Belege.

Geprüfte Erhebung

Von rund 38.000 Domains mit einer llms.txt erhielten 97 Prozent im Mai 2026 keinerlei Abruf der Datei.

Was die Zahl nicht sagt: Sie misst Abrufe, nicht Wirkung. Für Coding- und Browser-Agenten bleibt die Datei sinnvoll. Widerlegt ist allein die Behauptung, dass KI-Suchsysteme llms.txt für ihre Empfehlungen lesen. Und auf die Bezugsgröße achten: Die 97 Prozent beziehen sich auf die rund 38.000 Domains, die eine Datei haben, nicht auf alle 137.210 untersuchten. Untersucht wurde außerdem kein Querschnitt des Webs, sondern die Domains eines Analyse-Anbieters, die im Mai Zugriffe hatten.

Ahrefs, 137.210 Domains, davon 28 Prozent mit llms.txt · Juni 2026

Geprüfte Erhebung

Bei knapp 300.000 untersuchten Domains fand sich kein Zusammenhang zwischen einer llms.txt und der Häufigkeit, mit der eine Domain in KI-Antworten als Quelle auftauchte.

Was die Zahl nicht sagt: Kein Zusammenhang ist keine Wirkungsmessung. Die Studie vergleicht, sie experimentiert nicht, und sie schränkt selbst auf das getestete Modell und den getesteten Datensatz ein. Die Vergleichsgruppe ist zudem kleiner als die Gesamtzahl vermuten lässt: Nur 10,13 Prozent der Domains hatten überhaupt eine Datei. Belastbar ist sie als zweite unabhängige Erhebung mit demselben Ergebnis wie der Befund oben.

SE Ranking, knapp 300.000 Domains, davon 10,13 Prozent mit llms.txt · November 2025

Herstellerdokumentation

Google erklärt llms.txt, Spezial-Markup und eigenes Chunking für die KI-Suche ausdrücklich für nicht nötig.

Was die Aussage nicht sagt: Sie gilt für die Google-Suche einschließlich ihrer generativen Funktionen, ausdrücklich nicht für andere Systeme. Für Dienste, die solche Dateien nutzen, hält Google sie im selben Text für unbedenklich. Und zu strukturierten Daten sagt Google nicht „nutzlos“, sondern rät weiter dazu, weil sie für Rich Results in der klassischen Suche qualifizieren. Aus Googles Sicht ist KI-Such-Optimierung weiterhin SEO.

Google Search Central, offizieller Leitfaden · Stand 10. Juli 2026

Einzelner Test

1.885 Seiten, die JSON-LD ergänzten, bewegten sich gegenüber 4.000 Kontrollseiten kaum: bei ChatGPT und Google AI Mode kein von null unterscheidbarer Effekt, bei den AI Overviews ein statistisch signifikanter Rückgang um 4,6 Prozent.

Was der Test nicht sagt: Untersucht wurden ausschließlich Seiten, die von KI bereits stark zitiert wurden; jede hatte im Februar 2025 über hundert Zitierungen in AI Overviews. Für Seiten, die bisher gar nicht vorkommen, trifft die Studie keine Aussage, und die Autoren halten dort einen Nutzen ausdrücklich für möglich. Es ist eine Beobachtungsstudie mit gematchten Kontrollen, kein Experiment. Für Rich Results in der klassischen Suche bleibt das Markup unstrittig nützlich.

Ahrefs, 1.885 Seiten gegen 4.000 gematchte Kontrollseiten, Ergänzungen zwischen August 2025 und März 2026 · Mai 2026

Geprüfte Erhebung

Erwähnungen durch Dritte korrelieren mit der Sichtbarkeit in KI-Antworten deutlich stärker als die klassischen Größen der eigenen Website: 0,66 bis 0,74 gegen 0,27 bis 0,33 für die Domain-Autorität und 0,19 für die Zahl der eigenen Seiten.

Was die Zahl nicht sagt: Korrelation ist keine Kausalität. Große Marken werden häufiger erwähnt und häufiger zitiert, ohne dass das eine das andere verursacht. Belastbar ist die Rangfolge: Was Dritte schreiben, wiegt schwerer als die eigene Technik. Zur Spanne: Sie fasst zwei Faktoren zusammen, Erwähnungen auf YouTube (0,737) und Erwähnungen im übrigen Web (0,656 bis 0,709 je nach System). Untersucht wurden außerdem etablierte Marken mit einer Domain-Autorität über 40, nicht ein Querschnitt.

Ahrefs, Korrelationsanalyse über 75.000 Marken in ChatGPT, Google AI Mode und AI Overviews · Dezember 2025

Geprüfte Erhebung

Stellt man zweimal dieselbe Frage, liegt die Wahrscheinlichkeit unter eins zu hundert, dieselbe Markenliste zu bekommen.

Was daraus folgt und was nicht: Wer KI-Sichtbarkeit mit einem einzigen Durchlauf misst, misst vor allem Zufall. Die Studie zieht daraus aber ausdrücklich nicht den Schluss, Messen sei sinnlos: Über Dutzende bis Hunderte Abfragen, mehrfach ausgeführt, hält sie einen Sichtbarkeitsanteil für eine vernünftige Kennzahl. Wer sie als „Tracking bringt nichts“ zitiert, geht weiter als der Beleg.

SparkToro mit Gumshoe.ai, 600 Teilnehmende, 12 Fragestellungen, 2.961 Durchläufe in ChatGPT, Claude und Google AI · Januar 2026

Geprüfte Erhebung

Erscheint eine KI-Zusammenfassung, klicken Nutzer bei 8 Prozent der Besuche auf ein klassisches Suchergebnis. Ohne Zusammenfassung sind es 15 Prozent.

Was die Zahl nicht sagt: Sie belegt keine Ursache. Anfragen, die eine KI-Zusammenfassung auslösen, sind systematisch andere als solche ohne, der Vergleich läuft also zwischen Anfragetypen, nicht innerhalb derselben Anfrage. Sie belegt auch keinen Umsatzverlust und nichts über kommerzielle Anfragen. Die härtere Zahl steht daneben: Auf einen Link innerhalb der Zusammenfassung wurde in einem Prozent der Besuche geklickt. Und die Quellenmischung der Zusammenfassungen ähnelte der normalen Suche, was der verbreiteten Erzählung von der Konzentration auf Reddit und Wikipedia widerspricht.

Pew Research Center, passives Browser-Tracking bei 900 US-Erwachsenen, 68.879 Google-Suchen im März 2025 · Juli 2025

Geprüfte Erhebung

Steht eine KI-Zusammenfassung über den Ergebnissen, liegt die Klickrate der ersten organischen Position rund 58 Prozent niedriger. Auf Position 2 sind es 50,8 Prozent, auf Position 3 46,4 Prozent.

Was die Zahl nicht sagt: Verglichen werden zwei verschiedene Keyword-Mengen, nicht zwei Zustände derselben Anfrage. Eine Ursache belegt das nicht. Der Vergleich läuft außerdem über zwei Jahre, Dezember 2023 gegen Dezember 2025, sodass jede andere Veränderung der Suche mit eingeht. Ahrefs verkauft Werkzeuge für Suchmaschinenoptimierung. Bemerkenswert ist die Selbsteinschränkung: Die Autoren verweisen auf konkurrierende Untersuchungen mit abweichenden Ergebnissen, darunter Seer Interactive, Kevin Indig und Authoritas. Die eigene Vorgängerstudie vom April 2025 kam für Position 1 noch auf 34,5 Prozent.

Ahrefs, Ryan Law, 300.000 Keywords, davon 150.000 mit und 150.000 ohne KI-Zusammenfassung, Daten aus Dezember 2025 · 4. Februar 2026

Geprüfte Erhebung

Bei informationsgetriebenen Anfragen mit KI-Zusammenfassung fiel die organische Klickrate von 1,76 auf 0,61 Prozent, also um 61 Prozent. Bei Anfragen ohne Zusammenfassung fiel sie im selben Zeitraum von 2,74 auf 1,62 Prozent, also um 41 Prozent.

Was die Zahl nicht sagt: Der zweite Teil ist der wichtigere und wird beim Zitieren fast immer weggelassen. Auch ohne KI-Zusammenfassung brach die Klickrate um 41 Prozent ein. Der Rückgang lässt sich also nicht allein den Zusammenfassungen zuschreiben, das Suchverhalten verändert sich insgesamt. Seer schreibt selbst, ein Ursachenbeweis sei nicht möglich, und nennt Streuungen von 0,8 bis 1,2 Prozentpunkten zwischen den einzelnen Anfragen. Untersucht wurden ausschließlich informationsgetriebene Anfragen, keine kommerziellen; die bezahlte Stichprobe ist mit 1,1 Millionen Impressionen deutlich kleiner als die organische. Neuere Ausgabe: Seers dritte Auswertung vom April 2026 (53 Marken, 5,47 Millionen Suchbegriffe, neue Methode, mit den Werten oben nicht vergleichbar) sieht die organische Klickrate bei Anfragen mit KI-Zusammenfassung nach einem Tiefstand von 1,3 Prozent im Dezember 2025 im Februar 2026 wieder bei 2,4 Prozent, ohne Zusammenfassung bei 3,8 Prozent. Seer sieht darin eine Stabilisierung auf niedrigerem Niveau, keine Rückkehr zum Stand vor den Zusammenfassungen.

Seer Interactive, 3.119 Suchbegriffe über 42 Organisationen, 25,1 Millionen organische und 1,1 Millionen bezahlte Impressionen, Juni 2024 bis September 2025 · 4. November 2025 · neuere Ausgabe: „AIO Impact on Google CTR: 2026 Update“, April 2026, 53 Marken, 5,47 Millionen Suchbegriffe, 2,43 Milliarden organische Impressionen, Januar 2025 bis Februar 2026, abgerufen am 21. September 2026 · zur neueren Ausgabe

Anbietermessung, vorläufig

Reddits Anteil an ChatGPTs Quellenangaben fiel laut einem Anbieterpanel binnen weniger Tage von 3,83 auf 0,52 Prozent; ein zweites Anbieterpanel zählt im selben Fenster einen Rückgang der täglichen Reddit-Zitate von 497 auf 132, bei um 3,5 Prozent gestiegenem Gesamtzitatvolumen.

Was die Zahlen nicht sagen: Beide Anbieter verkaufen Sichtbarkeits-Werkzeuge. Promptwatch schließt einen eigenen Erfassungsfehler nicht aus und nennt die Größe des Rückgangs vorläufig. Otterly nennt seine 73,4 Prozent eine konservative Untergrenze: Das Vorfenster enthält den Bruch vom 8. August, das Nachfenster misst nur vier Tage. Die beiden Zahlen ergeben keine Spanne: Promptwatch misst einen Anteil an allen Quellenangaben, Otterly absolute Zitate je Tag gegen ein gestiegenes Gesamtvolumen. Aus Otterlys Zahlen abgeleitet liegt das Ausgangsniveau bei 1,38 statt 3,83 Prozent, Faktor 2,8. Verlässlich sind Richtung und Zeitpunkt, nicht Nachkommastelle und Niveau. Offengelegt ist bei Promptwatch der Nenner, nicht die Zusammensetzung des Panels. Was der Fall dennoch zeigt: Auf Googles KI-Oberflächen fiel Reddit im selben Zeitraum nur um 11 und 30 Prozent. Die Erklärung, Reddit habe Inhalte entfernt, ist entkräftet: Andere Maschinen zitieren dieselben Beiträge weiter. Belegt hat die Ursache kein Anbieter. Ein vergleichbarer Einbruch ein Jahr zuvor wurde Googles Abschaltung des Parameters num=100 zugeschrieben, nicht OpenAI. Im Einzelnen: Am 8. August 2026 sprang ChatGPTs Gebrauch des site:-Operators von 0,37 auf 16,8 Prozent seiner abgeleiteten Suchabfragen.

Promptwatch, Klaas Foppen, Datenseite „Reddit Citations Are Dropping in ChatGPT“, 18. August 2026: täglicher Anteil von reddit.com an allen Quellenangaben von ChatGPT Search, gezählt werden nur Antworten mit mindestens einer Quellenangabe, Vergleich 18. Juli bis 7. August gegen 14. bis 17. August 2026 · der site:-Operator stammt aus derselben Reihe, eigene Datenseite vom 10. August 2026 (Datenseite site:-Operator) · erzählende Fassung beider Befunde im Blog vom 20. August 2026, zuletzt geändert am 8. September 2026, am Erscheinungstag berichtet von Axios (Blogfassung) · zweites Panel: Otterly.ai, 27. August 2026, 16 Markenberichte aus 14 Branchen im US-Markt, Vorfenster 6. bis 13. August, Nachfenster 14. bis 17. August 2026, Tagesmittel (zweite Messung)

Wird meist falsch zitiert

Die meistzitierte Zahl der KI-Sichtbarkeits-Branche, „bis zu 40 Prozent mehr Sichtbarkeit“, stammt aus einem Laboraufbau mit einem inzwischen abgelösten Modell und misst eine eigens definierte Kennzahl.

Wofür die Zahl wirklich gilt: Gemessen wurde ein positionsgewichteter Wortanteil, den eine Quelle in einer erzeugten Antwort einnimmt. Die „generative Suchmaschine“ war ein zweistufiger Eigenbau: die fünf besten Google-Treffer holen, dann mit GPT-3.5 eine Antwort erzeugen. Kein kommerzielles Produkt, kein heutiges Modell. „Bis zu 40 Prozent“ ist außerdem ein Maximalwert über die besten Methoden, kein Durchschnitt. Nicht belegt sind mehr Klicks, mehr Umsatz oder häufigere Nennung in ChatGPT oder Google. Die Arbeit selbst ist sauber und nennt ihre Grenzen; überdehnt wird sie beim Zitieren.

Aggarwal u. a., GEO: Generative Engine Optimization, arXiv 2311.09735, KDD 2024 · eingereicht November 2023

Geprüfte Erhebung

45 Prozent der Antworten von vier KI-Assistenten zu Nachrichtenfragen hatten mindestens einen erheblichen Mangel. Bei 31 Prozent lag er in der Quellenbehandlung.

Was die Zahl nicht sagt: Geprüft wurden Nachrichteninhalte, keine Marken. Wer sie als Beleg dafür zitiert, wie oft KI Unternehmen falsch darstellt, überträgt sie unzulässig. Bewertet haben Journalisten der beteiligten Häuser, also keine unabhängige Instanz, und die Modellstände sind von Mitte 2025. Markenrelevant ist trotzdem der Quellen-Befund: Fast ein Drittel der Antworten schrieb Aussagen einer Quelle zu, die sie nicht deckt. Das ist genau die Mechanik, über die auch eine Marke falsch zitiert wird.

European Broadcasting Union und BBC, 22 Medienhäuser in 18 Ländern und 14 Sprachen (darunter ARD, ZDF, Deutsche Welle und SRF), über 3.000 bewertete Antworten · Oktober 2025

Anbietermessungen, nicht vergleichbar

Wie viele der in Googles KI-Übersichten zitierten Quellen zugleich organisch in den Top 10 stehen, messen die beiden großen Anbieter unvereinbar: BrightEdge rund 17 Prozent im Mittel über Februar 2025 bis Februar 2026, Ahrefs 37,1 Prozent in seiner Erhebung vom 2. März 2026.

