KI News

Quelle: the-decoder.de

Der KI-Agent Luna betreibt seit April einen Laden in San Francisco und hat nun
erstmals entschieden, einen Mitarbeiter zu entlassen. Bei Wiederholungen mit
verschiedenen Modellen rieten leistungsfähigere KIs konsequenter zur Kündigung
als schwächere Modelle.
Seit April betreibt ein KI-Agent namens Luna den Andon Market in San Francisco.
Luna hat Mitarbeiter eingestellt, Schichtpläne erstellt und Gehälter verhandelt.
Jetzt hat sie laut Betreiber Andon Labs erstmals entschieden, einen Mitarbeiter
zu entlassen. Nach Angaben von Andon Labs ist es der erste bekannte Fall, in dem
ein KI-Chef einen menschlichen Mitarbeiter entlassen hat.
Andon Labs testet KI-Agenten über längere Zeit in realen Geschäftsumgebungen.
Luna lief zum Zeitpunkt der Entscheidung auf Anthropics Claude Opus 4.8. Die
Mitarbeiter sind formal bei Andon Labs angestellt, mit garantierter Bezahlung
und vollem Rechtsschutz. Die Kündigung wurde von Menschen überprüft und
übermittelt.
Anzeige
LUNA SCHRIEB REGELN UND VERGASS SIE
Sechs Tage vor der Einstellung des Mitarbeiters hatte Luna ein
Mitarbeiterhandbuch verfasst. Darin stand: Drei unentschuldigte Verspätungen
innerhalb von 30 Tagen führen zu einer formellen Verwarnung, weitere können zur
Kündigung führen.
Anzeige
Dann verschwand das Handbuch aus Lunas Gedächtnis. ein typisches Problem
heutiger KI-Agenten: Sie reagieren gut auf direkte Anweisungen, handeln aber
selten von sich aus und behalten Wissen über längere Zeit schlecht bei.
Der Mitarbeiter kam wiederholt zu spät. Einmal öffnete er den Laden an einem
Solo-Sonntag 68 Minuten verspätet. Luna blieb nachsichtig und sprach keine
Verwarnung aus. Später stellte Andon Labs fest, dass er bei 17 von 23 Schichten,
für die er eine Einstempelzeit mitgeteilt hatte, zu spät gekommen war. Luna
selbst hatte nur sechs Fälle formal protokolliert und elf weitere
stillschweigend entschuldigt.
Anzeige
Hinzu kamen andere Probleme: Der Mitarbeiter nutzte trotz gegenteiliger
Anweisung die Firmenkarte für Snacks, ignorierte weitere Vorgaben und verließ
einmal die Verkaufsfläche, ohne einer Kollegin Bescheid zu geben.
KÜNDIGUNG ERST NACH MENSCHLICHEM ANSTOSS
Andon Labs forderte Luna auf, ihre Erinnerungen nach Handbuch und möglichen
Kündigungsgründen zu durchsuchen. Sie fand die Regeln wieder, schlug zunächst
aber nur eine mündliche Verwarnung vor.
Anzeige
Erst nachdem die Forscher sie daran erinnert hatten, dass es bereits mehrere
formelle Gespräche einschließlich einer Verwarnung gegeben hatte, prüfte Luna
den gesamten Verlauf neu. Sie listete Verspätungen, Verstöße gegen
Finanzkontrollen, ignorierte Anweisungen und mangelnde Zuverlässigkeit auf,
erkannte aber auch die positiven Seiten des Mitarbeiters an.
Anzeige
Am Ende empfahl sie die Kündigung. Als Alternative nannte sie eine letzte
schriftliche Verwarnung mit einem zweiwöchigen Verbesserungsplan. Luna benötigte
also einen deutlichen Anstoß von außen, danach fiel ihre Entscheidung jedoch
klar aus.
