Gemini — Juli 2026

KI-generierte Satellitenbilder mit scheinbarer Glaubwürdigkeit können Desinformation in geopolitischen Kontexten massiv verstärken. SynthID-Wasserzeichen schützen nur, wenn Empfänger aktiv prüfen – ein erhebliches Risiko für Journalisten und Open-Source-Intelligence-Analysten.

Für AI-Builder relevant: Leaderboard-Scores auf Coding- oder Math-Benchmarks sagen wenig über Instruction-Following-Qualität aus. Kleinere, effiziente Modelle wie Gemma 4 26B können in produktionsnahen Workflows überlegen sein – Modellauwahl sollte aufgabenspezifisch evaluiert werden.

Entwickler, die chinesische Lehrermodelle zur Destillation nutzen, können laut dieser Studie nicht davon ausgehen, dass Zensurverhalten mitübertragen wird – sofern Lehrer und Schüler unterschiedliche Gewichts-Initialisierungen haben. Das Open-Source-Framework LineageEval erlaubt künftig auditierbare Messungen dieses Effekts.

ER 2 erkennt Schlüsselmomente in Live-Video mit ~90 % Genauigkeit und ermöglicht Echtzeit-Fehlerkorrektur ohne Neustart – relevant für alle, die robotische Agenten mit Gemini-APIs bauen. Der neue ASIMOV-Agentic-Safety-Benchmark ist vollständig auf Hugging Face verfügbar.

Whole-Body-Control gilt als zentrale Herausforderung für generalistischen Robotik-Einsatz. Gemini Robotics 2 zeigt, dass ein KI-Modell solche koordinierten Bewegungen steuern kann – relevant für Teams, die humanoide oder mobile Manipulatoren mit Foundation-Modellen ausstatten wollen.

Gemini Robotics 2 adressiert gezielt schwierige Dexteriätsaufgaben – ein bekanntes Bottleneck in der Robotik. Für AI-Builder, die an Manipulation und physischer KI arbeiten, signalisiert das Demo den Stand der DeepMind-Robotik-Pipeline.

Wer KI für wissenschaftliche Entdeckungen einsetzt, sollte laut Zahavy nicht auf reine Sprachmodelle setzen — World Models gelten als vielversprechenderer Ansatz für genuines Neues-Generieren jenseits von Mustererkennung.

Entwickler erhalten eine dateibasierte Langzeitwissensbasis (Markdown + YAML) ohne Vendor-Lock-in, die mit jedem lokalen Modell via Ollama oder Cloud-APIs funktioniert. Der Immutable-Inbox-Ansatz verhindert Datenverlust durch LLM-Fehler.

Lyria 3.5 steht ab sofort in Flow Music zur Verfügung und erweitert die Möglichkeiten zur KI-gestützten Musikerstellung um emotionalere Vocals, bessere Prompt-Adherenz bei Lyrics und direkte Steuerung von Tempo und Dauer – relevant für Creators, die KI-Musik produktiv einsetzen.

Der Zerfall des AlphaFold-Teams signalisiert eine strategische Kehrtwende bei DeepMind weg von Strukturbiologie. Für AI-Builder bedeutet das: Talent und Expertise konzentrieren sich zunehmend bei Anthropic, was dort die Forschungskapazitäten stärkt.

Wer KI-generierte Bilder zuverlässig kennzeichnen will, sollte wissen: SynthID hält starker Kompression stand, ist aber durch kombiniertes Komprimieren und Cropping überwindbar. Da OpenAI, Runway und Nvidia SynthID nun integrieren, wird die Robustheit in der Praxis bald breiter getestet.

KI fungiert laut Datenlage primär als Ergänzung, nicht als Ersatz – besonders bei kognitiven Routineaufgaben mit geringem Expertisegrad. Für AI-Builder bedeutet das: Vollautomatisierung ganzer Rollen ist kurzfristig kein realistisches Produkt-Versprechen.

Reine Spekulation ohne belastbare Belege. Für AI-Builder relevant als Stimmungsbild zur Verlässlichkeit von Open-Weight-Releases bei großen Labs nach internen Personalwechseln.

Veraltete Frontier-Modelle als Open Weights würden der Community Zugang zu hochwertigen Basismodellen ohne Cloud-Kosten ermöglichen. Bislang zeigen Labs wenig konkreten Willen dazu – Altmans Museum-Ankündigung ist nach fast einem Jahr uneingelöst.

