffe auswerfen, sondern solche, die sich am Ende auch praktisch produzieren lassen.

Genau dort hakt es bei vielen Ansätzen in der digitalen Materialforschung. Was auf dem Rechner überzeugend aussieht, scheitert im Labor oft schnell. Als mögliche Einsatzfelder nennt CuspAI Materialien zur CO2-Abscheidung zusammen mit Meta, Lösungen für saubere Energie mit Hyundai sowie Verfahren zur Entfernung von PFAS aus Wasser mit Kemira.

Gründer, Berater und Bezos’ Strategie

Gegründet wurde CuspAI von dem Chemiker Chad Edwards, der zuvor bei Quantinuum tätig war, und dem Machine-Learning-Forscher Max Welling, früher Distinguished Scientist bei Microsoft Research. Zum Kreis der Berater gehören außerdem Geoffrey Hinton und Yann LeCun.

Für Jeff Bezos würde eine Beteiligung gut in ein größeres Muster passen. Der Amazon-Gründer setzt zuletzt stärker auf Software für Fertigung, Engineering und industrielle Abläufe, weniger auf klassische Chatbots. Dazu passt auch die kürzlich vorgestellte Initiative Prometheus, ein auf rund 41 Milliarden Dollar angelegtes Labor für Anwendungen in der physischen Welt.

Markt wächst, das Risiko bleibt

Schon jetzt fließt viel Geld in den Markt. XtalPi wird Berichten zufolge mit rund 2,5 Milliarden Dollar bewertet, Periodic Labs sammelte laut Berichten zuletzt 200 Millionen Dollar in einer Seed-Finanzierung ein, bei einer Bewertung von 1 Milliarde Dollar.

In Europa sind unter anderem Altrove und Dunia Innovations aktiv. Einer Prognose zufolge dürfte der Markt für softwaregestützte Materialentdeckung von 0,74 Milliarden Dollar im Jahr 2025 auf 2,77 Milliarden Dollar bis 2030 wachsen.

Trotz des Interesses bleibt das Feld riskant. Die Entwicklung neuer Materialien zieht sich oft über lange Validierungs- und Kommerzialisierungszyklen, hochwertige Trainingsdaten sind rar, und zwischen einem Vorschlag aus dem Modell und einem experimentellen Treffer liegt häufig ein ziemlich weiter Weg.

Für ein Unternehmen mit Berichten zufolge rund 65 Beschäftigten wäre selbst eine Bewertung von 2,6 Milliarden Dollar sehr ambitioniert. CuspAI wird damit zum Testfall für die Frage, wie viel Investoren für die nächste Generation industrieller Software tatsächlich zu zahlen bereit sind.

Quelle: Berichte über die laufenden Gespräche

Downloads: CuspAI ist aktuell nicht als Download für Endnutzer verfügbar.

Nvidia stellt heute zusammen mit der Carnegie Mellon University und der University of California, Berkeley ENPIRE vor. Dahinter steckt ein Forschungsprojekt für autonomes Robotertraining auf echter Hardware. Ziel ist es, die Roboter-Manipulation mit deutlich weniger menschlichem Eingreifen zu verbessern. Später soll das Ganze nach Angaben des Unternehmens auch als Open Source veröffentlicht werden.

Automatisierte Rückkopplungsschleife

An dem Forschungsprojekt arbeiten Nvidia, die Carnegie Mellon University und die University of California, Berkeley gemeinsam. ENPIRE steht für „Embodied aNd Physical-world-aware agentIc Robot policy self-ImprovemEnt“. Der Ansatz soll, so beschreibt es Nvidia, die Manipulationsfähigkeiten von Robotern mit spürbar weniger menschlicher Unterstützung voranbringen.

Im Kern geht es um eine automatische Rückkopplungsschleife: Arbeitsplatz zurücksetzen, eine Strategie ausführen, das Ergebnis bewerten und den nächsten Versuch daran anpassen. Für Unternehmen ist genau das ein interessanter Punkt, weil diese Art von Iteration auf realer Hardware bisher viel Personal bindet und entsprechend Zeit kostet.