Woher der Abstand kommt: nicht aus dem Zeitversatz. Ahrefs zählte 2025 nur die drei sichtbarsten Zitate je Übersicht, 2026 nach eigener Angabe mehr davon, bei ebenfalls geändertem Parsing. Der Sprung von 76 auf 37 ist damit zu unbekanntem Anteil ein Verfahrensartefakt, kein Verlauf. Ahrefs zählt Adressen, BrightEdge nennt seine Einheit nur sources. Was offen bleibt: BrightEdge veröffentlicht Monatswerte nur bis Juli 2025, obwohl sein angegebener Erhebungszeitraum bis Februar 2026 reicht, und nennt die Größe seines Keyword-Sets nicht. Ahrefs nennt keinen Erhebungszeitraum, Sprache und Land keine der drei Erhebungen. Beide messen auf eigenen Indizes, und keine der Zahlen sagt, ob eine Nennung Besuche oder Umsatz bringt. Im Einzelnen: Im einzigen Monat, für den beide eine Zahl ausweisen, ist der Abstand am größten: für Juli 2025 weist BrightEdge rund 16,6 Prozent aus, Ahrefs in seiner Erhebung aus demselben Monat 76,1 Prozent.

Ahrefs, Louise Linehan, 863.000 Keyword-SERPs und 4 Millionen zitierte Adressen, organisch 37,1 Prozent, Schlagzeile 37,9 Prozent einschließlich Anzeigen und SERP-Features, kein Erhebungszeitraum genannt · veröffentlicht 2. März 2026 · dieselbe Reihe, 1,9 Millionen Zitate aus 1 Million Übersichten, nur die drei sichtbarsten je Übersicht · veröffentlicht 21. Juli 2025 · BrightEdge, AI Catalyst und Generative Parser, wöchentliche Messung, Umfang nicht offengelegt, angegebener Erhebungszeitraum Februar 2025 bis Februar 2026, veröffentlichte Überschneidungstabelle nur Februar bis Juli 2025 · veröffentlicht 12. Februar 2026 · Zur BrightEdge-Quelle

Kontrollierter Test des Anbieters, Ergebnisdaten offen

Auf 20 Doku-Websites arbeiteten zwei Coding-Agenten deutlich sparsamer, sobald deren Unterseiten ganz oben auf die llms.txt verwiesen. Claude Code brauchte im Mittel 25,4 statt 30,8 Sekunden und 175.000 statt 215.000 Tokens je Aufgabe, Codex 45,1 statt 57,1 Sekunden und 115.000 statt 156.000 Tokens. Das sind 18 bis 26 Prozent weniger.

Was die Zahlen nicht sagen: Für Marken-Websites ist damit nichts belegt. Gemessen wurde auf Entwicklerdokumentation, die der Anbieter selbst ausliefert und verkauft. Gewonnen wird Effizienz, nicht Richtigkeit: Die Trefferquote bewegt sich über alle vier Varianten kaum, 94 bis 99 Prozent. Es sind Mittelwerte über rechtsschiefe Verteilungen, im Median sind es 9 bis 15 Prozent. Und der Vergleich ist hergestellt: Die gute Variante ist die unveränderte Auslieferung, die schlechte entsteht erst, indem der Testaufbau den Verweis herausschneidet und die llms.txt mit einem künstlichen 404 sperrt. Gemessen ist eine Wegnahme. Auf Signifikanz geprüft sind allein Fehlabrufe und Abrufzahl, nicht Zeit und Tokens. Die Protokolle, die die Quelle als mitgeliefert bezeichnet, fehlen im Repository.

Mintlify, Docs URL Discovery Bench · 20 Doku-Websites, 5 Fragen je Website, 4 Auslieferungsvarianten, 2 Agenten, 3 Durchläufe, 2.400 gewertete Läufe bei n=300 je Zelle · Claude Code auf claude-sonnet-5, Codex CLI auf gpt-5.5 · Juli 2026

Anbietermessung, Preprint ohne Begutachtung

Fragt man KI-Suchsysteme nach einer Kategorie, ohne den Markennamen zu nennen, erscheinen global bekannte Marken im ersten Messlauf im Schnitt in 72,9 Prozent der Antworten, etablierte Mittelstands- und Regionalmarken in 43,6 Prozent, kleine und Nischenmarken in 11,4 Prozent.

Was die Zahlen nicht sagen: Sie belegen keine Ursache. Die drei Stufen sind von Hand nach Wikipedia-Artikel, Presseecho und Finanzierung vergeben, also nach Hilfsgrößen für Web-Prominenz; gemessen wird danach eine aus dem Web gespeiste Sichtbarkeit. Den Zirkel benennt der Autor selbst. Die drei Werte mitteln über die 11, 36 und 55 Marken einer Stufe, nicht über alle Antworten; das 95-Prozent-Intervall der untersten reicht von 4,2 bis 20,3 Prozent. Wer gemessen hat: Der Autor ist Mitgründer von Ranqo und hält Anteile daran, die untersuchten Marken sind Kunden der Plattform, der Text ein Preprint ohne Begutachtung. Wer die oft zitierten 78 Prozent Unternehmensseiten liest, als trage die eigene Website die Sichtbarkeit, dreht den Befund um. Im Einzelnen: Von allen 149.912 gezählten Quellenangaben führen 2,9 Prozent auf die Website der Marke selbst, 75,2 Prozent auf die anderer Unternehmen derselben Kategorie.

Pratyush Kumar (Mitgründer von Ranqo), Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines, arXiv:2606.20065v1, Preprint ohne Begutachtung, 14 Seiten · 102 Marken, 3.508 abgeschlossene Messläufe, 102.025 Antworten von fünf Systemen (ChatGPT, Gemini, Perplexity, Claude, Grok), 149.912 Quellenangaben aus Antworten, in denen die Marke vorkam, erhoben auf der Plattform Ranqo zwischen März und Mai 2026 · eingereicht 18. Juni 2026

Anbietermessung, vorläufig

Von 18.012 Zitierungen ChatGPTs aus Webseiten stammen 44,2 Prozent aus den ersten 30 Prozent des Textes. Der mittlere Abschnitt, mit 40 Prozent Textlänge der breiteste, trägt 31,1 Prozent, der Schluss 24,7 Prozent.

Was die Zahlen nicht sagen: Gemessen ist, woher ChatGPT zitiert hat. Ob ein umgeschriebener Text häufiger zitiert wird, ist ungeprüft. Auf Absatzebene gilt die Regel nicht: In einer gesonderten Auswertung von 1.000 stark zitierten Inhalten stammen 53 Prozent der Zitierungen aus der Absatzmitte, nur 24,5 Prozent aus dem ersten Satz. Erhebungszeitraum und Modellstand fehlen; zur Sprache des Materials sagt die Quelle nichts, englisch sind nur die Vergleichskorpora. Woher die Daten kommen: Einzige Quelle ist der Anbieter Gauge, der KI-Sichtbarkeitssoftware verkauft; derselbe Methodik-Abschnitt wirbt zwei Absätze weiter mit 75 Prozent Rabatt auf Gauge und einer Vorführung samt Markenanalyse. Welcher Satz zitiert wurde, ist über Textvektoren geschätzt. Im Einzelnen: In einer zweiten Auswertung über 11.022 Zitierungen lag die Eigennamen-Dichte zitierter Einleitungen bei 20,6 Prozent, gegenüber 5 bis 8 Prozent, die der Autor aus Standardkorpora ableitet (Brown Corpus, Penn Treebank), ohne Rechenweg.

Kevin Indig, Growth Memo, Daten von Gauge · 18.012 Zitierungen für die Positionsanalyse, 11.022 für die Sprachanalyse, isoliert aus einem Bestand von 1,2 Millionen, den die Quelle an drei Stellen unterschiedlich bezeichnet (Suchergebnisse, ChatGPT-Antworten, verifizierte Zitierungen); Gauge lieferte rund 3 Millionen Antworten mit 30 Millionen Zitierungen · 16. Februar 2026 · Original hinter Bezahlschranke; Forschungsteil und Methodik im Internet Archive lesbar, das Zusatzmaterial für Bezahlabonnenten fehlt

Geprüfte Erhebung

Auf 30,6 Prozent von einer Million untersuchten Startseiten fanden sich Buttons ohne zugänglichen Namen, auf 51 Prozent Formularfelder ohne Beschriftung.

Was die Zahlen nicht sagen: Sie stammen aus einer Barrierefreiheits-Erhebung, nicht aus einem Agenten-Test; der Bezug ist trotzdem direkt, weil ein Button ohne Namen auch im Accessibility-Baum keine Bezeichnung trägt und Agenten, die über diesen Baum arbeiten, ihn dann nicht benennen können. Gemessen sind Startseiten, nicht ganze Websites, und beide Anteile zählen Seiten mit mindestens einem solchen Fehler, nicht den Anteil aller Buttons oder aller Formularfelder. Bei den Formularfeldern ist das die entscheidende Unterscheidung: Dieselbe Erhebung zählt getrennt 33,1 Prozent aller Formularfelder ohne Beschriftung, also ein Drittel. Geprüft wurde der Seitenzustand nach Ausführung von JavaScript, also das, was ein rendernder Agent vorfindet. WebAIM hält fest, dass ein automatisches Werkzeug nicht alle Verstöße findet: Die Werte sind eher zu niedrig als zu hoch, und ein ausbleibender Fund belegt keine Barrierefreiheit.

WebAIM Million, achte Ausgabe: WAVE-Prüfung von einer Million Startseiten aus dem Tranco-Ranking · Daten von Februar 2026, Seite zuletzt geändert am 30. März 2026 · Vorjahreswerte 29,6 Prozent bei den Buttons und 48,2 Prozent bei den Formularfeldern

Vorläufig, Prototyp

In einem kontrollierten Versuch erreichten drei Browser-Agenten auf der agentenfreundlich gebauten Fassung eine strikte Erfolgsquote von 89,3 Prozent gegenüber 49,3 Prozent auf der Ausgangsfassung.

Was der Versuch nicht sagt: Variiert wurde maschinelle Klarheit, nicht Barrierefreiheit, und es sind zwei Fassungen eines eigens gebauten Shop-Prototyps, keine echte Website. Die Autoren halten ausdrücklich fest, es handle sich um einen Proof of Concept, dessen Ergebnisse „should not be generalized to all domains, websites, or agent systems“. Genannt ist zudem die strengere von zwei gemessenen Erfolgsquoten. Es ist der beste vorhandene Hinweis, kein Nachweis.

Elnaffar und Rashidi, Designing Agent-Ready Websites, arXiv 2607.12056, 300 Durchläufe mit drei Modellen · Juli 2026

Wird meist falsch zitiert

Die vielzitierte Zahl vom Absturz der Agenten-Erfolgsquote von 78 auf 42 Prozent stammt aus einer Studie, die keine einzige Website verändert hat.

Was wirklich variiert wurde: die Bedienung des Agenten, nicht die Barrierefreiheit der Seiten. Die Studie hat dem Agenten sinngemäß die Maus weggenommen und ihn auf die Tastatur beschränkt. Als Beleg dafür, dass barrierefreie Websites Agenten helfen, taugt sie deshalb nicht, obwohl sie genau dafür überall zitiert wird. Ein sauberer Vergleich barrierefrei gegen nicht barrierefrei fehlt bis heute. Auch die Zahlen sind enger, als sie zitiert werden: Sie gelten für ein einzelnes Modell (Claude Sonnet 4.5, genau 78,33 auf 41,67 Prozent), und die Aufgaben umfassen Desktop-Anwendungen, nicht nur Websites. Ein zweites, offenes Modell fiel von 20 auf 0 Prozent.

A11y-CUA, arXiv 2602.09310, vorgestellt auf der CHI 2026 · Februar 2026

Kontrollierter Test

Sieben verbreitete KI-Assistenten aus den USA führen beim nutzerausgelösten Abruf kein JavaScript aus und werten nur das rohe HTML aus. Fünf andere tun es.

Was der Test zeigt und was nicht: Getestet wurde mit einem Köderwert im rohen HTML und dem echten Wert hinter JavaScript. ChatGPT, Claude, Gemini, Perplexity, Meta AI, Copilot und Grok lieferten den Köder, DeepSeek, ERNIE, Qwen, Kimi und Mistral den echten Wert. Die Trennlinie verläuft nach Anbieter, nicht nach Technik: Es ist eine Entscheidung, keine Grenze. Und der Befund gilt für den direkten Abruf, nicht für Inhalte, die über den Google-Index in eine Antwort gelangen. Ein früherer Test vom Dezember 2025 hatte Gemini noch als einziges rendernde System gemessen; die Lage ändert sich also.

Search Engine World, 12 Assistenten im Vergleich · Juni 2026 · früherer Test: searchVIU, Dezember 2025

Herstellerdokumentation

Lighthouse führt seit Version 13.3.0 vom 7. Mai 2026 eine Kategorie „Agentic Browsing“ in der Standardkonfiguration.

Was der Score nicht sagt: Google kennzeichnet die Kategorie ausdrücklich als experimentell und auf vorgeschlagenen Standards beruhend; sie braucht Chrome 150 oder neuer, und die WebMCP-Prüfungen setzen eine Anmeldung zum Origin Trial voraus. Ausgegeben wird eine Bestehensquote, kein Wert von 0 bis 100 wie bei Performance oder SEO. Gemessen wird Agenten-Tauglichkeit, ausdrücklich nicht die Sichtbarkeit in der Google-Suche. Bemerkenswert ist die Richtung: Maschinenlesbarkeit wird von einer Behauptung zu einer gemessenen Eigenschaft.

Lighthouse-Release 13.3.0 vom 7. Mai 2026, Kategorie in der Standardkonfiguration · Googles Dokumentation dazu

Herstellerdokumentation

Google nennt drei Wege, auf denen Agenten eine Seite wahrnehmen: Bildschirmfotos, rohes HTML und den Accessibility-Baum. Moderne Agenten kombinieren sie.

Was daraus nicht folgt: dass Agenten ausschließlich über den Accessibility-Baum arbeiten. Genau diese Verkürzung kursiert. Google beschreibt den Baum als hochauflösende Karte, die den visuellen Lärm ignoriert, sagt aber im selben Text, dass Agenten Baum und DOM mit einer visuellen Darstellung abgleichen. Für die Praxis ändert das wenig: Ein Element ohne zugänglichen Namen fehlt in zwei der drei Wege.

Google, Build agent-friendly websites (web.dev) · Stand 1. April 2026

Herstellerdokumentation

Meta hat sein acht Jahre intern gewachsenes Designsystem im Juni 2026 als Open Source veröffentlicht und begründet dessen Bauweise ausdrücklich mit Agenten: Designsysteme seien historisch für den menschlichen Gebrauch entworfen worden, und da immer mehr Code von Agenten geschrieben werde, müsse man ihre Struktur neu denken.

Was das nicht sagt: Es sind Herstellerangaben, nicht unabhängig geprüft. Die Reichweite von über 13.000 Anwendungen bezieht sich auf Metas eigenen Bestand, nicht auf den Markt, und das System ist als Beta gekennzeichnet. Die zweite, gern weitergereichte Zahl gehört eingeordnet: Der Rückgang der wöchentlichen Einfügerate aus der zugehörigen Figma-Bibliothek um 95 Prozent ist eine interne Beobachtung bei Meta, kein Branchenwert. Und die Bibliothek wurde nicht abgeschafft, sondern im August als Experiment veröffentlicht, gebaut und gepflegt von einem Cronjob mit Anbindung an Figmas MCP. Im Einzelnen: Bedient wird das System über Kommandozeile oder MCP.