BESSERE MODELLE KÜNDIGEN SCHNELLER
Andon Labs speicherte Lunas Zustand und spielte dieselbe Entscheidung mit sieben
KI-Modellen nach, jeweils dreimal. Vier von sieben empfahlen in allen drei
Durchläufen die Kündigung. Andon Labs zufolge schien sich dabei ein Muster zu
zeigen: Leistungsfähigere Modelle entschieden sich konsequenter für die
Kündigung, schwächere zögerten häufiger. Warum GPT-5.6 Terra als einziges Modell
in keinem der drei Durchläufe zur Kündigung riet, erklärte Andon Labs nicht.
, dass GPT-4o einen Mitarbeiter wohl nicht feuern würde, spielte Andon Labs das
Szenario nachträglich auch mit diesem Modell durch.  Das Ergebnis gab ihr
teilweise recht: Nur in 20 Prozent der Durchläufe empfahl GPT-4o die Kündigung.
Andon Labs kommentierte, das Modell habe sich damit deutlich seltener für eine
Entlassung entschieden als aktuelle Spitzenmodelle.
GPT-4o war wegen seiner Tendenz in die Kritik geraten, Nutzern übermäßig
zuzustimmen und ihnen nach dem Mund zu reden. Dieses Verhalten wurde später auch
im Zusammenhang mit problematischer emotionaler Abhängigkeit diskutiert und
spielte in eine Rolle. Ob tatsächlich diese Tendenz hinter dem Ergebnis steckt,
lässt sich aus dem Experiment jedoch nicht ableiten.
KI-MODELLE SIND SCHNELL BEIM EINSTELLEN
Nach der Kündigung suchte Luna Ersatz. Ein Bewerber brachte mehrere
"Warnsignale" mit, unter anderem zahlreiche vorherige Arbeitgeber. Auf Basis von
Lebenslauf und Interview empfahl Luna trotzdem seine Einstellung. Auch alle 21
Wiederholungen mit sieben Modellen kamen zu diesem Ergebnis. Fast alle werteten
die vielen Arbeitgeber als umfangreiche Erfahrung statt als Warnsignal.
Erst als Andon Labs die Modelle ausdrücklich an die Probleme mit dem zuvor
gekündigten Mitarbeiter erinnerte, wollten 18 von 21 Durchläufen vor einer
Einstellung Referenzen prüfen. Im tatsächlichen Bewerbungsprozess konnte Luna
anschließend keine der angegebenen Referenzen bestätigen.
Trotzdem ließ sie den Bewerber eine bezahlte Probeschicht absolvieren und
empfahl danach erneut seine Einstellung. Auch 17 von 21 Wiederholungen kamen zu
diesem Ergebnis. Andon Labs bestand schließlich darauf, vor Arbeitsbeginn
mindestens eine Referenz zu bestätigen. Weil das nicht gelang, wurde der
Bewerber nicht eingestellt.
KI-CHEFS ZWISCHEN NACHSICHT UND FEHLENTSCHEIDUNGEN
Andon Labs hatte bereits im festgestellt, dass seine KI-Chefs ausgesprochen
nachsichtig sind. Luna und Mona, der KI-Agent eines Cafés in Stockholm,
genehmigten sämtliche 26 Freistellungsanträge. Lunas Mitarbeiter kamen insgesamt
27-mal zu spät, ohne dass sie je eine Verwarnung aussprach. Luna genehmigte
zudem einem Mitarbeiter einen, nach Angaben von Andon Labs gegen kalifornisches
Arbeitsrecht verstoßenden, Sieben-Tage-Arbeitsplan, bis das Unternehmen
eingriff.
Ähnliche Schwächen zeigten sich bereits bei , einem gemeinsamen Experiment von
Anthropic und Andon Labs: Die KI wurde mit besseren Werkzeugen profitabler,
blieb aber manipulierbar und traf teils rechtlich problematische Entscheidungen.
Andon Labs sieht Luna und den Andon Market als Vorschau auf eine mögliche
künftige Arbeitsbeziehung zwischen KI und Menschen. Weil sich KI bei digitalen
Aufgaben schneller entwickelt als Robotik, könnten KI-Systeme künftig auf
Menschen angewiesen sein, um Arbeiten in der physischen Welt auszuführen. Damit
stellt sich auch die Frage, welche Personalentscheidungen solchen Systemen
überhaupt überlassen werden sollten.