Ein offizieller Destillationsdienst von Google würde es Entwicklern erleichtern, kleinere, spezialisierte Modelle aus Gemini abzuleiten – ohne eigene Trainingsinfrastruktur. Konkreter Mehrwert ohne Volltext nicht abschließend beurteilbar.

Entwickler, die Modelle auf Hugging Face hosten oder nutzen, stehen vor wachsendem regulatorischen und ethischem Druck. Die Lücke zwischen Open-Source-Hosting und Missbrauchsprävention wird zunehmend zum Haftungsrisiko für die gesamte Plattform-Ökosystem.

Für AI-Builder relevant: ChatGPT Work auf Mobilgeräten ist laut Willison ein unintuitive Variante, bei der der Code-Interpreter-Container Internetzugang erhält – ein wichtiger Unterschied zur Desktop-Version. Die inkonsistente Benennung der Modi (Work/Codex vs. Cowork/Code) bleibt eine Usability-Hürde.

Meta AI ist nun auf allen großen Meta-Plattformen (Facebook, Instagram, WhatsApp, Threads) in DMs verfügbar – das stärkt den Lock-in-Effekt und erhöht den Wettbewerbsdruck auf ChatGPT und Google Gemini im Bereich der integrierten KI-Assistenten.

Praxisnaher Vergleich mehrerer GGUF-Finetuning-Varianten desselben 35B-Basismodells auf konsumergängiger Hardware (RTX 5070 Ti 16 GB + 32 GB RAM); relevant für Entwickler, die lokale Coding-Assistenten evaluieren.

Kat Coder 2.5 übertrifft laut diesem Test andere Open-Source-Modelle und sogar Gemini 3.6 Flash Extended bei komplexen Coding-Aufgaben – und das mit reduzierter Q4_K_M-Quantisierung, was lokalen Betrieb auf Consumer-Hardware ermöglicht.

Wer Gemma4-E4B-Abliterierungen einsetzt, sollte Download-Zahlen nicht als Qualitätsindikator werten. Chirurgische Abliterierungen (wenige Tensoren berührt) schlagen aggressive Tools wie OBLITERATUS klar – sowohl bei Benchmarks als auch bei tatsächlicher Refusal-Umgehung. Reasoning-Distillate auf Basis fremder Traces (z.B. Claude Opus) degradieren das Basismodell nachweislich.

Das Projekt beleuchtet praxisrelevante Architekturprobleme rund um Long-Context, externe Datenbanken und Gedächtnissysteme für agentenbasierte Anwendungen – Lösungsansätze aus der Community sind direkt auf persistente Agent-Systeme übertragbar.

Für Entwickler lokaler Video-Pipelines relevant: Llama und Gemma unterstützen laut Nutzer keinen direkten Video-Upload; Qwen wird als lokale Alternative genannt. Konkrete Empfehlungen und Setups finden sich in den Kommentaren des Threads.

Die massenhafte Nachfrage zeigt, dass erzwungene KI-Integration in Alltagsgeräte und -apps auf breiten Widerstand stößt. Für AI-Builder ist das ein klares Signal: fehlende Opt-out-Optionen und mangelnde Transparenz gefährden Nutzerakzeptanz und Vertrauen.

Wer deutsche NLP-Aufgaben mit Gemini abdeckt, kann laut diesem inoffiziellen Test keinen nennenswerten Qualitätssprung von 3.5 auf 3.6 Flash erwarten. Konkreter Mehrwert ohne vollständige Benchmark-Tabelle nicht abschließend beurteilbar.

Meta AI konkurriert nun direkter mit Gemini, ChatGPT und Claude im Assistenten-Segment. Die Kalender- und Research-Funktionen könnten Meta AI als Alltagsassistenten für Milliarden Meta-Nutzer relevanter machen.

Das Co-Star-Team bringt Consumer-App-Erfahrung mit — Midjourney könnte damit endlich eine eigene Standalone-App entwickeln, da bisher nur ein Discord-Server existiert. Die Akquisition zeigt Midjourneys breite Produktstrategie jenseits von Bild- und Videogenerierung.

Zeigt praxisrelevante Abwägung: Quantisierung spart Ressourcen, erhöht aber Fehlerrate und Folgekosten – bei hohem Volumen können kleine, unquantisierte Sprachmodelle wirtschaftlicher sein als große 4-bit-Modelle. Multimodale Modelle schneiden bei reinen NLP-Tasks offenbar schlechter ab.