Astryx by Meta, „Introducing Astryx“, 18. Juni 2026, und „Who needs a Figma Library?“, 5. August 2026 · Repository unter MIT-Lizenz

Geprüfte Erhebung

Von 21 untersuchten Open-Source-Designsystemen liefern 18 einen herstellereigenen MCP-Server, 18 offizielle Agent Skills und 15 eine llms.txt. Die Erhebung fasst das so zusammen: „Nobody is still arguing about whether to ship a machine interface.“

Was die Zahl nicht sagt, und das ist beim Nachrechnen der erste Stolperstein: Die Erhebung führt zwei Reihen. Der Essay zählt ausschließlich herstellereigene, offizielle Angebote und kommt auf 18, 18 und 15; die Systemtabelle auf der Startseite zählt Community-Angebote mit und kommt auf 20, 19 und 15. Beide sind richtig, sie messen Verschiedenes. Wer die engere Zahl zitiert, muss „herstellereigen“ dazusagen. Die Zahl bewegt sich: Am 10. September 2026 führte die Seite noch 20 Systeme mit 17, 17 und 14, am 17. September 21. Der wichtigere Vorbehalt: Gemessen wurden Designsysteme, also Komponenten und Code für Entwickler, nicht Markenrichtlinien. Über Marken außerhalb der Softwarebranche sagt die Erhebung nichts. Sie ist außerdem eine Momentaufnahme von drei Tagen und stammt von einer einzelnen Person, nicht von einem Institut.

Kaelig Deloumeau-Prigent, 21 Open-Source-Designsysteme, Daten laut Seite erhoben 26. bis 28. Juli 2026, Liste seither erweitert · Bericht 1. September 2026 · CC BY 4.0 · die engeren Zahlen stehen im Essay-Teil der Seite · abgerufen am 17. September 2026

Dokumentierter Einzelfall

GitLab pflegt Markenstimme, Namensregeln, Markenzeichen-Richtlinien, Werte und Mission als Markdown-Dateien in einem öffentlichen Repository, jede Änderung mit Datum, Klarnamen und schriftlicher Begründung. Am 22. Mai 2025 reichte Senior Brand Managerin Betsy Bula die Neufassung der drei Merkmale der Markenpersönlichkeit ein.

Belegt ist die Form, nicht die Wirkung: Ob Sprachmodelle GitLab deshalb treffender beschreiben, ist nirgends gemessen. Es ist außerdem ein einziges Unternehmen, und ein Softwarehersteller, dem ein öffentliches Repository ohnehin Hausform ist. Niemand hat gegengelesen: Merge Request 13766 stammt von derselben Person und wurde nach knapp 16 Minuten kommentarlos selbst zusammengeführt. Zwei Fassungen stehen nebeneinander: Die offiziellen Brand Guidelines liegen nicht im Handbuch, sondern auf design.gitlab.com, und dort tragen dieselben drei Merkmale bis heute den Wortlaut von vor dem 22. Mai 2025, zuletzt inhaltlich geändert am 20. Dezember 2024. Der Widerspruch steht seit über fünfzehn Monaten. Ein Versionsverlauf schafft Nachvollziehbarkeit, keine Übereinstimmung. Die Öffnung geht auch zurück: Die Vision wanderte am 10. Februar 2025 ins interne Handbuch, die Strategieseite verschwand am 17. Juli 2025. Die Positionierung im Marketing-Sinn liegt weiter öffentlich dort, je Anwendungsfall als Message House mit einer eigenen Zeile „Positioning Statement“. Jede Datei hat ihren eigenen Anfang: Repository 23. Januar 2023, Werte 2. Mai 2023, Markenzeichen-Richtlinien 16. November 2023, Markenstimme 21. Dezember 2023, Namensregeln erst 6. Februar 2025. Wer den Fall nach dem Alter des Repositories datiert, liegt um bis zu zwei Jahre daneben. Im Einzelnen: Die Neufassung war ein einzelner Commit über vier eingefügte und fünf gelöschte Zeilen, begründet mit der Angleichung an die aktuelle Kommunikation und den Unternehmensplan FY26.

GitLab Handbook, öffentliches Repository gitlab-com/content-sites/handbook, geprüft am 10. September 2026 · Markenstimme mit den drei Merkmalen in content/handbook/marketing/brand-experience/content-style-guide.md, Namensregeln in naming.md, Markenzeichen-Richtlinien in trademark-guidelines.md, Werte in content/handbook/values/_index.md, Mission in content/handbook/company/mission.md · Commit e692ba4b vom 22. Mai 2025, 17:11 Uhr UTC, Merge Request 13766 · abweichende Fassung derselben Merkmale im Design-System-Repository gitlab-org/gitlab-services/design.gitlab.com, contents/brand-messaging/brand-voice.md (Design-System-Repository)

Stand der Normung

Ein einheitlicher Standard dafür, wie Websites die KI-Nutzung ihrer Inhalte erlauben oder untersagen, existiert bis heute nicht.

Wie weit die Arbeit ist: Die IETF-Arbeitsgruppe AIPREF entwickelt zwei Bausteine, Vokabular und Anbindungsmechanismus. Beide stehen am 21. September 2026 im IESG-Zustand „I-D Exists“, also noch nicht eingereicht, kein RFC. Vom 4. September bis 3. November 2025 lief die Schlussabstimmung, danach wieder „WG Document“. Der Vokabular-Entwurf trägt seit April 2026 den Hinweis, sein Inhalt spiegele keinen Konsens wider, und markiert zwei Abschnitte als noch ohne Konsens; der Anbindungs-Entwurf nicht. Der eigene Zeitplan ist zweimal gerissen: fällig im August 2025, am 23. September 2025 verschoben auf den 31. August 2026, auch dieser Termin ohne Einreichung verstrichen und nicht neu datiert. Was der Eintrag nicht sagt: ob ein Standard kommt und wann, und wie gut die Behelfe tragen, robots.txt und anbieterspezifische Kennungen. Gemessen ist der Stand an der IETF, nicht bei anderen Gremien oder Anbietern. Acht weitere Einzelentwürfe zum selben Thema liegen bei der Arbeitsgruppe, keiner angenommen. Der Datatracker listet beide Entwürfe einen Tag früher, den 13. September und den 18. August 2026, weil er US-Pazifikzeit zeigt; die Entwürfe selbst tragen den 14. September und den 19. August 2026.

IETF, Arbeitsgruppe AI Preferences (aipref), Zustand „Active“ · draft-ietf-aipref-vocab-08 vom 14. September 2026 und draft-ietf-aipref-attach-05 vom 19. August 2026, IESG-Zustand „I-D Exists“, WG-Zustand „WG Document“, vorgesehener Rang Proposed Standard, kein RFC · Meilensteine beider Bausteine am 23. September 2025 von August 2025 auf den 31. August 2026 verschoben und seither unverändert (Verlauf der Arbeitsgruppe) · Volltext des Vokabular-Entwurfs mit dem Konsens-Hinweis (Entwurfstext) · geprüft am 21. September 2026

Marktbeobachtung

Der Kauf direkt im Chat wurde gut fünf Monate nach dem Start zurückgebaut. Live waren zu dem Zeitpunkt je nach Quelle ein Dutzend oder knapp dreißig Shopify-Händler.

Was daraus folgt und was nicht: Die These, der Handel verlagere sich vollständig in den Chat, ist vorerst entkräftet. Nicht entkräftet ist die Verschiebung beim Entdecken: Gefunden wird beim Agenten, gekauft weiterhin bei der Marke. Zur Zahl: Die Quelle nennt zwei widersprüchliche Angaben, ein Dutzend nach einem Medienbericht und „nahe 30 und steigend“ nach Shopify selbst. Beide beziehen sich nur auf Shopify-Händler, nicht auf alle Partner.

Forrester, Analyse zum Rückbau von Instant Checkout · 7. März 2026 (Start: 29. September 2025)

Kontrollierter Test

In einem Test der Flugsuche steuerten Sprachmodelle die Website der Airline nur in etwa fünf Prozent der Fälle direkt an. Bevorzugt wurden Buchungsportale.

Warum das für Marken zählt: Der Direktkanal und das Bonusprogramm, die teuersten Vertriebs-Assets vieler Marken, werden im Agenten-Layer umgangen. Die Begründung der Untersuchung ist bemerkenswert unspektakulär: Portale liefern sauberere, strukturiertere und maschinenlesbarere Daten. Grenzen: drei europäische Fluggesellschaften, ihre zehn wichtigsten Märkte, drei Sprachmodelle, 60 markenneutrale Anfragen. Eine Branche, ein Zeitpunkt, keine Aussage über andere Kategorien.

Bain & Company, Test mit drei Fluggesellschaften, drei Sprachmodellen und 60 Anfragen · 16. März 2026

Anbieter- und Unternehmensangaben

Walmart lässt Lieferantenverhandlungen von einem KI-System führen: 2.000 Verhandlungen gleichzeitig, rund drei Prozent durchschnittliche Einsparung, drei von vier Lieferanten verhandeln lieber mit der Maschine als mit einem Menschen.

Woher die Zahlen stammen: vom Anbieter des Systems und von Walmart selbst, berichtet über Bloomberg. Es gibt keine unabhängige Prüfung. Die häufig mitzitierte Abschlussquote von 68 Prozent stammt aus einer älteren Fallstudie in der Harvard Business Review. Bemerkenswert bleibt die dritte Zahl: Die Präferenz für die Maschine kommt von der Gegenseite, nicht vom Betreiber. Das ist Vollmacht im Einkauf, beziffert und im Betrieb.

Pactum-Angaben via Bloomberg, April 2023 · Abschlussquote: Harvard Business Review, November 2022

Befragung

30 bis 45 Prozent der US-Verbraucher nutzen generative KI für Produktrecherche und Vergleich. Ihren Weihnachtseinkauf auf einer KI-Plattform beginnen wollten 17 Prozent.

Was die Zahlen nicht sagen: Sie beruhen auf Selbstauskunft und gelten für die USA, nicht für den deutschsprachigen Markt. Und die beiden Zahlen messen Verschiedenes: Recherche und Vergleich sind nicht dasselbe wie der Beginn der Kaufreise. Wer sie zusammenzieht, bekommt eine Zahl, die es nicht gibt. Ein begonnener Einkauf ist zudem kein Kauf. Als Größenordnung für die Verschiebung beim Entdecken sind sie brauchbar, als Umsatzaussage nicht.

Bain & Company, Consumer-Lab-Befragung USA · November 2025 · die Insights-Seite vom Mai 2026 nennt rund 30 Prozent

Befragung

Nur 11 Prozent der Befragten würden einer KI die Kaufentscheidung überlassen, und das auch nur in Kategorien mit geringem Einsatz wie Körperpflege und Haushaltswaren.

Was die Zahl relativiert: Auch die Zustimmung zur bloßen Hilfe ist keine Mehrheit: 31 Prozent würden eine KI die Auswahl bei Haushaltswaren eingrenzen lassen, 28 Prozent bei Elektronik. Es ist das Gegengewicht zu den Prognosen über autonom kaufende Agenten. Geäußerte Präferenz und späteres Verhalten fallen allerdings regelmäßig auseinander, besonders wenn die Erfahrung fehlt. Stichprobe: 322 US-Verbraucher.

Gartner, Befragung von 322 US-Verbrauchern im Januar 2026 · veröffentlicht 27. Mai 2026

Tribunal-Entscheidung

Air Canada haftet für die Zusage seines Chatbots. Die Verteidigung, der Bot sei für sein Handeln selbst verantwortlich, nannte der Entscheider „a remarkable submission“.

Was der Fall ist und was nicht: Es geht um einen Trauerfalltarif und 650,88 kanadische Dollar Schadenersatz, nicht um eine allgemeine Erstattungspraxis. Entschieden hat das Civil Resolution Tribunal in British Columbia, kein Gericht, und die Entscheidung bindet in Europa niemanden. Der tragende Satz gilt trotzdem weit über den Fall hinaus: Es mache keinen Unterschied, ob eine Auskunft von einer statischen Seite oder von einem Chatbot komme. Die Zuspitzung „eigene Rechtspersönlichkeit“ ist die Zusammenfassung des Entscheiders, nicht der Wortlaut der Airline.

Moffatt v. Air Canada, 2024 BCCRT 149, Civil Resolution Tribunal British Columbia · 14. Februar 2024 · Entscheidung im Volltext

Dokumentierter Vorfall

Der Support-Agent von Cursor erfand eine Nutzungsregel, die es nie gab, und antwortete unter dem Namen „Sam“.

Was der Fall zeigt: Der Schaden entstand nicht durch eine falsche Auskunft allein, sondern dadurch, dass sie wie eine verbindliche Regel der Firma klang. Der Mitgründer stellte öffentlich klar, es gebe keine solche Regel, und entschuldigte sich; danach berichteten Nutzer von Kündigungen. Eine Zahl dazu gibt es nicht. Ein Einzelfall, aber mit demselben Muster wie die übrigen: Der Agent spricht als die Marke.

The Register, 18. April 2025 (erfundene Regel, Entschuldigung) · Fortune, 19. April 2025 (Name „Sam“, Kündigungen)

Rechtslage

Die Transparenzpflichten des EU AI Act für Chatbots und für KI-erzeugte Inhalte gelten seit dem 2. August 2026. Generative Systeme, die vorher in Verkehr gebracht wurden, müssen die maschinenlesbare Kennzeichnung bis zum 2. Dezember 2026 nachrüsten. Die Hochrisiko-Pflichten wurden auf den 2. Dezember 2027 und den 2. August 2028 verschoben.

Wen was trifft: Die Kennzeichnung nach Artikel 50 Absatz 2 bindet den Anbieter des erzeugenden Systems, nicht die Marke, die ein fremdes System nur nutzt. Anbieter ist aber auch, wer ein System unter eigenem Namen oder eigener Marke in Betrieb nimmt, selbst auf einem fremden Modell und nur für den eigenen Gebrauch (Artikel 3 Nummer 3 und 11); wer sich einen eigenen Generator bauen lässt, ist also selbst für die Kennzeichnung verantwortlich. Für die Marke gelten außerdem Absatz 1 beim eigenen Chatbot und Absatz 4 als Betreiberin bei Deepfakes. Die Ausnahme des Absatzes 4 gilt nur für geprüften und redaktionell verantworteten Text, der die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse informiert, nicht für Werbung, Produkttexte und Support; Absatz 2 bleibt unberührt. Umfang der Verschiebung: bewegt wurden Kapitel III Abschnitte 1 bis 3, ausgenommen Artikel 6 Absatz 5. Die Verbote sind nicht verschoben, zwei neue gelten ab dem 2. Dezember 2026. Die Pflicht zur KI-Kompetenz gilt weiter, aber abgeschwächt: Anbieter und Betreiber müssen die Entwicklung der KI-Kompetenz ihres Personals unterstützen, ein ausreichendes Maß müssen sie nicht mehr sicherstellen. Was der Eintrag nicht belegt: Durchsetzung. Ob die Marktüberwachung Artikel 50 anwendet, ist nicht erhoben; was „wesentlich verändern“ oder „redaktionelle Kontrolle“ bedeuten, ist ungeklärt, Rechtsprechung fehlt. Die Verschiebung wurde am 7. Mai 2026 politisch vereinbart und trat erst am 27. Juli 2026 in Kraft, sechs Tage vor dem Geltungsbeginn, den sie verschob.

Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 50 Absätze 1, 2 und 4 sowie Artikel 113 · geändert durch Verordnung (EU) 2026/1744 vom 8. Juli 2026 (Digital-Omnibus zur KI), Amtsblatt vom 24. Juli 2026, in Kraft seit 27. Juli 2026: neuer Artikel 111 Absatz 4 und neu gefasster Artikel 113 Absatz 3, dazu neu gefasster Artikel 4 und neue Buchstaben ba und bb in Artikel 5 Absatz 1, diese anwendbar ab 2. Dezember 2026 nach Artikel 113 Absatz 3 Buchstabe a neu · Verfahren: Trilog-Einigung 7. Mai 2026, AStV 13. Mai, Plenum 16. Juni, Rat 29. Juni, Unterzeichnung 8. Juli 2026, laut Legislative Train des Europäischen Parlaments (Verfahrensseite)

Gerichtsurteil, rechtskräftig

Ein deutsches Oberlandesgericht hat rechtskräftig entschieden, dass ein Unternehmen für die irreführenden Aussagen seines eigenen KI-Chatbots unmittelbar haftet. Der Chatbot sei kein Dritter im Sinne des Gesetzes.

Was der Fall ist: Der Chatbot der Aesthetify GmbH, Anbieterin minimal invasiver Behandlungen, schrieb ihren zwei ärztlichen Geschäftsführern Facharzttitel zu, die sie nicht besitzen. Dass nur korrekte Daten eingespeist waren, war unstreitig und half nicht. Tragend ist die Steuerungsgewalt: Die Falschauskünfte waren nach der Abmahnung per Anweisung und Filter abstellbar. Wo sie fehlt, ist die Übertragung offen. Was er nicht hergibt: Rechtskräftig heißt bindend zwischen den Parteien, seit dem 21. Juni 2026. Die wegen grundsätzlicher Bedeutung zugelassene Revision wurde nicht eingelegt, höchstrichterlich ist die Zurechnung offen. Es ist Wettbewerbsrecht, zugesprochen wurden Unterlassung und 260 Euro Abmahnkosten, kein Schadenersatz, und es geht um den selbst betriebenen Chatbot, für fremde Systeme ist nichts entschieden. Korrigiert am 10.09.2026: Bis dahin stand hier „nicht rechtskräftig, die Revision ist zugelassen“, dazu „eine Klinik-Betreiberin“. Ersteres gab den Stand des Urteilstags wieder, Letzteres stammte aus der Berichterstattung und machte den Fall größer, als er ist.

OLG Hamm, Urteil vom 12. Mai 2026, Az. 4 UKl 3/25 (Verbraucherzentrale Nordrhein-Westfalen gegen Aesthetify GmbH) · Rechtskraft seit 21. Juni 2026 laut Verbandsklageregister des Bundesamts für Justiz · Verbandsklageregister

Selbsteinschätzung, Prognose

In einer Gartner-Befragung schätzen Vorstandschefs, dass bis 2030 15 bis 20 Prozent ihres Umsatzes von Maschinen als Kunden kommen.

Was das ist: eine Selbsteinschätzung befragter Vorstände über die Zukunft, kein Messwert und keine Hausprognose von Gartner. Beides wird beim Zitieren gern zu „Gartner erwartet“ verkürzt. Solche Schätzungen zu neuen Kategorien liegen häufig daneben, meist im Zeitpunkt, nicht in der Richtung. Zur Quellenlage: Die Seite ist für automatisierte Abrufe gesperrt; die Formulierung ist über ein Archiv und Gartners eigenen Video-Titel belegt, nicht durch einen direkten Abruf.

Gartner, CEO-Befragung, zitiert in der Reihe Think Again · Archivstand Juli 2026

Anbieterangaben

Die großen Nutzerzahlen der KI-Systeme stammen von den Anbietern selbst und sind nicht miteinander vergleichbar: OpenAI nennt 1,2 Milliarden wöchentliche Nutzer, zusammengezählt über alle eigenen Angebote, Google über eine Milliarde monatliche Nutzer für seinen AI Mode.

Warum der Vergleich hinkt: Die eine Zahl zählt wöchentlich und über alle Angebote eines Anbieters, die andere monatlich und für ein einzelnes Produkt. Nebeneinandergestellt liest man sie trotzdem als gleichartig, und genau so wandern sie durch Präsentationen. Unabhängig geprüft ist keine von beiden. Wie schnell eine Zahl ihre Bezugsgröße verliert, zeigt OpenAI selbst: Die deutsche Fassung derselben Seite spricht von Anwendungen „für die insgesamt 1,2 Milliarden Menschen …, die unsere Angebote nutzen“, ohne Zeitraum. Die frühere Zahl, rund 900 Millionen wöchentliche Nutzer von ChatGPT im Februar 2026, kursierte nur in Berichten über das Unternehmen. Als Größenordnung brauchbar, als Beleg nicht.

OpenAI, „DevDay 2026 Recap“, 29. September 2026 („our collective 1.2B weekly users“), deutsche Fassung „Rückblick auf den DevDay 2026“, beide abgerufen am 30. September 2026 · Google, Blogbeitrag zum AI Mode, 19. Mai 2026 · Rückblick auf den DevDay 2026 · Google-Blogbeitrag

Amtliche Statistik

26 Prozent der deutschen Unternehmen ab zehn Beschäftigten nutzten 2025 KI-Technologien. Bei den großen Unternehmen ab 250 Beschäftigten sind es 57 Prozent, bei den kleinen 23 Prozent.

Was die Zahl nicht sagt: Sie ist binär erhoben und sagt nichts über Intensität, Reifegrad oder Wirkung, und sie ist nicht nach Funktionsbereichen aufgeschlüsselt. Ein Beleg für Marketing oder Markenführung ist sie also nicht. Warum sie trotzdem hier steht: Sie ist die methodisch strengste verfügbare deutsche Zahl und ein nüchterner Anker gegen Verbandsumfragen, die für dasselbe Jahr deutlich höhere Werte melden. Wenn zwei Zahlen zur selben Frage weit auseinanderliegen, liegt es an Grundgesamtheit und Verfahren, nicht an der Wirklichkeit.

Statistisches Bundesamt, Erhebung zur Nutzung von IKT in Unternehmen, Unternehmen ab 10 Beschäftigten · November 2025

Eigene Erhebung, reproduzierbar

Von 160 angefragten Startseiten weisen 12 einen automatisierten Abruf mit aktiver Bot-Abwehr zurück, also 7,5 Prozent. Sie stammt bei zehn der zwölf Seiten von Akamai oder Cloudflare, bei Siemens und der Hannover Rück von Amazons CloudFront.

Was die Zahl nicht sagt: Sie misst die Abwehr eines Abrufwerkzeugs, nicht die Erreichbarkeit für Agenten. Ein regulärer, ferngesteuerter Chrome kam bei mehreren dieser Seiten anstandslos durch. Die Abwehr trennt Werkzeug von Browser, nicht Mensch von Maschine. Ein Agent, der einen echten Browser steuert, dürfte weiter kommen; das wurde nicht getestet, weil es das Umgehen der Erkennung erfordert hätte. Nicht mitgezählt sind 13 weitere Ausfälle anderer Ursache: vier veraltete Adressen im Verzeichnis, vier technische Fehler, zwei Länderauswahlen statt Startseiten, zwei leere Antworten, ein schwankendes Ergebnis. Eine frühere Fassung dieser Zahl nannte 30 Prozent und fasste all das zusammen. Im Einzelnen: Bei 18 von 22 auf HTTP-Ebene geprüften Seiten kam dieselbe Abweisung unabhängig von der Browser-Kennung; die Erkennung greift dort am TLS-Fingerabdruck und an der Reihenfolge der HTTP-Header. Bei den beiden CloudFront-Seiten entscheidet die Kennung allein.

Eigene Messung, 30. August 2026 · Ursache je Seite auf HTTP-Ebene geprüft, mit gewöhnlicher und mit automatisierter Browser-Kennung · bei 18 von 22 Seiten dieselbe Antwort

Eigene Erhebung, reproduzierbar

Auf 135 Startseiten deutscher Börsenunternehmen aus DAX, MDAX und SDAX tragen 456 von 13.527 Bedienelementen keinen Namen im Accessibility-Baum, also 3,4 Prozent. Die Quote unterscheidet sich zwischen den drei Indizes kaum: DAX 3,1, MDAX 3,8, SDAX 3,3 Prozent.

Was die Zahl nicht sagt: Sie misst, was ein Agent vorfindet, nicht ob er seine Aufgabe löst. Gemessen sind Startseiten im Anlieferungszustand samt Zustimmungsdialog, keine Bestellstrecken und keine angemeldeten Bereiche, wo das Bild anders aussehen dürfte. Der Vergleich mit WebAIMs 30,6 Prozent leerer Schaltflächen trägt nicht: Der stammt aus einer Million Startseiten weltweit, hier stehen 135 börsennotierte Unternehmen. Die Verteilung ist ungleich: 57 der 135 Seiten haben keine einzige Lücke, 15 liegen über 10 Prozent, die schlechteste bei 30,6. Und die Lücken folgen fast alle einem Muster. Es sind Logos und Symbole, die als Link oder Schaltfläche dienen: Marken- und Partnerlogos, Symbole sozialer Netzwerke, Karussellpfeile, Abspielknöpfe.

Eigene Messung, 30. August 2026 · 160 Startseiten aus DAX, MDAX und SDAX angefragt, Auswahl und Adresse aus Wikidata · Chromes eigener Accessibility-Baum · zwei Durchläufe, 135 von 136 Seiten mit identischem Ergebnis

Eigene Erhebung, reproduzierbar

52 von 135 Startseiten deutscher Börsenunternehmen haben keine Hauptinhalt-Landmarke. Für ein Programm, das die Seite liest, fehlt damit die Angabe, wo der Inhalt beginnt und die Navigation endet.

Was die Zahl nicht sagt: Eine fehlende Landmarke macht eine Seite nicht unbenutzbar, denn Überschriften und Textstruktur bleiben lesbar, und Browser leiten teils eine ersatzweise Struktur ab. Sie ist ein Hinweis auf die Sorgfalt der Auszeichnung, kein Fehler mit unmittelbarer Folge. Gemessen sind Startseiten, keine Unterseiten.

Eigene Messung, 30. August 2026 · gezählt wurde die Rolle „main“ in Chromes Accessibility-Baum · zwei Durchläufe mit identischem Ergebnis

Eigene Erhebung, reproduzierbar

Auf 135 Startseiten deutscher Börsenunternehmen aus DAX, MDAX und SDAX tragen 1.662 von 3.979 Bildern, die Chrome im Accessibility-Baum ausweist, keinen Namen, also 41,8 Prozent. Unter den daraufhin nach Elementart untersuchten namenlosen Bildern sind 86 Prozent inline eingebundene SVG-Grafiken und 13 Prozent klassische img-Elemente.

Was die Zahl nicht sagt: Gezählt sind nur Bilder, die Chrome im Accessibility-Baum ausweist, korrekt als dekorativ gekennzeichnete fehlen in Zähler und Nenner zugleich. Auf einer Testseite mit sechs Bildern erschienen nur vier, die Quote lag bei 50 Prozent, obwohl zwei von sechs mangelhaft waren: Wer sauber auszeichnet, verkleinert seinen eigenen Nenner. Über den Anteil aller Bilder einer Seite sagt die Quote nichts. Die Aufteilung nennt die Elementart, nicht den Zweck: Ein verlinktes Konzernlogo, das einen Namen bräuchte, und ein Ziersymbol liegen in denselben 86 Prozent, der Anteil der Fälle mit tatsächlicher Folge liegt zwischen den 13 Prozent und einem unbekannten höheren Wert. Zwei weitere Grenzen: Bezugsgröße der 86 und 13 Prozent ist die auf 80 Knoten je Seite begrenzte untersuchte Teilmenge, nicht die 1.662; ob sie gegriffen hat, ist ohne aufbewahrte Rohdaten nicht mehr feststellbar, im Schnitt 12,3 namenlose Bilder je Seite sprechen dagegen; und dass die beiden Anteile 99 statt 100 Prozent ergeben, liegt an den genau zwei Elementarten, die das Werkzeug kennt. Und 1.662 zu 3.979 ist eine Summe über alle Seiten ohne Median und ohne Aufteilung nach Index: bei den Bedienelementen liegt er mit 1,0 Prozent weit unter der gepoolten Quote von 3,4 Prozent, dort tragen wenige Ausreißer das Ergebnis; ob das bei den Bildern ebenso ist, ist offen. Ein verlinktes Logo ohne Namen zählt zugleich als namenloses Bedienelement, addieren darf man die beiden Zahlen nicht. Unabhängig gegengeprüft ist diese Messung so wenig wie die drei anderen eigenen DAX-Messungen.

Eigene Messung, 30. August 2026 · 160 Startseiten aus DAX, MDAX und SDAX angefragt, 135 auswertbar, Auswahl und Adresse aus Wikidata · Chromes eigener Accessibility-Baum, gezählt sind nicht ignorierte Knoten der Rolle „image“ ohne Namen · Aufschlüsselung nach Elementart je Seite auf 80 Knoten begrenzt · zwei Durchläufe, 135 von 136 Seiten mit identischem Ergebnis

Eigene Erhebung, reproduzierbar

Von 76 auswertbaren deutschsprachigen Nachrichten- und Fachmedien sperren 44 in ihrer robots.txt mindestens einen Trainings-Crawler, also 57,9 Prozent; GPTBot sperren 38, genau die Hälfte. Den Suchbot desselben Anbieters sperren weit weniger: OAI-SearchBot steht bei 8 Medien auf der Liste, das sind 10,5 Prozent.

Was die Zahl nicht sagt: robots.txt verbietet nichts, sie bittet. Gemessen ist eine Absichtserklärung, kein Zugriffsschutz: Der Standard RFC 9309 stellt die Befolgung ausdrücklich frei, und OpenAI schreibt für den Abruf auf Nutzerfrage selbst, dass die Regeln dort nicht gelten müssen. Eine Sperre gegen das Training sagt deshalb nichts über die Sichtbarkeit in KI-Antworten, solange die Suchbots offen bleiben. Offen heißt hier nicht erlaubt: Gemessen ist die Abwesenheit einer Sperre, nicht eine ausgesprochene Erlaubnis; genau 2 der 76 Medien schreiben einem KI-Bot eine ausdrückliche Erlaubnis in die Datei. Drei der gezählten Namen sind gar keine Crawler: Google-Extended, Applebot-Extended und Webzio-Extended holen keine Seite, sie steuern nur, was mit bereits geholten Daten geschehen darf. Bei Apple und Microsoft lassen sich Suche und KI technisch nicht trennen, beide führen dafür keinen eigenen Namen. Und der Name muss genau stimmen: Ein Fachtitel sperrt „ChatGPT“, eine Kennung, die OpenAI nicht führt, deshalb greift die Regel nicht. Und die Stichprobe ist offengelegt, aber nicht repräsentativ: 14 der 77 Titel stammen aus einer externen Rangliste, der Rest folgt benannten Regeln. Die Nachrichtenagenturen fehlen, und sie sind der stärkste Einwand: dpa, AFP, epd, APA und Keystone-SDA sperren zusammen keinen einzigen KI-Crawler, weil ihre Inhalte über Verträge geschützt sind und nicht über diese Datei. Im Einzelnen: CCBot sperren 40 der 76 Medien, Bytespider 36. 11 Medien sperren das Training, ohne einen KI-Suchbot oder einen Abruf auf Nutzerfrage zu sperren.