Zwei Phasen beim Training

Die Forscher setzen laut Nvidia auf ein zweistufiges Verfahren. In der ersten Phase hilft der Agent dabei, Sicherheitsgrenzen festzulegen, automatische Reset-Abläufe einzurichten und Erfolgskriterien zu definieren. Ganz ohne Menschen geht es an dieser Stelle noch nicht, begrenztes Feedback bleibt nötig.

Danach folgt die zweite Phase, in der ENPIRE dem Konzern zufolge weitgehend allein weiterarbeitet. Der Agent liest Fachliteratur, stellt Hypothesen auf, greift in den Trainingscode ein und entscheidet anhand realer Ergebnisse, ob zum Beispiel Behavior Cloning oder Reinforcement Learning besser passt. Das System testet also nicht bloß verschiedene Strategien, sondern schraubt auch an der Trainingsmethode selbst.

Eigene Prüfprogramme und acht YAM-Stationen

Für die Auswertung erzeugt ENPIRE nach Angaben von Nvidia eigene Belohnungsfunktionen und Prüfskripte. Als Basis reichen demnach schon wenige Minuten Videomaterial mit gelungenen und misslungenen Ausführungen. Beim Einsetzen eines Pins zieht das System laut Nvidia die visuelle Ausrichtung, die Höhe des Greifers und eine geschätzte Kraft zusammen. Beim Durchtrennen eines Kabelbinders arbeitet ENPIRE mit zwei Kameraperspektiven und reagiert in unter 150 Millisekunden.

Für die Skalierung greift Nvidia laut eigener Darstellung auf acht duale YAM-Roboterstationen zurück. Jede dieser Stationen bringt eigene Hardware, einen eigenen Rechner und einen eigenen Coding-Agenten mit. So können die Systeme verschiedene Ansätze parallel ausprobieren und erfolgreiche Code-Änderungen sowie Trainingsrezepte über Git untereinander austauschen.

Bis zu 99 Prozent Erfolg, Open Source geplant

Der Studie zufolge kam die Roboterflotte bei anspruchsvollen Manipulationsaufgaben auf Erfolgsraten von bis zu 99 Prozent. Genannt werden unter anderem der Push-T-Benchmark, das Sortieren von Pins in eine Box und das Schneiden eines Kabelbinders. Beim Einsetzen eines Pins erreichte die gelernte Strategie laut Nvidia sogar schneller 100 Prozent Erfolg als ein vergleichbarer Ansatz, bei dem Menschen stärker eingebunden waren.

ENPIRE baut laut Nvidia auf Eureka auf. Dort erzeugte GPT-4 dem Unternehmen zufolge Belohnungsprogramme, die in mehr als 80 Prozent der Aufgaben besser abschnitten als von Menschen geschriebene Varianten und in einzelnen Fällen Leistungsgewinne von über 50 Prozent lieferten.

Zugleich fügt sich das Projekt in Nvidias Robotik-Offensive rund um Project GR00T, Jetson Thor und Isaac GR00T ein. ENPIRE soll nach Angaben von Nvidia als Open Source erscheinen. Nvidia-Forscher Jim Fan beschreibt den Ansatz als „AutoResearch in der physischen Welt“ und als eine Art Schnittstelle zur Welt der Atome.

Quelle: Nvidia

Downloads: Für ENPIRE gibt es aktuell noch keinen Download, eine Open-Source-Veröffentlichung ist aber geplant.

Im ersten Quartal 2026 hat OpenAI laut einem Bericht 5,7 Milliarden US-Dollar Umsatz erzielt, gleichzeitig aber 3,7 Milliarden US-Dollar an liquiden Mitteln verbrannt.