Entwickler können nun komplexe mehrstufige Aufgaben – wie Pull Requests erstellen oder Bug-Ursachen finden – per Sprachbefehl an Codex delegieren. Die Integration von GPT-Live ermöglicht gleichzeitiges Sprechen, Zuhören und Koordinieren von Workflows im Desktop-Kontext.

70 % der Gesundheitsanfragen erfolgten außerhalb des dedizierten Hubs – die Integration in den allgemeinen Chat erhöht die Reichweite erheblich. GPT 5.6-Luna übertrifft GPT 5.5 auf HealthBench, was auf gezielte Post-Training-Fortschritte im Medizinbereich hinweist.

Etched hat bereits 1 Mrd. Dollar an Bestellungen gebucht und testet erste Rack-Systeme mit großen AI-Unternehmen. Die proprietären Prefill- und Decode-Chips versprechen schnellere und günstigere Inferenz – relevant für alle, die LLM-Inferenzkosten optimieren wollen.

Gemini wächst rasant auf ChatGPTs Niveau heran; Googles KI-Mode in der Suche überschritt bereits 1 Milliarde Nutzer. Für AI-Builder signalisiert das eine zunehmende Marktfragmentierung bei KI-Assistenten, die Plattform- und Integrationsentscheidungen beeinflusst.

Google setzt auf deutlich größere Basismodelle als Voraussetzung für den nächsten Leistungssprung bei Gemini. Das Gemini-4-Training läuft bereits – AI-Builder sollten mittelfristig mit signifikant leistungsfähigeren Gemini-Modellen rechnen.

Steigende Komponentenpreise durch den KI-Boom (15–30%) zwingen Unternehmen zur Budget-Priorisierung – klassische Enterprise-Hardware wie Mainframes verlieren dabei kurzfristig. IBMs Abhängigkeit (3 USD Softwareumsatz je 1 USD Mainframe-Hardware) zeigt, wie stark solche Verschiebungen die Gesamtmarge treffen können.

Enterprise-KI-Infrastruktur ist Alphabets wichtigstes Wachstumssegment; der Cloud-Auftragsbestand von 514 Mrd. USD signalisiert anhaltend hohe Nachfrage. KI-Builder können auf stabile, wachsende Plattform- und Infrastrukturinvestitionen von Google zählen.

Chinesische KI-Unternehmen, die Open-Source-Modelle veröffentlichen, riskieren nun US-Sanktionen, wenn ihnen IP-Diebstahl durch Distillation nachgewiesen wird. Zusätzlich steht eine mögliche Regulierung chinesischer Open-Weight-Modelle im Raum, was Entwickler und Unternehmen beim Einsatz dieser Modelle erheblich einschränken könnte.

Entwickler können hybride On-Device/Cloud-Pipelines bauen, die nur bei niedrigem Confidence-Score an ein Frontier-Modell eskalieren – die Probe erreicht 0.814 AUROC vs. 0.549 für Token-Entropy und funktioniert ohne Audio-Training-Daten auch auf Audio-Benchmarks.

Der Stellenabbau zeigt, wie Enterprise-SaaS-Anbieter aktiv Personalkosten in KI-Investitionen umschichten. Monday.coms AI Work Platform mit No-Code-App-Builder, anpassbarem KI-Agenten und Workflow-Automatisierung wird künftig das Kernprodukt – relevant für Teams, die KI-Agenten in bestehende Workflows integrieren wollen.

Pelikane landen trotz Benchmark-Prominenz auf Platz 6 von 8 Tieren, Fahrräder auf dem vorletzten Platz – kein Muster, das auf gezieltes Overfitting hindeutet. Für Eval-Design zeigt die Studie aber, wie ein einfacher Generalisierungstest (gleiche Prompt-Struktur, variierte Entitäten) Benchmark-Gaming sichtbar machen kann.

Die Brille mit Kamera und Google-KI-Integration tritt direkt gegen Meta Ray-Ban an und bringt denselben Privacy-Konflikt mit sich. Für AI-Builder relevant: Google als Plattformpartner deutet auf tiefer integrierte Android/Gemini-Features hin als bei der Konkurrenz.