Eigene Erhebung, 12. September 2026 · 77 Titel angefragt, 76 auswertbar · Nachrichtenteil nach dem Diagramm „Weekly reach online“ der Länderseite Deutschland im Reuters Institute Digital News Report 2026, Fachmedien sowie Österreich und die Schweiz nach benannter Regel · Auswertung nach RFC 9309 gegen 51 an der Dokumentation der Betreiber belegte Bot-Namen, gewertet ist der Zugriff auf die Startseite · abgerufen zuerst mit einer eigenen Kennung, bei Abweisung mit gewöhnlicher Browser-Kennung, nötig bei 3 Titeln · zwei Durchläufe mit identischem Urteil

Eigene Erhebung, reproduzierbar

Von 148 auswertbaren Startseiten der Unternehmen aus DAX, MDAX und SDAX sperren 10 in ihrer robots.txt mindestens einen Trainings-Crawler, also 6,8 Prozent; GPTBot sperren 4. 7 Unternehmen schreiben einem KI-Crawler eine ausdrückliche Erlaubnis in die Datei, 6 davon sperren keinen: Es gibt fast so viele Einladungen wie Sperren.

Was die Zahl nicht sagt: Sie misst eine Bitte, keinen Zugriffsschutz; wie viele derselben Seiten einen automatisierten Abruf technisch abweisen, steht als eigener Beleg auf dieser Seite. Von den zehn Sperren sind acht namentlich. Eine Seite sperrt alles Unbenannte und lässt die großen Anbieter ausdrücklich herein, eine sperrt alle Crawler einschließlich Google, was keine Entscheidung über KI ist, und eine zählt nur mit, weil ein KI-Crawler in einer übernommenen Sammelliste von 139 unerwünschten Bots steht. Eine fehlende Sperre ist keine Entscheidung für KI: 14 Seiten haben gar keine Datei und damit nichts entschieden. 12 Seiten waren nicht auswertbar, sechs weisen den Abruf ab, sechs antworten nicht; in welche Richtung das die Quote verschiebt, bleibt offen, denn nach RFC 9309 gilt eine nicht erreichbare robots.txt als Erlaubnis. Gemessen ist die Startseite: Wer tiefer im Angebot andere Regeln setzt, erscheint hier als offen. Die Reservierung der Rechte ist nur technisch gesucht, in der dafür vorgesehenen Datei, im Kopf der Seite und im Seitenquelltext; 134 der 160 Seiten haben darauf eindeutig geantwortet. Ein Vorbehalt in den Nutzungsbedingungen, die in Deutschland übliche Form, ist damit nicht erfasst. Im Einzelnen: 138 der 148 Startseiten sperren keinen einzigen KI-Zugriff, darunter 14, die gar keine robots.txt ausliefern. Die einzige Reservierung von Rechten für Text und Data Mining, die sich im Index finden ließ, steht bei einem Wissenschaftsverlag, und der sperrt keinen einzigen Crawler.

Eigene Erhebung, 12. September 2026 · dieselbe Liste wie die Erhebung vom 30. August, 160 Startseiten aus DAX, MDAX und SDAX, Index-Mitglieder aus Wikipedia, Adresse aus Wikidata · Auswertung nach RFC 9309 gegen 51 an der Dokumentation der Betreiber belegte Bot-Namen, gewertet ist der Zugriff auf die Startseite · abgerufen zuerst mit einer eigenen Kennung, bei Abweisung mit gewöhnlicher Browser-Kennung, nötig bei 2 Seiten · zwei Durchläufe, 160 von 160 Seiten mit identischem Urteil

Geprüfte Erhebung

Auf 300 Aufgaben über 136 echte Websites ist die Erfolgsquote der besten Web-Agenten in gut 16 Monaten von 61 auf 97,7 Prozent gestiegen. Im August 2026 löst der beste Eintrag auch die schwersten Aufgaben, die elf Schritte und mehr brauchen, vollständig.

Was die Zahl nicht sagt: Die aktuellen Werte stammen aus vier Einträgen einer Bestenliste, eingereicht von den Anbietern der Agenten und vom Benchmark-Team nachgeprüft. Das ist keine unabhängige Reihenuntersuchung. Und eine Warnung steht auf der Bestenliste selbst: Die Aufgaben sind seit April 2025 öffentlich, das Team bittet ausdrücklich darum, sie nicht als Trainingsdaten zu verwenden. Ob die Werte Können abbilden oder Gewöhnung an bekannte Aufgaben, ist damit nicht entschieden. Gemessen wird außerdem, ob eine Aufgabe gelöst wurde, nicht wie gut und nicht, ob die Marke dabei korrekt dargestellt war. Im Einzelnen: Als der Benchmark im März 2025 zum ersten Mal ausgewertet wurde, meldete ein Agent selbst 89 Prozent und erreichte gemessen 30; die meisten schlugen einen simplen Agenten von Anfang 2024 nicht.

Xue u. a., „An Illusion of Progress? Assessing the Current State of Web Agents“, COLM 2025 (arXiv:2504.01382) für die Ausgangswerte · Online-Mind2Web-Bestenliste, menschliche Bewertung, Stand 4. August 2026, für die aktuellen · 300 Aufgaben, 136 Websites · zur Bestenliste

Marktbeobachtung

Cloudflare meldet für 2026 erstmals, dass mehr als die Hälfte des Verkehrs im Internet nicht von Menschen stammt. Belastbarer beziffert im selben Bericht: 52 Prozent der Crawler-Anfragen dienten im Juni 2026 dem Training von KI-Modellen, gegenüber 22 Prozent im Frühjahr 2025.

Was die Zahl nicht sagt: Cloudflare nennt für die Hälfte-Aussage weder die Art des gemessenen Verkehrs noch den Zeitraum. Ob Seitenabrufe gemeint sind oder alle Anfragen, bleibt offen. Sie beruht auf dem eigenen Netz, das groß, aber nicht das Internet ist. Die Crawler-Zahl ist dagegen datiert und mit Vorjahreswert versehen und deshalb die brauchbarere von beiden. Achtung bei der Weiterverwendung: In Sekundärquellen kursiert die Angabe als „57,5 Prozent“. Diese Zahl steht bei Cloudflare nirgends.

Cloudflare, „Content Independence Day, one year on“, 1. Juli 2026 · Datengrundlage laut Bericht: Cloudflare Radar und Investor Day 2026

Stand der Normung

Der Shopping Tech Council des Handelsprotokolls UCP hat 16 Sitze; seit dem 24. April 2026 sitzen dort auch Amazon, Meta, Microsoft, Stripe und Salesforce. Wie viele Händler das Protokoll tatsächlich einsetzen, nennt keine der beteiligten Firmen; Google führt Beispielhändler an, verbunden mit dem Wort „bald“.

Was die Zahl nicht sagt: Ein Sitz in einem Gremium ist keine Einführung. Dass Amazon, Meta und Microsoft am Protokoll mitarbeiten, sagt nichts darüber, ob sie es in ihren eigenen Läden verwenden. Die fehlende Verbreitungszahl ist ein Negativbefund: Sie fehlt in den geprüften Primärquellen, also den UCP-Ankündigungen im Projekt-Repository und zwei Google-Beiträgen vom 19. März und 19. Mai 2026. Anderswo kann es sie geben. Eine Drittzählung gibt es: Der Prüfdienst UCP Checker meldet am 26. August 2026 15.735 geprüfte Storefronts unter 19.336 beobachteten Domains; gezählt wird, was Shops technisch ausweisen und was antwortet, keine Bestellungen. Neben dem Shopping Tech Council gibt es inzwischen eigene Councils für Essensbestellung, Unterkünfte und Zahlungen (Stand 21. September 2026). Vorsicht bei Sekundärquellen: Sie geben Googles Satz verbreitet ohne das „bald“ wieder und machen aus einer Ankündigung einen Vollzug. Im Einzelnen: Im Shopping Tech Council sitzen außerdem Google, Shopify, Etsy, Target und Wayfair. Googles Beispielhändler sind Nike, Sephora, Target, Ulta Beauty, Walmart, Wayfair sowie Shopify-Händler wie Fenty und Steve Madden.

Universal Commerce Protocol, Projekt-Repository, Ankündigung neuer Tech-Council-Mitglieder, 24. April 2026 · Google, „Universal Cart“, 19. Mai 2026 und „UCP updates“, 19. März 2026, beide ohne Zahl zur Verbreitung · Drittzählung: UCP Checker, „The State of Agentic Commerce, August 2026“, 26. August 2026 (zur Zählung) · Gremien laut MAINTAINERS.md und GOVERNANCE.md im Repository Universal-Commerce-Protocol/.github, abgerufen am 21. September 2026 · zu Googles Ankündigung

Rechtslage

Nach Artikel 10 der neuen EU-Produkthaftungsrichtlinie geht ein Gericht von der Fehlerhaftigkeit aus, wenn deren Beweis dem Kläger „insbesondere aufgrund der technischen oder wissenschaftlichen Komplexität übermäßig schwierig“ ist und er nur noch ihre Wahrscheinlichkeit nachweist. Umzusetzen ist sie bis zum 9. Dezember 2026.

Sie gilt noch nicht: Die Richtlinie wirkt nicht unmittelbar und erfasst nur Produkte, die nach dem 9. Dezember 2026 in Verkehr kommen. Artikel 21 hebt die alte Richtlinie 85/374/EWG zum selben Datum auf; für früher in Verkehr gebrachte Produkte gilt sie weiter. Und sie kehrt die Beweislast nicht um: Artikel 10 Absatz 4 greift erst „trotz der Offenlegung von Beweismitteln gemäß Artikel 9“, und nach Absatz 5 darf der Beklagte jede Vermutung widerlegen. Das ist ein Beweisnachteil, keine Gefährdungshaftung. Rechtsprechung zu „übermäßig schwierig“ kann es noch nicht geben, weil die Regel auf kein Produkt anwendbar ist. Zum Kalender, Stand 21. September 2026: Deutschland ist knapp drei Monate vor Fristablauf nicht durch das Parlament. Der Regierungsentwurf liegt seit dem 25. Februar 2026 als Bundestagsdrucksache 21/4297 vor, erste Lesung am 4. März, Anhörung am 13. April, danach kein belegbarer Schritt; nach dem 30. Januar 2026 steht er auf keiner Bundesrats-Tagesordnung mehr, auch nicht auf der Tagesordnung für den 25. September, Stand 18. September. Inkrafttreten laut Entwurf: 9. Dezember 2026. Grenze der eigenen Erhebung: Die Auskunftsschnittstelle des Bundestages verlangt einen Schlüssel; geprüft wurde ersatzweise über die Tagesordnungen des Bundesrates, den jedes beschlossene Gesetz passieren muss. Ein Beschluss des Bundestages erscheint dort erst mit Verzögerung, die jüngsten Sitzungswochen deckt die Prüfung deshalb nicht sicher ab. Im Einzelnen: Die Richtlinie zählt Software in Artikel 4 ausdrücklich zu den Produkten. Dieselbe Vermutung greift, wenn der Beklagte angeordnete Beweismittel nicht offenlegt.

Richtlinie (EU) 2024/2853 über die Haftung für fehlerhafte Produkte, 23. Oktober 2024, Artikel 4 Nr. 1, Artikel 9 Absatz 1, Artikel 10 Absätze 1 bis 5, Artikel 21 und Artikel 22 Absatz 1 · Volltext über den Cellar-Dienst des Amts für Veröffentlichungen der EU, weil eur-lex.europa.eu automatisierte Abrufe abweist · Umsetzungsstand abgerufen am 10. September 2026: Bundestagsdrucksache 21/4297 vom 25. Februar 2026 (zur Drucksache), Wortprotokoll 21/31 des Ausschusses für Recht und Verbraucherschutz zur öffentlichen Anhörung am 13. April 2026, Beratungsvorgang BR-Drs. 775/25 und die Tagesordnungen der Bundesratssitzungen 1061 bis 1068 (zum Beratungsvorgang), BMJV-Verfahrensseite mit Status „Entwurf“ und letzter Aktualisierung vom 5. März 2026 · Tagesordnung der Sitzung 1068 (Stand 18. September 2026) am 21. September 2026 erneut abgerufen

Einstweilige Verfügung, durch Vergleich gegenstandslos

Ein deutsches Landgericht hat Google im Eilverfahren untersagt, in seiner KI-Übersicht acht Behauptungen über ein Verlagshaus und sieben über ein Unternehmen desselben Hauses zu verbreiten, und sah darin eigene, Google zurechenbare Inhalte statt bloßer Suchergebnisse. Nach Googles Berufung endete der Streit durch Vergleich.

Was der Fall ist und was nicht: Der Vergleich beseitigte das Urteil, bevor eine höhere Instanz es prüfen konnte; es bindet niemanden, die Rechtsfrage bleibt offen. Maßstab war die Glaubhaftmachung, keine Beweisaufnahme: teils machten die Klägerinnen die Unwahrheit eidesstattlich glaubhaft, teils konnte Google den Wahrheitsgehalt nicht glaubhaft machen. Von zehn und neun beantragten Punkten wurden acht und sieben untersagt, der Rest zurückgewiesen. Schadenersatz war nicht beantragt und im Eilverfahren nicht zu erlangen. Wo dieser Status steht: als redaktionelle Anmerkung der Rechtsprechungsdatenbank, nicht im Urteil; sie verweist auf einen Praxishinweis (Veelken, GRUR-Prax 2026, 426), der nicht geprüft wurde. Im Einzelnen: Unter den Behauptungen waren Betrugsmasche und Abo-Falle. Das Gericht hielt Google für eine unmittelbare Störerin und verneinte die Haftungsprivilegien für Hostprovider und Suchmaschinen.

LG München I, Endurteil vom 28. Mai 2026, Az. 26 O 869/26, einstweiliges Verfügungsverfahren, Unterlassung nach Unternehmenspersönlichkeitsrecht · Berufung OLG München, Az. 18 U 1744/26 Pre e, durch Vergleich beendet, Urteil gegenstandslos laut redaktioneller Anmerkung bei BAYERN.RECHT · Fundstellen u. a. NJW 2026, 2271 und MMR 2026, 814 · geprüft am 10. September 2026

Rechtslage

Die DSGVO verlangt einen Vertrag oder anderes Rechtsinstrument, wonach ein Auftragsverarbeiter personenbezogene Daten nur auf dokumentierte Weisung des Verantwortlichen verarbeitet (Art. 28 Abs. 3 lit. a). Bestimmt er unter Verstoß gegen die Verordnung Zwecke und Mittel, gilt er insoweit als Verantwortlicher (Art. 28 Abs. 10).

Was die Rechtslage nicht sagt: Sie regelt personenbezogene Daten, nicht Markenaussagen; die Übertragung auf Agenten ist eine Analogie ohne Rechtsprechung und bricht an Art. 28 Abs. 10: Ein Agent, der Zwecke und Mittel selbst bestimmt, wäre kein Weisungsempfänger mehr. Was beim Zitieren wegfällt: Adressat des Art. 28 Abs. 10 ist ein Auftragsverarbeiter, und das Bestimmen muss „unter Verstoß gegen diese Verordnung“ geschehen; der allgemeine Satz in Art. 4 Nr. 7 ist eine Definition, keine Kippregel. Gesetzliche Verarbeitungspflichten bleiben unberührt. Im Einzelnen: Unmittelbar bindet Art. 29, nachweispflichtig ist der Verantwortliche (Art. 24 Abs. 1).