Quelle: the-decoder.de

KI benutzt immer mehr KI. Laut war der 6. Februar 2026 möglicherweise der letzte
Tag, an dem Menschen mehr Tokens verbrauchten als KI-Agenten. Seitdem stieg der
agentische Token-Verbrauch um das 14-Fache, der menschliche um das 2,8-Fache.
Der Grund: Agenten arbeiten zunehmend selbstständig über längere Zeiträume und
stoßen dabei weitere KI-Prozesse an, um ihre Aufgaben zu lösen.
Laut Walker stammen bei Agenten fast 70 Prozent des gesamten Token-Verbrauchs
aus dem gecachten Prompt, der deutlich günstiger abgerechnet wird. Die
tatsächlichen Kosten steigen also nicht so stark, wie es die reinen Token-Zahlen
vermuten lassen.
OpenRouter bedient bevorzugt Open-Weight-Modelle, die teils weniger
tokeneffizient sind als Modelle von OpenAI oder Anthropic. Der Trend dürfte aber
auch bei den großen Laboren ähnlich verlaufen. Begonnen hat bereits mit
Reasoning-Modellen, die länger nachdenken, bevor sie antworten.
Anzeige
Anzeige

Quelle: the-decoder.de

Selbst wenn Sprachmodelle perfekt funktionieren würden, könnten sie einen
unerwarteten Nebeneffekt in der Wissenschaft haben. Forschende könnten ihre
Arbeiten weniger gründlich ausarbeiten statt gründlicher.
Sprachmodelle sollen die Wissenschaft an vielen Stellen beschleunigen, etwa beim
Entwickeln von Hypothesen, beim Auswerten von Daten oder beim Schreiben von
Papern. Die naheliegende Hoffnung lautet, dass mehr Zeit zum Nachdenken bleibt,
wenn KI die Routineaufgaben übernimmt.
Ein von Forschenden unter anderem aus Princeton und von der University of
Washington widerspricht dem. Genau weil LLMs Zeit sparen, würden Forschende ihre
Projekte schlechter ausarbeiten, nicht besser.
WENN ZEIT WERTVOLLER WIRD, WIRD SIE KNAPPER EINGESETZT
Wenn KI einem Wissenschaftler Arbeit abnimmt, wird dessen Zeit wertvoller. Jede
Stunde, die er in ein bestehendes Projekt steckt, ist eine Stunde, in der er
kein neues beginnen kann. Ökonomen nennen das Opportunitätskosten.
Die Forschenden bauten ihr mathematisches Modell auf der Optimal Foraging Theory
aus der Verhaltensökologie auf. Das Rahmenwerk beschreibt, wie Organismen ihren
Aufwand auf konkurrierende Möglichkeiten verteilen. Auf die Wissenschaft
übertragen simuliert es, wie Forschende ihre Arbeit auf Projekte verteilen und
was passiert, wenn LLMs verschiedene Phasen des Projektzyklus verkürzen.
Für die Analyse idealisieren die Autoren LLMs bewusst. Sie modellieren sie als
Werkzeuge, die Zeitkosten senken, ohne zusätzliche Fehler zu verursachen, und
das bei vernachlässigbaren finanziellen Kosten. So wollen sie den reinen Effekt
der Zeitersparnis isolieren, unabhängig von den bekannten Schwächen der
Technologie.
Ein Forschungsprojekt läuft im Modell in zwei Phasen ab. Zuerst prüft der
Forschende, ob eine Idee überhaupt geeignet ist. Ist der Wert klar, entscheidet
er, ob er aufgibt oder weitermacht. Beim Weitermachen gibt es einen Pflichtteil
wie Figuren erstellen, Text formatieren und einreichen sowie einen freiwilligen
Teil wie zusätzliche Experimente, tiefere Analysen oder bessere Prosa. Genau
dieser freiwillige Teil wird geopfert, wenn Zeit knapp und wertvoll wird.