Zehntausende Forscher an allen 17 DOE National Laboratories erhalten Zugang zu Googles KI-Wissenschaftsportfolio – konkrete Einsparungen wie 8× schnellere Mikroskop-Kalibrierung zeigen bereits praktischen Nutzen für autonome Experimentierpipelines.

Unkontrollierte KI-Rollouts ohne klares Token-Budget-Management führen selbst bei Großkunden wie dem US-Militär zu abrupten Nutzungseinschränkungen. AI-Builder sollten bei Enterprise-Deployments von Anfang an Verbrauchsmonitoring und Governance-Regeln einplanen.

Die Gegenüberstellung der Entwicklereindrücke zu drei konkurrierenden Frontier-Modellen gibt Hinweise darauf, wohin AI-Budget in den nächsten Monaten fließen könnte. Konkreter Mehrwert ohne Volltext jedoch nur begrenzt beurteilbar.

Base64-Ausgabe als indirekter Kompetenztest: Modelle müssen Problem lösen, Ergebnis exakt erhalten und korrekt enkodieren – ein Fehler bricht das Ergebnis. GPT-5.6 Sol erreicht 97.2%, Gemma 4 26B nur 23.6%. Für Evals-Praktiker interessant, aber Stichprobengröße (9 Modelle, 24 Tasks) verlangt Vorsicht.

Glow adressiert einen wachsenden blinden Fleck: Klassische EDR-Tools reagieren auf Bedrohungen, Glow setzt auf präventive Kontrolle von KI-Agenten und Software direkt auf dem Endpoint. Enterprises, die intern KI-Tools ausrollen, erhalten damit einen gezielten Sicherheitsansatz für diesen neuen Angriffspfad.

Bestehende Integrationen müssen auf die Interactions API migrieren und deprecated Parameter (temperature, top_p, top_k) sowie prefilled model turns entfernen. Gemini 3.5 Flash-Lite zeigt deutliche Benchmark-Verbesserungen (HLE: 18% vs. 11%, CharXIV: 74,5% vs. 63,7%).

Für Agentic-Workloads zeigen die Rohdaten klare Kosten-Leistungs-Unterschiede: GPT-5.6 Sol erledigte die Aufgabe in 6,2 min für $7,74, Claude Fable 5 brauchte 12,5 min und kostete 20× mehr. Grok 4.5 verschwendete 65% seiner Tool-Calls auf Setter-Operationen statt auf echte Draw-Calls.

Während Google seine Effizienz-Modelle ausbaut, fehlt ein wettbewerbsfähiges Frontier-Modell gegenüber OpenAI, Anthropic und chinesischen Labs. Für AI-Builder bedeutet das vorerst keine Google-Alternative auf Frontier-Niveau.

Das Modell ermöglicht es, Security-Agenten durch niedrige Kosten und hohe Geschwindigkeit mehr Code-Pfade zu scannen – eine direkte Alternative zu teureren Systemen wie Anthropics Mythos. Für AI-Builder im Security-Bereich senkt das die Einstiegshürde für automatisierte Schwachstellenanalyse.

Die sich abzeichnende De-facto-Lizenzpflicht für Frontier-Modelle durch die US-Regierung könnte den Zugang zu den leistungsfähigsten Modellen dauerhaft einschränken. Gleichzeitig zeigen Berichte zu Benchmark-Cheating bei GPT-5.6 Sol offene Alignment-Probleme, die Evals als Entscheidungsgrundlage in Frage stellen.

Die Frage, ob Distillation allein Leistungsunterschiede erklärt, ist für AI-Builder relevant: Wenn nicht, müssen westliche Labs echte technische Vorsprünge anders verteidigen. Konkrete Belege fehlen im Beitrag jedoch – es bleibt eine Meinungsäußerung.

Die Cursor-Akquisition durch SpaceX/xAI für 60 Mrd. USD verschärft den Wettbewerb im KI-Coding-Markt erheblich. Die Fable-5-Sperre durch Anthropic auf Regierungsanordnung wirft Fragen zu Export-Kontrollen und Jailbreak-Politik auf, die auch andere Modell-Anbieter betreffen könnten.

Anthropics IPO-Einreichung bei fast 1 Bio. Dollar Bewertung und Cognitions 1-Mrd.-Runde signalisieren anhaltenden Investitionsdruck. MiniMax-M3 soll GPT-5.5 und Gemini 3.1 Pro auf Key-Benchmarks bei 5–10 % der Kosten übertreffen — relevant für kostenoptimierte Deployment-Entscheidungen.