Verordnung (EU) 2016/679 (Datenschutz-Grundverordnung), Art. 28 Abs. 3 lit. a, Art. 29, Art. 24 Abs. 1 und Art. 28 Abs. 10 · an der Amtsblattfassung geprüft und gegen die konsolidierte Fassung 02016R0679 abgeglichen, von den drei Berichtigungen (ABl. L 314/2016, L 127/2018, L 74/2021) ist keine der vier Stellen berührt; die Berichtigungen von 2016 und 2021 gibt es nicht auf Englisch, geprüft sind alle drei am deutschen Text; in Kraft getretene Änderungen gibt es bis heute nicht, zwei Änderungsvorschläge liegen vor, COM(2025) 837 (Digital Omnibus) und COM(2025) 501 (Erleichterungen für kleine Mid-Caps), beide betreffen Art. 28 und 29 nicht · Amtsblatt L 119 vom 4. Mai 2016

Dokumentierter Vorfall

Der ChatGPT-gestützte Chatbot eines Chevrolet-Händlers sagte den Verkauf eines neuen Tahoe für einen Dollar zu und nannte das ein rechtlich bindendes Angebot ohne Rücktrittsmöglichkeit; die Formel hatte der Nutzer im selben Gespräch wörtlich vorgegeben. Von einem Versuch, das Angebot einzufordern, berichtet keine der Quellen.

Was der Fall nicht belegt: weder eine Haftungsfolge noch ihr Ausbleiben. Von Kaufversuch, Forderung oder Verfahren berichtet keine der Quellen. Die verbreitete Angabe, der Händler habe den Kauf nicht anerkannt, steht in keiner zeitgenössischen Quelle, sondern erst in nachgelagerten Zusammenfassungen. Die Haftungsfrage wurde hier nicht verneint, sie wurde nie gestellt. Zur Quellenlage: Der Chatbot stammte vom Anbieter Fullpath, der ihn auf der Seite eines Chevrolet-Händlers auch betrieb; GM stellte nach Erscheinen klar, dass Händler dieses Werkzeug eigenständig beschaffen. Belegt ist der Verlauf allein über einen Screenshot des Nutzers. Ob Händler oder Anbieter abschaltete, berichten die Quellen unterschiedlich; ein Preis fehlt, weil ihn keine der beiden Quellen nennt und die Angaben danach auseinandergehen. Im Einzelnen: Kurz darauf ging der Chatbot offline.

GM Authority, Jonathan Lopez, 18. Dezember 2023 (Wortlaut beider Seiten, Abschaltung, GM-Stellungnahme) · Business Insider, Katie Notopoulos, 18. Dezember 2023 (Anbieter- und GM-Stellungnahme; Volltext hinter der Zählschranke von businessinsider.com, frei gelesen in der lizenzierten Yahoo-Übernahme vom 19. Dezember 2023) · Originalbeleg: Beitrag von Chris Bakke auf X, 17. Dezember 2023, mit Screenshot

Dokumentierter Vorfall

Der Chatbot des Paketdienstes DPD nannte das eigene Unternehmen „the worst delivery firm in the world“, nachdem ein Kunde ihn aufgefordert hatte, bessere Zusteller zu empfehlen und in seinem Hass zu übertreiben. DPD teilte mit, das KI-Element sei sofort abgeschaltet worden.

Woher die Sätze stammen: Die Bot-Antworten hat die BBC nicht selbst erhoben. Sie stehen auf Screenshots des Kunden, die Bildunterschrift vermerkt eine nachträgliche Verpixelung. Von DPD selbst stammt allein die Firmenstellungnahme. Zur Ursache steht in ihrem zitierten Wortlaut nur eine Zeitangabe, „An error occurred after a system update yesterday“; die kausale Fassung geben BBC und Guardian als Angabe von DPD wieder. Was der Fall nicht zeigt: Der Bot wandte sich nicht von selbst gegen die eigene Marke, er wurde dazu angewiesen. Es gibt keinen Anspruch, kein Gericht, keinen bezifferten Schaden und keine Messung des Normalbetriebs. Die einzige Zahl, 800.000 Aufrufe des Kundenbeitrags in 24 Stunden, ist ein Zähler der Plattform.

Tom Gerken, BBC News · Stellungnahme von DPD, Wortlaut der Bot-Antworten aus Screenshots des Kunden · 19. Januar 2024 · Gegenprobe: Guardian, 20. Januar 2024

Dokumentierter Vorfall

New Yorks amtlicher MyCity-Chatbot riet Unternehmen zu Handlungen, die in der Stadt verboten sind: bargeldlos zu arbeiten, Trinkgeld der Beschäftigten einzubehalten und Mieter mit Wohngutscheinen abzuweisen. Zehn Mitglieder der Redaktion stellten dieselbe Frage, alle zehn bekamen dieselbe falsche Antwort.

Was der Fall ist und was nicht: eine journalistische Stichprobe ohne Grundgesamtheit und Fehlerquote. Er antwortete nicht immer gleich, einem Reporter richtig. Ob jemand danach handelte, ist unbekannt. Alle drei Verbote kennen Ausnahmen: selbstbewohnte Kleinhäuser beim Diskriminierungsverbot, beim Bargeld Telefon-, Post- und Internetkäufe, die außerhalb des Ladens bezahlt werden. Davon getrennt: Trinkgeld darf der Arbeitgeber auf den Mindestlohn anrechnen, nicht einbehalten. Die Stadt reagierte: Warnhinweise, Korrekturen, engeres Fragefeld. Was die Abschaltung nicht ist: ein Eingeständnis der Rechtswidrigkeit. Anlass war ein Haushaltsloch von 12 Milliarden Dollar. Verteidigt hat ihn die Vorgängerverwaltung, abgeschaltet die Anfang 2026 angetretene. Im Einzelnen: Die Stadt verteidigte den Chatbot als Pilotprogramm; nach fast zwei weiteren Jahren wurde er Anfang Februar 2026 als Sparposten abgeschaltet.

Colin Lecher, The Markup, copubliziert mit Documented und THE CITY · Stichprobentests am MyCity-Chatbot der Stadt New York · 29. März 2024 · Abschaltung bestätigt in der Aktualisierung vom 4. Februar 2026 zum Folgeartikel „Mamdani to kill the NYC AI chatbot we caught telling businesses to break the law“ von Colin Lecher und Katie Honan, The Markup mit THE CITY, 30. Januar 2026; chat.nyc.gov leitet seit dem 3. Februar 2026 auf eine Seite der Stadt weiter, Überschrift dort „The Chatbot beta test has ended.“ · Folgeartikel vom 30. Januar 2026

Gerichtsurteil, nicht endgültig

Ein US-Bundesberufungsgericht hob am 4. August 2026 die einstweilige Verfügung gegen Perplexity auf und verwies zurück. Nach dem Computer Fraud and Abuse Act greift beim Einkaufsagenten der Nutzer zu, nicht der Anbieter, solange der Agent im Browser des Nutzers läuft und die Server des Anbieters die fremde Seite nie aufrufen.

Was die Entscheidung ist und was nicht: Sie ist vorläufig, geprüft wurden nur die Erfolgsaussichten im Eilverfahren. Amazon hat am 18. August 2026 Rehearing en banc beantragt; das Gericht hat den Antrag abgelehnt, kein Richter verlangte eine Abstimmung (Bericht vom 10. September 2026). Es ist US-Recht und bindet in Europa niemanden. Was das Gericht offen lässt: Zu serverseitigen Agenten sagt es nichts, es errichte keine neue Rechtsordnung für agentische KI, entscheide nichts über Haftung aus Delikt, und bei anderer Aktenlage könne der Anbieter so viel Kontrolle ausüben, dass er selbst zugreift. Der Fall betrifft den fremden Agenten auf der eigenen Seite, nicht die Haftung für den eigenen. Die Nutzungsbedingungen bleiben unberührt. Im Einzelnen: Der Agent ist das Werkzeug des Nutzers.

Amazon.com Services, LLC gegen Perplexity AI, Inc., No. 26-1444, United States Court of Appeals for the Ninth Circuit, Opinion by Judge Milan D. Smith, Jr. · 21 Seiten, FOR PUBLICATION, ohne Sondervotum, Vorinstanz N.D. Cal., Richterin Maxine M. Chesney · Urteil vom 4. August 2026 · Antrag auf Rehearing en banc vom 18. August 2026 als Docket-Eintrag 66 nach dem öffentlichen RECAP-Aktenspiegel (CourtListener, Docket 72502129), letzter Abgleich 21. August 2026, nicht aus der verlinkten Entscheidung · Ablehnung des Antrags laut Courthouse News, „No 9th Circuit rehearing in Amazon-Perplexity case“, 10. September 2026, die Anordnung selbst nicht eingesehen (Bericht)

Herstellerdokumentation

Ein Screenshot enthält die C2PA-Herkunftsdaten des Originals nicht: Sie liegen in der Datei, er erzeugt eine neue. Umgekehrt signiert eine C2PA-fähige Kamera, die ein KI-Bild abfotografiert, die Aufnahme, ohne Hinweis auf den KI-Ursprung.

Was der Beleg nicht sagt: Dieselbe Antwort hält zuerst fest, dass fehlende Historie angezeigt wird, der Screenshot bleibt als Datei ohne Herkunft erkennbar. Die Seite schränkt ein, Content Credentials seien ein positives Signal und kein negatives. Er trifft nur die Metadaten-Schicht: Sie führt Wasserzeichen als Technik, die „cropping, rotation, or screen capture“ übersteht, und die C2PA-Spezifikation sieht die Wiederherstellung entfernter Metadaten per Abgleich mit Wasserzeichen-Kennung oder Fingerabdruck vor. Wer das sagt: Die Seite steht unter Adobes Copyright und verweist daneben auf die eigene Abhilfe Durable Content Credentials. Die Wasserzeichen-Angabe ist Selbstauskunft ohne Messung, die Wiederherstellung eine Möglichkeit der Spezifikation, kein belegter Regelbetrieb. Im Einzelnen: Im Regelfall hält die Kamera Gerät, Zeit und Ort in den Metadaten fest und kann den Bildinhalt nicht analysieren; was eingetragen wird, liegt laut derselben Seite beim Hersteller.

Content Authenticity Initiative (Adobe), Entwicklerdokumentation · FAQ, sieben Fragen · Stand 10. September 2026

Herstellerdokumentation

Frontify öffnet sein Markenportal über einen selbst betriebenen MCP-Server. Am 17. September 2026 führt er, einzeln aufgeführt, 53 Werkzeuge in zehn Paketen, gestuft vom rein lesenden bis zum vollen Verwaltungszugriff; am 10. September waren es 54.

Was die Zahl nicht sagt: 53 ist ein Stichtagswert und bewegt sich: Am 10. September 2026 waren es 54, eine Woche später 53. Den Zusatz Beta führt das Help Center seit September 2026 nicht mehr im Titel. Die Herstellerdokumentation nennt an zwei Stellen 52 und für das lesende Paket 25 statt 24: Wer 52 zitiert, zitiert die Dokumentation, nicht das ausgezählte System. Einen Grund dafür nennt keine der vier Frontify-Quellen. Die Paketzahlen sind überlappende Teilmengen der 53 und dürfen nicht addiert werden. Die Guide-Überschrift kündigt den Server mit zehn Werkzeugen an, gemeint sind zehn Pakete, mehr als das Fünffache daneben. Was der Eintrag nicht belegt: Belegt ist, was ein Anbieter über sein eigenes Produkt sagt, nirgends unabhängig geprüft: der Umfang einer Schnittstelle, nicht Verbreitung, Nutzung, Wirkung oder die Qualität der ausgelieferten Markenregeln. Kein Werkzeug entscheidet über eine Aussage, die Pakete lesen, schreiben und verwalten. Ein Zugriffsprotokoll ist nicht belegt: „Audit trail of AI interactions“ ist bei Frontify ein Auswahlkriterium für Käufer, in Repository, Server-Seiten und Help Center kommt das Wort audit nicht vor. Der Server ist nicht standardmäßig aktiv. Seit Mitte September 2026 schalten Account-Admins ihn selbst frei, laut Help Center ohne Aufpreis und ohne die Kundenbetreuung; am 10. September lief der Zugang noch über die Kundenbetreuung, kostenfrei mit Preisvorbehalt. Dazu kommt ein offizieller Connector im Verzeichnis von Claude. Wie der angeschlossene KI-Anbieter die Daten verarbeitet, kontrolliert Frontify nach eigener Angabe nicht. Im Einzelnen: Das lesende Discovery-Paket enthält 24 Werkzeuge, das Admin-Paket alle 53, zwei davon sind als destruktiv gekennzeichnet.

Frontify, MCP-Server-Übersicht und Paketseiten (/mcp/packs/admin und /mcp/packs/discovery), Werkzeuge einzeln aufgeführt und ausgezählt, am 17. September 2026 53 beziehungsweise 24 Einträge mit eindeutigen Namen (am 10. September 54 und 24) · Repository mit der Tabelle der zehn Pakete, MIT-Lizenz (Repository) · Help Center „Frontify MCP“ (bis Anfang September mit dem Zusatz Beta), Stand 17. September 2026, nennt 52 Werkzeuge und für Discovery 25 und die Freischaltung durch Account-Admins ohne Aufpreis (Help Center) · Guide „Choosing a DAM for the AI era“, veröffentlicht 22. Mai 2026, zuletzt geändert 30. Juli 2026, nennt ebenfalls 52 (Guide)

Herstellerdokumentation

Canva betreibt einen offiziellen MCP-Server und dokumentiert dafür 33 Werkzeuge: 27 stehen in allen Tarifen; vier setzen mindestens Canva Pro voraus, darunter Brand Kits auflisten und Markenvorlagen nutzen; zwei bleiben Enterprise vorbehalten. Jeder meldet sich einzeln an, ein Agent hat die Rechte des angemeldeten Menschen.

Wo die Tarifgrenze liegt: Die Übersichtsseite stellt den markenbezogenen Teil scheinbar auf Enterprise; maßgeblich ist die Werkzeugliste: „Pro and above“ heißt dort Pro, Business und Enterprise. Was der Eintrag nicht belegt: Eigenangaben eines Anbieters ohne unabhängige Prüfung. Belegt sind Existenz und Umfang der Schnittstelle, nicht Verbreitung, Nutzung oder Wirkung. Kein Werkzeug prüft eine Aussage gegen Markenregeln; Brand Kits werden gelesen und eingefüllt. Der Export läuft in allen Tarifen, freie aber nur in Standardqualität, und Premium-Elemente können ihn in jedem Tarif mit license_required scheitern lassen. Haltbarkeit: Die 33 gilt zum Abrufdatum, die Dokumentation trägt keine Versionsangabe. Der Server verlangt nur ein Canva-Konto in beliebigem Tarif; eine eigene Integration braucht Canvas Freigabe. Im Einzelnen: Zu den 27 Werkzeugen in allen Tarifen gehören Designs erzeugen und exportieren. Enterprise vorbehalten sind eine Vorlage automatisch befüllen und den zugehörigen Datensatz auslesen.

Canva, „MCP tools and rate limits“, Werkzeugkatalog mit Tarifstufen und Legende, 33 Einträge einzeln ausgezählt · Canva, „Canva Model Context Protocol (MCP)“, Serveradresse mcp.canva.com/mcp, Anmeldung und Tarifübersicht (Serverdokumentation) · beide abgerufen am 10. September 2026

Wird meist falsch zitiert

Klarnas meistzitierte KI-Zahl ist eine Schätzung, kein Personalstand: Die Pressemitteilung von Februar 2024 nennt „the equivalent work of 700 full-time agents“, der Geschäftsbericht von Februar 2026 in der Unternehmensbeschreibung über 700, im Lagebericht über 850.