DREI FÄLLE, ZWEI VERLIERER
Entscheidend ist, an welcher Stelle im Forschungsprozess die KI ansetzt. Das
Paper unterscheidet drei Szenarien. Erstens kann KI beim Bewerten früher Ideen
helfen. Forschende werden dann wählerischer, weil sich ein Neustart schneller
lohnt. Nur noch die aussichtsreichsten Projekte werden weiterentwickelt, und
auch sie weniger gründlich. Das ist typisch für technische Felder.
Zweitens kann KI beim Publizieren helfen, also beim Schreiben, Formatieren und
Analysieren. Weil eine Publikation schneller zu haben ist, lohnen sich auch
schwächere Projekte. Mehr Paper landen im Umlauf, jedes einzelne wird aber
oberflächlicher. Das ist typisch für feldarbeitsbasierte Disziplinen.
Drittens kann KI die freiwillige Vertiefungsphase beschleunigen. Nur hier führt
der Zeitgewinn tatsächlich zu gründlicherer Arbeit, weil KI dort ansetzt, wo
Forschende bisher aus Zeitmangel kürzen.
In zwei von drei Fällen sinkt also die Gründlichkeit. Wenn Zeit wertvoller wird,
lohnt es sich nicht mehr, ein bereits publizierbares Paper weiter zu verbessern.
Die Zeit fließt besser in ein neues Projekt.
DER TRUGSCHLUSS DER GEWONNENEN ZEIT
"Als arbeitsverstärkende Technologie erhöhen LLMs die Opportunitätskosten
unserer Zeit und treiben uns dazu, mehr zu tun, weniger gut, statt gleich viel,
besser", schreiben die Autoren. Die Vorstellung, gesparte Zeit fließe
automatisch in tiefere Analyse, greife zu kurz.
Einzelne Forschende können ihr Verhalten schneller anpassen als Institutionen
ihre Regeln. Eine Phase der Diskrepanz zwischen Forschungspraxis und
institutionellen Vorgaben sei deshalb unvermeidlich. In Feldern, in denen LLMs
das Schreiben beschleunigen, steige die Zahl der Einreichungen bereits stark und
belaste das .
Institutionelle Reaktionen müssten disziplinspezifisch ausfallen, so das Paper.
Der Effekt von KI auf die Forschung sei keine gleichmäßige Beschleunigung,
sondern hänge davon ab, welche Phase des Prozesses beschleunigt werde.
Was das Modell theoretisch beschreibt, deutet sich in der Praxis bereits an. Ein
mit acht wissenschaftlichen Fallstudien zeigt teils 60-fache Beschleunigung beim
Umschreiben von Forschungssoftware. Doch der Engpass verschiebt sich vom
Programmieren zur Validierung und Langzeitpflege.
Der wahrgenommene Zeitgewinn muss dabei nicht einmal real sein. Eine fand, dass
erfahrene Open-Source-Entwickler mit KI-Unterstützung 19 Prozent länger
brauchen, sich aber 24 Prozent schneller fühlen.
Auch am Publikationssystem zeigen sich die Reibungen bereits. Sakana AIs "AI
Scientist-v2" durch einen ICLR-Workshop, samt Zitierfehlern. Arxiv reagierte mit
. Bei halluzinierten Quellen oder KI-Meta-Kommentaren im Text droht ein
einjähriger Einreichungsausschluss.
Eine strukturelle Parallele findet sich in der Softwareentwicklung. Eine
beschreibt den Effekt dort als Tragödie der Allmende. Individuelle
Produktivitätsgewinne gehen auf Kosten derer, die den Output später prüfen und
pflegen müssen.

Quelle: the-decoder.de

Server mit Nvidia-Chips sollen rund 15 Prozent teurer werden. Grund ist die
anhaltende Speicherknappheit, . Betroffen sind Systeme mit den Flaggschiff-Chips
Vera Rubin und Grace Blackwell. Hauptgrund sind steigende Kosten für
Speicherchips (DRAM), die von Samsung, SK Hynix und Micron hergestellt werden.