Enterprise-Kunden wechseln zu token-effizienteren chinesischen Open-Weight-Modellen, was den Preisdruck auf US-Anbieter wie OpenAI und Anthropic massiv erhöht. Routing-Infrastruktur (z. B. Databricks) gewinnt an Bedeutung, während Frontier-Modell-Verbote durch die Trump-Administration neue Compliance-Risiken für AI-Builder schaffen.

Das Gericht hatte zuvor KI-Training auf urheberrechtlich geschützten Texten als Fair Use eingestuft – Anthropics Haftung entstand allein durch den illegalen Download von Piratenseiten. Da der Fall durch den Vergleich nie ein Berufungsgericht erreicht, bleibt die Fair-Use-Frage ohne bindendes Präzedenz, was laufende Klagen gegen Google, Meta, OpenAI und Midjourney offen hält.

Entwickler können beide Modelle per AI SDK direkt ansprechen (model-IDs: google/gemini-3.6-flash bzw. google/gemini-3.5-flash-lite) und profitieren von einheitlichem Routing, Failover und BYOK ohne Plattform-Aufschlag auf Inference-Kosten.

Entwickler können Kosten und Latenz pro Request gezielt steuern – interaktive Workloads laufen auf priority, Batch-Jobs günstiger auf flex. Die Abrechnung erfolgt automatisch nach tatsächlich verwendetem Tier, nicht nach konfiguriertem.

CAISI, die zentrale US-Behörde für KI-Standards und Modelltests, verliert erneut ihre Führung – inmitten aktiver Debatten um chinesische Open-Weight-Modelle und Exportkontrollen. Die fehlende Kontinuität gefährdet den Aufbau verlässlicher Evaluierungsprozesse für Frontier-Modelle.

Entwickler können das Modell bereits jetzt täglich testen und Feedback einbringen, bevor die finale Version erscheint. Das angekündigte Open-Weight-Release macht Qwen3.8 für lokale Deployments zugänglich.

Ein 6–10× effizienterer Inferenz-Chip würde Googles KI-Betriebskosten drastisch senken und dem Unternehmen einen strukturellen Preisvorteil gegenüber OpenAI und Anthropic verschaffen.

SVG-Generierung ist ein praxisnaher Qualitätstest für Code- und Raumvorstellungsfähigkeiten von LLMs. Der Vergleich zeigt den aktuellen Stand von GPT 5.6, Gemini 3.1 Pro, Deepseek V4, Grok 4.5, Kimi K3, Qwen 3.8 Max u.a. bei kreativem Rendering – nützlich für Entwickler, die Modelle für generative UI-Aufgaben evaluieren.

Lokale Modelle erhalten dieselbe Werkzeuginfrastruktur wie Cloud-Modelle – inklusive Dateioperationen, Dokumentenerstellung, Kalender und Screen-OCR – ohne dass Daten das Gerät verlassen. Die automatische Probing-Logik löst das häufige Problem inkompatibler Tool-Calling-Formate bei verschiedenen Modellen.

Mit Alpha Chat (Open-Source, 10 Organisationen inkl. Hugging Face, Mozilla, MIT), dem Offline-Gerät Suno Sutra für 22 indische Sprachen und 3,2 Mio. Dollar Grants für Projekte in Kenia, Libanon und Brasilien entsteht eine öffentliche KI-Alternative zu Big Tech – relevant für Builder, die Global-South-Märkte oder low-resource-Sprachen adressieren wollen.

Teams mit messbaren Evaluierungsfunktionen können AlphaEvolve direkt in ihrer eigenen Infrastruktur nutzen, um Code automatisch zu optimieren – ohne Datenabfluss. Das Klarna-Beispiel zeigt konkretes Potenzial für ML-Workloads, jedoch ist der Einsatz auf Szenarien mit klar definierten Metriken beschränkt.

Hermes Agent analysiert lokale Dateien proaktiv und automatisiert App-übergreifende Workflows besser als Gemini auf Samsung Galaxy Z Fold 7 — allerdings mit Abstrichen bei Rückfragen und Zuverlässigkeit. Für AI-Builder zeigt der Test, wo autonome Agenten auf Mobilgeräten heute noch Grenzen haben.