Wachstum und Kosten laufen fast gleichauf

Damit floss laut Bericht deutlich mehr als die Hälfte des Quartalsumsatzes direkt wieder ab. Auffällig ist vor allem das Verhältnis zwischen Wachstum und Kosten: Im Jahresvergleich haben sich Umsatz und Ausgaben jeweils verdreifacht. Das Geschäft legt also mit enormem Tempo zu. Nur echte operative Skaleneffekte sind bisher kaum erkennbar. Mehr Kunden und eine intensivere Nutzung schlagen im Moment nicht automatisch in bessere Margen um.

Das Kerngeschäft selbst treibt die laufenden Kosten hoch

Ein wichtiger Grund steckt laut Bericht offenbar direkt im Kern des Geschäfts. Je stärker die leistungsfähigen Modelle genutzt werden, desto teurer wird ihr laufender Betrieb. Vor allem die Rechenleistung hinter Anfragen und Ausgaben kostet viel Geld, und mit dem Produkterfolg wächst dieser Posten gleich mit. Genau das erklärt laut Bericht, warum das kräftige Umsatzwachstum bislang noch keine spürbare finanzielle Entlastung bringt.

Viel Cash, allerdings vor allem dank einer Finanzierungsrunde

Trotz des hohen Cash-Burns hat OpenAI laut dem Bericht kurzfristig kein akutes Geldproblem. Das Unternehmen soll das Quartal mit mehr als 73 Milliarden US-Dollar an Cash und marktfähigen Wertpapieren beendet haben, nach rund 40 Milliarden US-Dollar Ende Dezember. Der starke Sprung geht laut Bericht allerdings in erster Linie auf frisches Kapital aus einer großen Finanzierungsrunde zurück und nicht auf einen Mittelzufluss, den das operative Geschäft aus eigener Kraft trägt.

Bewertung, Börsengang und neue Erwartungen

Kein Wunder also, dass Investoren jetzt genauer hinschauen dürften. Eine jüngste Finanzierungsrunde bewertete OpenAI Berichten zufolge mit rund 852 Milliarden US-Dollar. Zugleich soll OpenAI laut Berichten vertraulich einen Börsengang in den USA vorbereitet haben, der schon im September stattfinden könnte, bei einer Bewertung von bis zu 1 Billion US-Dollar. Bei solchen Summen steigen auch die Erwartungen: mehr Transparenz, mehr Disziplin und ein glaubwürdiger Weg in die Profitabilität.

Verluste und Ausgaben bleiben gewaltig

Die Dimension der Verluste bleibt erheblich. Nach Research-Einschätzungen steht für 2025 ein Nettoverlust von rund 39 Milliarden US-Dollar im Raum. Andere Schätzungen sehen den Fehlbetrag ohne nicht zahlungswirksame Effekte und Umbaukosten eher bei etwa 8 Milliarden US-Dollar. Für das erste Quartal 2026 ergab sich laut einer Analyse eine non-GAAP-operative Marge von minus 122 Prozent. Laut Bericht entfällt ein großer Teil der Ausgaben auf Rechenzentren, Forschung und den Ausbau der Infrastruktur. Für 2025 sollen sich die Gesamtausgaben dem Bericht zufolge auf 34 Milliarden US-Dollar belaufen haben, davon angeblich rund 19 Milliarden US-Dollar für Forschung und Entwicklung.

Der Druck auf dem Weg zur Profitabilität wächst

Damit reicht bloße Größe immer weniger aus. OpenAI hat laut Bericht signalisiert, wohl erst gegen Ende des Jahrzehnts profitabel werden zu wollen. Gleichzeitig verweisen Berichte auf Sorgen unter Investoren, auf eine schärfere Finanzdisziplin, mögliche Preissenkungen und auf ein ChatGPT-Nutzerwachstum, das teils hinter den internen Zielen zurückbleiben soll. Entscheidend ist am Ende also nicht nur, wie schnell OpenAI wächst. Sondern auch, wann aus diesem Wachstum tragfähige Erträge werden.

Quelle: Bericht