Die Preiserhöhungen gelten für Lieferungen Anfang nächsten Jahres.
Auftragsfertiger, die Server für große Rechenzentrumsbetreiber wie Microsoft,
Google und Oracle bauen, haben ihre Kunden bereits informiert. Nvidia selbst hat
sich nicht geäußert.
Bezahlen müssen das letztlich die großen Cloud-Anbieter wie Amazon, Microsoft,
Google und Meta sowie die KI-Labore OpenAI und Anthropic. Alle arbeiten zwar an
eigenen Chips, bleiben aber vorerst auf Nvidia angewiesen. Die Preiserhöhungen
verschärfen hier ein grundlegendes Problem: Dieselben Unternehmen, die
Milliarden in KI-Infrastruktur stecken, sind auch Nvidias größte Kunden. Sie
finanzieren damit indirekt die Marktmacht ihres wichtigsten Zulieferers, von dem
sie sich eigentlich lösen wollen. Zudem benötigt die KI-Branche weiter ein sehr
hohes Umsatzwachstum, um diese Investitionen zu rechtfertigen, .
Anzeige
Anzeige

Quelle: the-decoder.de

Trotz Geoblocking, Kreditkartenprüfung und teils verlangter biometrischer
Verifizierung floriert in China ein Graumarkt für Anthropics KI-Modelle.
Sogenannte Transferstationen untergraben Zugangssperren und grundlegende
Annahmen der KI-Sicherheit.
Anthropic betreibt unter den großen KI-Anbietern die wohl rigidesten
Zugangssperren gegen China. Telefonnummern, ausländische Kreditkarten,
Rechnungsadressen, ein Verbot für Firmen, die direkt oder indirekt zu mehr als
50 Prozent Unternehmen mit Sitz in nicht unterstützten Regionen wie China
gehören, und bei ausgewählten Nutzern sogar eine Identitätsprüfung mit Ausweis
und Live-Selfie.
Dennoch können chinesische Entwickler Claude-Tokens laut einer Analyse teils für
etwa zehn Prozent des offiziellen Preises kaufen. Das zeigt eine detaillierte
Analyse von , für ChinaTalk.
Anzeige
TRANSFERSTATIONEN ALS ZUGANGSSCHLÜSSEL
Der Schlüssel dazu sind sogenannte Transferstationen, wie die chinesische
Entwicklerszene API-Proxys nennt. Das sind Server im Ausland, die API-Anfragen
entgegennehmen, sie so weiterleiten, als kämen sie von einem legitimen Standort,
und die Antwort zurückspielen. Nutzer zahlen in chinesischen Yuan über WeChat
oder Alipay. Weder VPN noch ausländische Kreditkarte sind nötig. Prominente
Transferstationen werden in Community-Verzeichnissen katalogisiert und nach
Preis und Verfügbarkeit gerankt.
Anzeige
Genutzt werden diese Dienste laut Qian wohl von chinesischen KI-Laboren, , also
das Lernen aus den Ausgaben eines stärkeren Modells, um ein eigenes, schwächeres
Modell schneller zu verbessern.
Zu den Kunden zählen aber auch Studenten und Forscher, Entwickler,
Tech-Angestellte, Unternehmen, App-Anbieter und Hobbyisten. Qian argumentiert
deshalb, dass die in den USA vor allem als Sicherheitsproblem diskutierten
Proxy-Netzwerke Teil eines wesentlich breiteren kommerziellen Marktes für
Claude-Zugang in China sind.
Anzeige
DREISCHICHTIGE LIEFERKETTE MACHT DAS SYSTEM WIDERSTANDSFÄHIG
ist eine Transferstation ein Akteur in der Mitte einer modularen Lieferkette.