Was die Zahl wirklich ist: eine Hochrechnung aus dem durchschnittlichen monatlichen Rückgang an Chat- und Telefongesprächen, im Prospekt und in der Unternehmensbeschreibung des Berichts auf Basis 2024, im Lagebericht auf Basis 2025. Die beiden Werte widersprechen sich deshalb nicht, sie stehen nur unkommentiert nebeneinander: die ältere Zahl im Präsens, die neuere im Rückblick auf das Jahr 2025. Kein Rückbau von KI: Klarna nennt es einen „dual-track approach“, hielt die menschliche Option schon 2024 offen und erwartet laut beiden Börsenpapieren weiter sinkende Beschäftigtenzahlen. Wer den Fall als Rückkehr zum Menschen zitiert, zitiert gegen die Quelle. Im Einzelnen: Im Börsenprospekt von September 2025 steht derselbe Wert bei über 700. Der Personalstand steht daneben: rund 5.527 Vollzeitbeschäftigte Ende 2022, rund 2.831 Ende 2025.

Klarna Group plc, eigene Angaben in Pressemitteilung, Börsenprospekt (Formular F-1/A) und Geschäftsbericht (Formular 20-F) bei der SEC · 27. Februar 2024 bis 26. Februar 2026

Stand der Normung

Das Model Context Protocol kennt drei Server-Bausteine mit je einer vorgesehenen Steuerungsinstanz: Werkzeuge (Tools) ruft das Modell auf, Ressourcen (Resources) steuert die Anwendung, Prompt-Vorlagen (Prompts) wählt der Nutzer aus. Verbindlich ist das nicht: Das Protokoll schreibt kein bestimmtes Interaktionsmodell vor.

Der Dreiklang steht in der Übersicht, nicht in den Regeln: Die Tabelle mit Model, Application, User steht im Erklärtext „Understanding MCP servers“ und in der Spezifikationsübersicht „Server Features“. Beide führen keine Muss- und Soll-Regeln; in den drei Kapiteln, die sie führen, heißen Ressourcen „application-driven“. Kein Server muss alle drei anbieten: „Servers offer any of the following features to clients“. Und er altert schnell: Seit dem 5. November 2024 gibt es fünf Revisionen, zwei davon seit November 2025. Methoden werden ersetzt: resources/subscribe steht in 2025-06-18 und 2025-11-25 je zweimal im Ressourcen-Kapitel, in 2026-07-28 kein einziges Mal, dort dreimal subscriptions/listen. Im Einzelnen: Alle drei Kapitel tragen denselben Nachsatz zum Interaktionsmodell. Im Tools-Kapitel folgt darauf sofort eine Soll-Regel: Ein Mensch soll jederzeit einen Werkzeugaufruf ablehnen können.

Model Context Protocol, getragen von Model Context Protocol a Series of LF Projects, LLC, Spezifikation Revision 2026-07-28, Kapitel Tools, Resources und Prompts, jeweils Abschnitt „User Interaction Model“, dazu die Übersichtsseiten /specification/2026-07-28, Abschnitt Features, und /specification/2026-07-28/server, Abschnitt Server Features, sowie der Erklärtext „Understanding MCP servers“ · Revisionsliste und Methodenwechsel als eigene Pfad- und Textprobe · 10. September 2026

Begutachtete Benchmark und Test des Anbieters

Versteckte Anweisungen in einer Werkzeugbeschreibung lassen einen Agenten den privaten SSH-Schlüssel an einen fremden Server schicken. Eine Benchmark auf 45 echten MCP-Servern mit 353 Werkzeugen misst gemittelt über 20 Modelleinstellungen 36,5 Prozent Angriffserfolg, höchstens 72,8.

Was das nicht sagt: Der Nutzer klickt mit. Verborgen ist nur der Inhalt der Freigabe, Cursor blendet den Schlüssel selbst im Dialog aus. Kein Server war kompromittiert, das vergiftete Werkzeug steht im System-Prompt. Der Erfolgsbegriff ist eng: Gezählt wird nur, wenn der Agent ein zweites, legitimes Werkzeug missbraucht; ruft er das vergiftete selbst auf, gilt das als Misserfolg. Gemessen wird die Werkzeugaufruf-Ausgabe des Modells in einer einzelnen Runde, ausgeführt wird nichts. Bezugsgröße sind die gültigen Ausgaben, nicht die 1.348 Testfälle. Der Rest ist keine Abwehrquote, verweigert hat selbst das am häufigsten verweigernde Modell, Claude-3.7-Sonnet, in unter 3 Prozent. Invariant verkauft Sicherheitswerkzeuge und veröffentlichte zehn Tage vor dem eigenen Scanner. Im Einzelnen: Der Agent liest den Schlüssel und schickt ihn über einen Parameter namens „sidenote“; im Bestätigungsdialog steht nur der Name eines Additionswerkzeugs.

Invariant Labs (inzwischen Snyk), Luca Beurer-Kellner und Marc Fischer, zwei Versuche mit dem MCP-Client Cursor, 1. April 2025, Nachträge 7. und 11. April 2025 · Zhiqiang Wang und acht weitere (University of Science and Technology of China, Beihang University), „MCPTox“, 45 MCP-Server, 353 Werkzeuge, 1.348 Testfälle, 20 Modelleinstellungen, Zahlen aus Abschnitt 4.2 und Tabelle 2, AAAI-26, Proceedings of the AAAI Conference on Artificial Intelligence 40(42), S. 35811 bis 35819, 14. März 2026, doi:10.1609/aaai.v40i42.40895, Vorabfassung arXiv:2508.14925v1, 19. August 2025 · Zur begutachteten Fassung

Anbieterangaben, Beta

Monotype hat am 15. Juli 2026 eine Beta seines Enterprise MCP Connectors angekündigt, der zunächst in Claude und Claude Design läuft. Er verbindet KI-Werkzeuge mit Schriftbibliothek, Lizenzangaben und Produktionsfreigaben eines Kunden und prüft referenzierte Schriften gegen die Produktionsschriftliste.

Was die Angabe nicht sagt: Sie stammt vom Anbieter, keine auffindbare Meldung prüft selbst nach. Die Prüfung meldet und verweigert nicht: Nicht freigegebene Schriften werden laut Produktseite markiert, und der Labs-Beitrag verneint ausdrücklich, dass der Connector die Marken-, Rechts- oder Produktionsprüfung ersetzt. Wer freigibt, ist der Kunde: Vorausgesetzt sind freigegebene Produktionsschriften in seiner Instanz, die der Connector nur umsetzt. Gegenstand ist eine Schrift, keine Aussage. Web und HTML sind die erste Ausbaustufe, der Zugang auf ausgewählte Enterprise-Kunden von Monotype Fonts beschränkt, Zahlen zu Nutzung oder Wirkung fehlen. Im Einzelnen: Der Connector läuft über das Model Context Protocol, gleicht KI-Entwürfe gegen die Bibliothek ab und gibt CSS im Chat zurück, sofern die Projektschriften zur Bibliothek gehören.

Monotype Labs, „Bringing font governance into AI-native content creation“, Ablauf der Beta in sieben Schritten, 15. Juli 2026 · Pressemitteilung „Monotype Introduces Enterprise Connector Beta, Exploring How Brand Governance Works Inside AI-Native Workflows“, Woburn, Massachusetts, 15. Juli 2026 · Produktseite „Monotype Enterprise Connector“ mit Status „Now in BETA“ und Zugangsvoraussetzungen, abgerufen 10. September 2026 · Negativprobe an der Pressemitteilungsliste, 15. Juli bis 10. September 2026 ohne Statusänderung

Eigene Erhebung, reproduzierbar

Pulumi veröffentlicht die eigenen Markenrichtlinien als MCP-Server unter brand.pulumi.com/mcp, darunter Markenstimme, Schreibregeln und verbindliche Produktnamen. Am 10. und am 17. September 2026 antwortete er ohne Anmeldung und führte unverändert 13 Ressourcen, eine Vorlage, 11 Werkzeuge und 3 Prompts.

Was die Zahlen nicht sagen: Gemessen sind Erreichbarkeit und Umfang, nicht Nutzung, Wirkung oder ob sich jemand an die Regeln hält. Der Inhalt ist die ungeprüfte Selbstdarstellung einer einzelnen Softwarefirma über die eigene Marke. Was der Server entscheidet: Drei Prompts sagen eine strukturierte Bewertung von Text, Bild und Design zu, werden laut Hersteller aber vom Menschen ausgelöst und expandieren in eine vorbereitete Modellanfrage. Im Abruf vom 17. September lieferte der Prompt für Texte (review_copy) genau eine solche Anfrage von 32.957 Zeichen, mit den Richtlinien im Volltext und ohne Urteil; alle elf Werkzeuge sind als nur lesend gekennzeichnet. Selbst gerechnet werden zwei Urteile: Farbkontrast gegen veröffentlichte APCA-Schwellen, im Test Lc 86,4 für violet-700 auf Weiß, und die nächstgelegene Markenfarbe samt Ersetzungsempfehlung. Über die Güte einer Aussage befindet ein Mensch, so verlangt es der Regeltext. Im Einzelnen: Eine Ressource regelt generative KI im Klartext, gerichtet an den Menschen: „never ship raw model output as a finished piece“, „never publish anything without a human reviewing it first“.

Eigener Abruf des Pulumi Brand MCP Server, Fassung 0.1.0, Protokollfassung der Sitzung 2025-06-18 (vom Client vorgegeben, der Server nennt 2025-11-25), per JSON-RPC über Streamable HTTP · Methoden initialize, resources/list, resources/templates/list, tools/list, prompts/list, resources/read auf brand://guidelines und tools/call auf check_color_accessibility und find_nearest_brand_color · alle Aufrufe HTTP 200 ohne Authentifizierungskopf, keine Liste mit nextCursor, Zählungen dreimal wiederholt und stabil · brand://guidelines im Volltext, 3.053 Zeichen, text/markdown · Herstellerdokumentation brand.pulumi.com/mcp-server für die Einordnung der Prompts · abgerufen am 10. September 2026, erneut am 17. September 2026 mit denselben Zählungen, dazu prompts/get auf review_copy (Kontext marketing, eine Nachricht, 32.957 Zeichen)

Herstellerdokumentation

Statista betreibt einen MCP-Server unter api.statista.ai/v1/mcp mit sechs dokumentierten Werkzeugen. Jeder Aufruf wird einzeln in Credits abgerechnet, gestaffelt nach Antwortart: Suchen kostet 0 oder 1 Credit, das Abrufen der Zahlen selbst 10 bis 15. Ohne Schlüssel antwortet der Server mit 401 Unauthorized.

Was die Staffelung nicht sagt: Was ein Credit in Geld kostet, steht in der gesamten Dokumentation nirgends, die einzige Preisseite nennt Verhältnisse. Belegt ist, was teuer ist, nicht wie teuer. Vier der sechs Werkzeuge betreffen Market und Consumer Insights, also Marktprognosen und Umfragedaten, nicht den Statistik-Katalog; Daten liefern davon nur zwei, die beiden anderen geben Suchtreffer zurück. Was der Eintrag nicht belegt: Herstellerangaben über das eigene Produkt. Unabhängig gemessen ist allein, dass der Endpunkt antwortet und ohne Schlüssel abweist, nichts über Verbreitung oder Nutzung. Die Bestandszahlen der Pressemitteilung vom 20. November 2025 sind nicht verwendet: über eine Million Statistiken meint dort den über MCP zugänglichen Teil, 1,5 Millionen den Gesamtbestand, beides Herstellerangaben ohne Zählvorschrift.

Statista, Entwicklerdokumentation MCP Server und Credit Logic, sechs Werkzeuge und Kreditkosten einzeln ausgezählt · eigene Abfrage des Endpunkts ohne Schlüssel · Pressemitteilung vom 20. November 2025 · abgerufen am 10. September 2026 · Pressemitteilung

Pressemitteilungen des Anbieters

Im regulierten Pharma-Freigabeverfahren ist maschinelle Vorprüfung von Markenvorgaben ausgeliefertes Produkt: Veeva meldet am 3. Dezember 2025 einen Quick Check Agent. Für Falcon MLR, den im Juni 2026 übernommenen Anbieter Copli, nennt Veeva das Potenzial, binnen fünf Jahren 70 Prozent oder mehr der MLR-Handarbeit zu beseitigen.

Was der Eintrag nicht belegt: eine Wirkung. Die 70 Prozent sind Absicht unter Zukunftsvorbehalt. Alle Angaben stammen vom Anbieter, geprüft ist nur, dass er sie macht. Der Agent prüft gegen hinterlegte Vorgaben und entscheidet nichts; die Freigabe ist hier ein regulatorisch erzwungenes Verfahren, die Übertragung auf andere Marken bleibt Analogie. Die Werbezahl trägt das nicht: 57 Prozent kürzere Prüfzyklen bewirbt Veeva heute auf der Produktseite, ohne Stichprobe, Ausgangswert und Rechenvorschrift; wortgleich stehen sie schon in einem Datenblatt vom 2. Mai 2017, dieselbe Zahl in einem vom 21. März 2016, also mindestens neun Jahre vor dem ersten Agenten, in Unterlagen, die KI kein einziges Mal erwähnen. Im Einzelnen: Der Quick Check Agent prüft Inhalte anhand redaktioneller, Marken-, Markt-, Kanal- und Compliance-Vorgaben, bevor die MLR-Prüfung selbst beginnt. Am 23. Juni 2026 hat Veeva Copli übernommen und als Falcon MLR gestartet.

Veeva Systems, Pressemitteilungen zur Verfügbarkeit der Veeva AI Agents und zur Übernahme von Copli, beide im Volltext geprüft · 3. Dezember 2025 und 23. Juni 2026 · die 57 Prozent bewirbt Veeva heute auf der Produktseite Veeva PromoMats Review and Approve, abgerufen 10. September 2026 · Altersnachweis: Veeva-Datenblatt „Ensuring End-to-End Commercial Content Compliance“ (PromoMats for EU), PDF-Erstellungsdatum 2. Mai 2017, veeva.com/eu/wp-content/uploads/2017/05/PromoMats-for-EU-Datasheet.pdf, dieselbe Zahl in der Fassung mit PDF-Erstellungsdatum 21. März 2016, veeva.com/eu/wp-content/uploads/2012/07/PromoMats-for-EU-Datasheet-1.pdf · Produktseite

Anbieterangaben

Anthropic nennt zur Übergabe des Model Context Protocol an die Linux Foundation am 9. Dezember 2025 mehr als 10.000 aktive öffentliche MCP-Server und über 97 Millionen monatliche SDK-Downloads für Python und TypeScript.