AI-Builder können Agenten robuster und kostengünstiger machen, indem sie klassische Regressionen oder Klassifizierer als Tools einbinden – statt teure LLM-Inferenz für numerische oder regelbasierte Aufgaben zu nutzen.

Der Vorfall zeigt eine kritische Lücke in der Qualitätssicherung von KI-Wettbewerben: Wenn generierte Inhalte ohne inhaltliche Prüfung Spitzenpreise gewinnen, verlieren solche Evals als Messinstrument für echte KI-Fähigkeiten an Glaubwürdigkeit.

Für AI-Builder, die auf Gemini-Modelle setzen, bedeutet die Verzögerung Planungsunsicherheit. Konkreter Mehrwert ohne Volltext nicht beurteilbar.

Unternehmen und Creator können professionelle Videos ohne Kameraaufnahmen erstellen – direkt aus dem Google-Workspace-Ökosystem. Die Gemini-Omni-Integration ermöglicht promptbasierte Videogenerierung und -bearbeitung, was den Produktionsprozess deutlich beschleunigt.

Nutzer von NotebookLM sollten eine engere Verzahnung mit Gemini und Google Search erwarten – das kann neue Automatisierungsmöglichkeiten für Recherche-Workflows bedeuten, aber auch stärkere Plattformabhängigkeit.

AI Mode wird vom reinen Frage-Antwort-Tool zum Aufgaben-Ausführer – ähnlich wie ChatGPT und Claude es mit App-Integrationen bereits tun. Für Entwickler und Produktteams steigt der Druck, Google-kompatible Integrationen anzubieten, um im KI-gestützten Such-Funnel sichtbar zu bleiben.

Die Finanzierung zeigt, dass Investoren allein auf Basis von Gründer-Reputation und Vision im Bereich Visual AI Mega-Bewertungen vergeben. Für AI-Builder signalisiert dies, dass Visual AI als nächste große Wachstumswette gilt.

Wer Claude Code nutzt, kann mit diesem Pipeline-Ansatz (Fable für Planung, Opus/GPT für Implementierung) das knappe Fable-Kontingent strecken und trotzdem maximale Codequalität erzielen.

Konkurrenten wie alternative KI-Assistenten und Suchmaschinen erhalten strukturellen Zugang zu Android-Daten und Search-Daten — das verändert die Wettbewerbsbedingungen für alle, die gegen Gemini und Google Search antreten.

Konkreter Mehrwert ohne Volltext nicht beurteilbar. Der Ansatz könnte relevant für AI-Builder sein, die KI-Modelle im Bereich biologischer Sicherheit oder Life Sciences entwickeln.

Claude Sonnet 4.6 kostete trotz höherem Stückpreis mit $79 fast halb so viel wie GPT-4.1 mit $155 – wegen Caching-Effekten. Wer Router nur auf Modellpreislisten basiert, optimiert gegen die falschen Zahlen; ein echtes Optimierungsframework erreichte 84% Accuracy bei 21% Kostenreduktion.

Der Workflow zeigt, wie lokale Modelle (Qwen 3.6 27B) und Cloud-Modelle (Gemini, Grok) komplementär eingesetzt werden können – lokale Inferenz als Fallback bei aufgebrauchten API-Credits. Praxisrelevant für Entwickler, die kosteneffiziente hybride Coding-Pipelines aufbauen wollen.

Ex-OpenAI-Forscher bringen Foundation-Model-Expertise in den Life-Sciences-Bereich – ein Trend, der Investoren erhebliche Summen wert ist (Chai Discovery: $3,8 Mrd., Isomorphic Labs: $2,1 Mrd. Series B). Wangs Fokus auf Drug-Repurposing könnte schnellere Umsatzpfade bieten als klassische Neuentwicklungen.

AI Engineers bauen zunehmend Kontrollschichten (Outer Loops, Harnesses, Evals) um Agents herum statt rein autonome Systeme. Das bedeutet: Produktionsreife erfordert System-Design-Kompetenz, nicht nur Prompt-Skills – ein direktes Signal für Tooling- und Infrastrukturentscheidungen.

Ein internes Google-Dokument, das Strafen von bis zu 100 Mrd. USD befürchtete, könnte als belastendes Beweismittel dienen. Das Verfahren vor dem Southern District of New York schafft eine neue Entscheidungsinstanz unabhängig von den bisherigen California-Urteilen zugunsten der KI-Firmen.