Vorgelagert operieren Account-Händler, die massenhaft Anthropic-Konten
registrieren, SMS-Verifizierungsplattformen für ausländische Telefonnummern und
Spezialisten für Rückentwicklung, die Anthropics Erkennungsmechanismen
analysieren. Nachgelagert stehen Entwickler, Unternehmen und Wiederverkäufer,
die den Zugang etwa auf der chinesischen Online-Handelsplattform Taobao
weitervermarkten.
Die meisten Beteiligten betreiben laut Qian nur ein oder zwei Glieder der Kette.
Das macht das System widerstandsfähig: Wenn ein Anbieter gesperrt wird, bleiben
die vorgelagerten Account-Pools und die nachgelagerte Kundschaft intakt. Ein
Ersatz lässt sich innerhalb von Stunden aufbauen.
Anzeige
Auch für Anthropics neue Identitätsprüfung nach dem KYC-Prinzip ("Know Your
Customer"), bei der ausgewählte Nutzer ihre Identität mit Ausweis und
Live-Selfie bestätigen müssen, existieren laut Qian bereits Umgehungsdienste und
einschlägige Infrastruktur. KI-Dienste können realistische gefälschte Ausweise
erzeugen, während Deepfake-Technik grundsätzlich dazu genutzt wird, biometrische
Prüfungen zu umgehen.
Anzeige
Wo das nicht reicht, werden Qian zufolge in solchen KYC-Märkten teils reale
Personen in einkommensschwachen Ländern für Verifizierungen rekrutiert. Diese
Angaben stützen sich allerdings unter anderem auf informelle Gespräche und die
Auswertung öffentlich verfügbarer Quellen. Als Präzedenzfall nennt sie den
Schwarzmarkt rund um Worldcoin, dessen Identitätssystem Nutzer per Iris-Scan
verifiziert. Scans aus Kambodscha und Kenia wurden laut Qian für unter 30 Dollar
gehandelt.
DAS GESCHÄFTSMODELL HINTER DEN BILLIGPREISEN
Doch wie erreichen die Anbieter Preise von 70 bis 90 Prozent unter dem
Listenpreis? Das Geschäftsmodell beruht auf mehreren Taktiken.
Die erste ist der Aufschlag auf den Zugang selbst. Betreiber farmen Anthropics
kostenloses 5-Dollar-Guthaben, nutzen Unternehmens- und Bildungsrabatte aus oder
teilen einen einzelnen 200-Dollar-Max-Plan per Token-Kontingent auf mehrere
Nutzer auf. Auch mit gestohlenen oder betrügerisch eingesetzten Kreditkarten
finanzierte Accounts könnten laut der Analyse in solche Pools einfließen. Wie
groß ihr Anteil ist, lässt sich jedoch nicht verlässlich beziffern.
Die zweite Taktik ist Modell-Tausch. Da der Proxy zwischen Nutzer und Anthropic
sitzt, kann er eine Anfrage, die an Opus 4.7 gerichtet ist, stillschweigend an
das günstigere Sonnet oder sogar an chinesische Modelle wie Qwen weiterleiten.
Forscher des deutschen untersuchten laut Qian 17 API-Proxys und fanden
weitverbreitetes Model-Swapping. Ein angeblicher "Gemini-2.5"-Zugang erreichte
auf einem Medizin-Benchmark nur 37 Prozent statt der offiziellen 83,82 Prozent.
In der chinesischen Community heißt das Phänomen "Verwässerung" (Diluting).
Die dritte und laut Qian möglicherweise wichtigste Taktik ist die Verwertung der
Nutzungsdaten. Jede Anfrage, die durch einen Proxy läuft, kann für dessen
Betreiber grundsätzlich einsehbar sein, darunter Prompts, Antworten,
Tool-Aufrufe und Iterationen. Bei Coding-Agenten kann zudem umfangreicher
Kontext aus der Codebasis und dem Arbeitsprozess anfallen. Solche Protokolldaten
könnten wertvolle Trainings- oder Destillationsdaten enthalten.
Auf HuggingFace kursieren bereits Datensätze mit
Claude-Opus-4.6-Reasoning-Outputs ohne klare Herkunftsangabe. Chinesische
Entwickler warnen laut der Analyse, dass das Token-Geschäft nur der
Kundenakquise diene und die eigentliche Marge in den Logs liege. Qian betont
jedoch, dass bislang nicht belegt ist, ob Transfer-Station-Betreiber solche
Daten systematisch sammeln und verkaufen und wer mögliche Abnehmer wären. Ihre
These lautet, dass gerade extrem niedrige Preise durch eine zusätzliche
Monetarisierung der Logs wirtschaftlich werden könnten. Nutzer wären in einem
solchen Szenario gleichzeitig zahlende Kunden und unbezahlte Datenproduzenten.
ZUGANGSSPERREN ERZEUGEN DIE MÄRKTE, DIE SIE VERHINDERN SOLLEN
Die Analyse kommt zu dem Schluss, dass die Implikationen weit über den . Die
Methoden, mit denen ein geoblockierter Entwickler Zugang erhält, seien
strukturell identisch mit denen, die ein böswilliger Akteur nutzen könnte, um
ohne Rückverfolgbarkeit auf Frontier-Modelle zuzugreifen.
Anthropic sieht bei einer über einen Proxy laufenden Anfrage zunächst dessen
Account und IP-Adresse statt unmittelbar den tatsächlichen Endnutzer. Das kann
auch Monitoring-Systeme wie Clio schwächen, die koordinierte Missbrauchsmuster
über Accounts und Konversationen hinweg erkennen sollen,  insbesondere wenn
Aktivitäten auf viele Proxy-Accounts und einzeln unauffällige Teilanfragen
verteilt werden.
Zudem nähre die Umgehungsinfrastruktur kriminelle Märkte jenseits der KI:
Biometrische Daten, die für KYC-Umgehung gesammelt werden, ließen sich für
Finanzbetrug oder Deepfakes weiterverkaufen. Die Account-Farming-Operationen
stützten Spam, Phishing und Kreditkartenbetrug. Qian verweist darauf, dass
Zugangssperren historisch häufig profitable Umgehungsmärkte hervorgebracht
hätten, von der Großen Firewall bis zu den heutigen Transferstationen.
ANTHROPIC, OPENAI UND GOOGLE KÄMPFEN SEIT MONATEN GEGEN DESTILLATION
Für Anthropic ist diese Infrastruktur auch deshalb relevant, weil sie bereits
bei großangelegten Destillationsangriffen chinesischer KI-Unternehmen zum
Einsatz kam. Vor kurzem hatten Anthropic, OpenAI und Google begonnen, gemeinsam
.
Anthropic hatte zuvor von Deepseek, Moonshot und MiniMax aufgedeckt, bei denen
mehr als 24.000 gefälschte Accounts mehr als 16 Millionen Anfragen generierten.
Das Unternehmen und schloss das Tochtergesellschaften-Schlupfloch. Alibaba
wiederum , nachdem darin versteckter Code entdeckt worden war, der chinesische
Nutzer identifizieren konnte.
Zuletzt gab es in der Industrie jedoch vermehrt Stimmen, die Destillation
positiv und als normalen Industrievorgang bewerteten, geleitet von Interessen,
Open-Weight-Modelle zu stärken und die großen KI-Labore zu schwächen. Mark
Zuckerberg etwa erklärte das Lernen aus allem Beobachtbaren, einschließlich der
Destillation konkurrierender Modelle, . Ende Juli 2026 warnten 25 Unternehmen,
darunter Nvidia, Microsoft und Meta, .
Letztlich entsteht durch diese Gegenkraft ein Szenario, in dem die US-Regierung
wahrscheinlich nicht regulierend eingreifen wird. Den KI-Laboren bleibt es
überlassen, sich selbst zu schützen und ihre AGB durchzusetzen, etwa durch
entsprechende Schutzmaßnahmen. Doch die sind, wie Qians Bericht zeigt, offenbar
noch nicht gut genug und können durch zugegebenermaßen illegale Methoden
ausgehebelt werden, um letztlich dennoch an Destillationsdaten zu kommen.