Was die Zahl nicht sagt: Sie steht im Beitrag des MCP-Entwicklers über die eigene Spende, in einer Aufzählung unter der Überschrift „incredible adoption“, ohne jede Erhebungsvorschrift: kein Verzeichnis, kein Stichtag, keine Definition von „aktiv“. Gegenprüfen hilft nur begrenzt, ein maßgebliches Verzeichnis gibt es nicht: Ein vollständiger Abzug des offiziellen Verzeichnisses am 10. September 2026 ergibt 30.363 eingetragene Server, davon 30.031 im Status „aktiv“. Gegen die Herstellerzahl rechnen lässt sich das nicht: Anthropic nennt keine Zählweise und meint einen anderen Gegenstand, ein Wachstumswert ergibt sich daraus nicht. Und das Verzeichnis zählt Einträge, die jemand angelegt hat, nicht benutzte Server; es ist als Vorschau gekennzeichnet und geht selbst von „minimal-to-no moderation“ aus. Ein Server ist kein Nutzer. Vorsicht beim Weiterreichen: Die Linux Foundation nennt dieselbe Zahl „published“, aus aktiven werden veröffentlichte Server. Zur Mitgliederliste: Platin-Mitgliedschaft ist bezahlt: Dass AWS, Google, Microsoft und OpenAI die Governance mittragen, belegt keinen Einsatz in ihren Produkten. Die Stiftung schreibt „include“, die Liste ist nicht abschließend. Stand Dezember 2025. Im Einzelnen: Zu den Platin-Mitgliedern der neuen Agentic AI Foundation zählt die Stiftung AWS, Anthropic, Block, Bloomberg, Cloudflare, Google, Microsoft und OpenAI.

Anthropic, „Donating the Model Context Protocol and establishing the Agentic AI Foundation“, 9. Dezember 2025, erhebende Stelle für beide Zahlen · Linux Foundation, Pressemitteilung zur Gründung der Agentic AI Foundation, 9. Dezember 2025, für die Mitgliederliste (Pressemitteilung) · eigene Gegenprobe am offiziellen Verzeichnis registry.modelcontextprotocol.io am 10. September 2026

Hausprognosen, nicht vergleichbar

Für 2030 veranschlagt Morgan Stanley 190 bis 385 Milliarden Dollar US-Onlinehandel durch „agentic shoppers“, Bain 300 bis 500 Milliarden Dollar für „agentic commerce“. Nur Bain nennt eine Einschlussregel und zählt beeinflusste Käufe mit.

Warum die Überlappung keine Übereinstimmung ist: Bain zählt Käufe, die Agenten „initiated, influenced, or completed“ haben, und nimmt nur Kaufreisen mit reiner KI-gestützter Suche oder Entdeckung aus. Morgan Stanley nennt keine Regel, seine Assistenten suchen, vergleichen Preise und nehmen Wiederkäufe vorweg, bei minimalem Eingreifen des Nutzers. Nachgerechnet: Beide unterstellen rund zwei Billionen Dollar Onlinehandel, der Unterschied sitzt weitgehend im Zähler. Was keine Zahl sagt: wie viel der Agent selbst abschließt. Bains Schlusssatz nennt für KI „bis zu ein Viertel der Transaktionen“, dieselbe Obergrenze wie der Anteilswert, nur auf Transaktionen statt Umsatz. Beide verkaufen Beratung dazu, keines nennt Bezugsgröße oder Rechenweg für 2030, belegt sind nur Adoptionswerte, beide Zahlen gelten nur für die USA. Im Einzelnen: Als Marktanteil sind das bei Morgan Stanley 10 Prozent im wahrscheinlichen, bis zu 20 Prozent im optimistischen Fall, bei Bain rund 15 bis 25 Prozent. Bain nannte seine Zahl neun Tage nach Morgan Stanley.

Morgan Stanley Research, „Here Come the Shopping Bots“, Hausprognose zum US-Onlinehandel · 8. Dezember 2025 · Bain & Company, Snap Chart „2030 Forecast: How Agentic AI Will Reshape US Retail“ von Aaron Cheris, Mikey Vu, Stephanie Koszyk und Katherine Hall, Hausprognose zum US-Onlinehandel · 17. Dezember 2025 · bain.com weist automatisierte Abrufe ab, am 10. September 2026 mit HTTP 403, gelesen in der Archivfassung vom 17. Dezember 2025 · Archivfassung

Befragung

Marketingverantwortliche in US-Unternehmen setzen KI oder maschinelles Lernen in 24,2 Prozent der Zeit ein, in der sie Marketing optimieren und automatisieren; das typische Unternehmen nennt 20 Prozent. In den zwei Erhebungen zuvor waren es 13,1 (September 2024) und 17,2 Prozent (Anfang 2025).

Was die Zahl nicht sagt: Gemessen ist ein selbst geschätzter Zeitanteil, gemittelt über die Antwortenden, ohne Abgleich mit Systemdaten. Es ist weder ein Anteil der Unternehmen noch ein Budgetanteil. 24,2 ist der Mittelwert einer rechtsschiefen Verteilung, der Median liegt bei 20. Geantwortet haben 191 der 2.111 Eingeladenen, rund 9 Prozent, auf die Erwartungsfrage 188. Dieselbe Frage ergab in den zwei Wellen zuvor 34,5 und 44,2 Prozent; die Erwartung wandert mit jeder Welle nach oben, geprüft wurde keine. Die Branchenwerte gehören zu zwei Fragen: Die 36,1 Prozent stammen aus der Gesamtfrage und der größten Branchenzelle (40 Unternehmen), die 8,7 Prozent aus der zu generativer KI und einer der kleinsten (3). Zur Gesamtfrage nennt der Bericht keinen Tiefstwert. Im Einzelnen: Für generative KI allein stieg der Wert von 7,0 (Frühjahr 2024) über 11,1 und 15,1 auf 22,4 Prozent. In drei Jahren erwarten dieselben Befragten 55,9 Prozent.

The CMO Survey, 35. Ausgabe, erhoben von Christine Moorman an der Fuqua School of Business der Duke University, gesponsert von Duke, Deloitte und der American Marketing Association · 2.111 angeschriebene Marketingverantwortliche in gewinnorientierten US-Unternehmen, 308 Antworten, Rücklauf 14,6 Prozent, davon 191 zu dieser Frage, 97 Prozent ab VP-Ebene · Feldzeit 7. bis 29. Januar 2026, Bericht April 2026 · Highlights Report Seite 21 (KI und maschinelles Lernen) und Seite 23 (generative KI), Kennzahlen im Topline Report Seite 11, Fallzahlen der Branchenzellen im Firm and Industry Breakout Report Seite 35 und 44 · Werte für generative KI vom Frühjahr und Herbst 2024 (7,0 und 11,1 Prozent) im Highlights Report Fall 2024, Seite 34 · Highlights Report Fall 2024 · Breakout Report

Wird meist falsch zitiert

Die meistzitierte Zahl zu ungenutzten Unternehmensdaten, 55 Prozent, bündelt Selbstschätzungen der 1.357 Befragten über das eigene Haus. Erhoben hat sie 2018/19 die Research-Einheit der PR-Agentur FleishmanHillard im Auftrag von Splunk, einem Anbieter von Software zur Auswertung genau dieser Daten.

Wofür die Zahl wirklich gilt: Prozent wovon bleibt offen, der Bericht nennt weder Einheit noch Zeitraum noch Rechengröße. Als Definition lag den Befragten vor: „Information that can be captured, quantified and analyzed“. Auf Seite 3 und 12 steht sie als Tatsache, als Schätzung zu erkennen geben sie erst die Regional- und Länderteile ab Seite 10: USA 56 Prozent, Deutschland 53, China 50 „compared with a global 55 percent“. Ein Schätzwert über Organisationen ist kein Anteil an einem Gesamtbestand, und 1.357 ist die Summe der Markt-Stichproben, der Bericht nennt 1.300 Befragte. Was regelmäßig damit vermengt wird: 60 Prozent der Befragten sagen, die Hälfte oder mehr ihrer Daten sei dunkel, 33 Prozent sagen 75 Prozent oder mehr. Das sind Anteile von Befragten, keine Anteile von Daten. Splunk führt die Zahl bis heute ohne Jahresangabe, am 26. März 2025 als „recent“, dort auch ohne Stichprobe.

TRUE Global Intelligence (FleishmanHillard) im Auftrag von Splunk, The State of Dark Data, 1.357 Befragte aus IT und Fachbereich in sieben Ländern · erhoben Oktober 2018 bis Januar 2019, Bericht Mai 2019

Befragung

78 von 188 US-Unternehmen, die diese Frage beantwortet haben, setzen KI für Generative Engine Optimization ein, also dafür, dass eigene Inhalte in KI-erzeugten Suchantworten auftauchen. Das sind 41,5 Prozent, bei einem 95-Prozent-Intervall von plus/minus 7,1 Prozentpunkten.

Was die Zahl nicht sagt: Sie ist eine Selbstauskunft aus einer Mehrfachauswahl und misst das Tun, nicht das Ergebnis. Die Bezugsgröße ist die Falle: Nenner sind nicht die 308 Antwortenden, sondern die 188, die diese Frage beantwortet haben; alle 188 kreuzten mindestens ein Feld an (Response Percent 100,0). Im Nenner steht damit kein Unternehmen ohne KI-Einsatz, die 41,5 Prozent sind ein Anteil unter KI-Nutzern. Wer auf 308 rechnet, kommt auf 128 statt auf 78. Mit dem Intervall reicht der Bereich von 34 bis 49 Prozent: gut vier von zehn, nicht jede zweite. Wer gefragt wurde: nur US-Unternehmen, 97 Prozent auf VP-Ebene oder darüber, 308 von 2.111 Angeschriebenen, 14,6 Prozent Rücklauf. Auf Deutschland ist die Zahl nicht übertragbar. Neu ist die Antwortoption, nicht die Frage: GEO stand 2026 erstmals zur Wahl und hat keine Vergleichszahl, die Frage selbst führt der Bericht als Zeitreihe gegen Fall 2023.

The CMO Survey, 35. Ausgabe, erhoben an der Fuqua School of Business der Duke University, gesponsert von Duke, Deloitte und der American Marketing Association · Topline Report 2026, Seite 12, Antwortoption „GEO (i.e., Generative Engine Optimization to get content to appear in AI-generated search results)“: 78 von 188 Fällen, 41,5 Prozent, plus/minus 7,1 Prozentpunkte · 308 Antwortende von 2.111 angeschriebenen Marketingverantwortlichen US-amerikanischer For-Profit-Unternehmen · Feldzeit 7. bis 29. Januar 2026 · beim Nachschlagen aufpassen: Die Zeile darüber, „Predictive analytics for customer insights“, trägt denselben Wert von 41,5 Prozent bei ebenfalls 78 Fällen

Befragung

In der Mitgliederbefragung des US-Werbeverbands ANA gaben 2023 82 Prozent der Befragten an, eine Inhouse-Agentur zu haben, nach 78 Prozent 2018, 58 Prozent 2013, 42 Prozent 2008. 65 Prozent sagten, sie hätten in den drei Jahren davor laufendes Geschäft von einer externen Agentur nach innen geholt; 2018 waren es 70, 2013 erst 56.

Was die Zahlen nicht sagen: Gemessen ist, wo Arbeit sitzt, nicht ob sie besser oder markenkonformer wird. Ein Branchenverband befragt freiwillig teilnehmende eigene Mitglieder, die laut Bericht selbst zur Inhouse-Agentur gehören können. Vorsicht bei den 65 Prozent: Die ANA weist die Basis je Frage aus, sie ist regelmäßig kleiner als die Teilnehmerzahl. 2018 lag sie bei dieser Frage bei 166 von 412 Befragten, für 2023 ist sie nicht veröffentlicht und darf nicht mit den 162 Teilnehmern verrechnet werden. Der Abstand 70 zu 65 Prozent trägt keine Trendwende: Das Intervall reicht 2018 von 63 bis 77 Prozent, 2023 bei höchstens 162 Antworten von 58 bis 72 Prozent, und die Wellen sind unterschiedlich groß. Der ANA-Bericht vom Juni 2026 setzt die Reihe nicht fort, er befragt Preis-Juroren; die nächste Mitgliederwelle wäre 2028.

Association of National Advertisers, Mitgliederbefragung „The Continued Rise of the In-House Agency: 2023 Edition“, 162 Antwortende, erhoben im Februar und März 2023 · Pressemitteilung vom 2. Mai 2023, der Bericht selbst liegt hinter der Mitgliederschranke · Vergleichswerte und Basisangaben aus dem Vorgängerbericht vom Oktober 2018, 412 Antwortende, 57 Seiten · Vorgängerbericht

Geprüfte Erhebung

Von den englischsprachigen Artikeln, die im ersten Quartal 2026 neu erschienen, waren 49,9 Prozent überwiegend KI-generiert. Seit Anfang 2025 schwankt der Anteil zwischen 44,6 und 50,9 Prozent, ohne Trend nach oben.

Was die Zahl nicht sagt: Gemessen sind neu veröffentlichte englischsprachige Artikel und Listicles mit Artikel-Markup und mindestens 100 Wörtern aus Common Crawl, nicht das Netz insgesamt, andere Sprachen, Social Media oder Video. Nichts über Reichweite: Graphite erhob im Juni 2025 und veröffentlichte im Oktober 2025, dass 86 Prozent der zu 31.493 Suchbegriffen in Google rankenden und 82 Prozent der von ChatGPT und Perplexity zitierten Artikel von Menschen stammen, gemessen aber mit einem vierten Detektor (Surfer, Falsch-Positiv-Rate 4,2 Prozent), also auf anderer Skala. Wie tragfähig die 50 Prozent sind: Der Wert mittelt drei Detektoren, die im selben Quartal um 6,4 Punkte auseinanderliegen (Pangram 47,7, Copyleaks 48,1, GPTZero 54,1). Die Spanne ist größer als der Abstand zur 50-Prozent-Marke, zwei der drei sehen Menschen vorn. Bei GPTZero zählt das Urteil „gemischt“ ganz auf der KI-Seite (6,4 Prozent der Artikel), bei Pangram und Copyleaks entscheidet die Mehrheit.

Graphite, Wachstumsagentur · rund 55.400 zufällig aus Common Crawl gezogene englischsprachige Artikel mit Artikel-Markup und mindestens 100 Wörtern, veröffentlicht zwischen Januar 2020 und März 2026 · Klassifizierung als Mittelwert aus drei Detektoren (Pangram, Copyleaks, GPTZero), deren Falsch-Positiv-Raten von 1,844, 1,836 und 1,355 Prozent an rund 15.700 vor ChatGPT erschienenen Artikeln derselben Stichprobe gemessen wurden · Quartalsdaten offen einsehbar · Mai 2026

Drei Anbietermessungen

Drei Anbieter von Analysewerkzeugen beziffern, welcher Anteil der Website-Besuche aus einem KI-Assistenten kommt: Contentsquare 0,2 Prozent im vierten Quartal 2025, Semrush 0,14 Prozent für das Jahr 2025, Conductor 1,08 Prozent für Mai bis September 2025. Drei getrennt erhobene Messungen, Bruchteile eines Prozents bis gut ein Prozent.

Was die Zahlen nicht sagen: Gezählt sind Klicks mit erkennbarer Herkunft aus einem Assistenten, nicht wie oft eine Marke in Antworten genannt wird. Google AI Mode liegt außerhalb der beiden Werte, die sich dazu äußern: Semrush führt ihn als eigenen Kanal mit 0,01 Prozent, Conductor vermerkt, dass Google Analytics ihn nicht von organischem Verkehr trennt. Warum die drei Werte nicht nebeneinandergehören: Contentsquare misst 6.500 Websites weltweit, Semrush über 50.000 weltweit, Conductor 1.215 eigene Kundendomains in den USA und nennt seine Werte Durchschnitte. Der Abstand von 0,14 auf 1,08 Prozent, fast Faktor acht, ist zu gutem Teil eine Frage der Auswahl. Alle drei verkaufen Analysewerkzeuge; Contentsquare und Conductor messen den eigenen Kundenbestand, Semrush schätzt aus einem zugekauften Klickstrom-Panel. Unabhängig geprüft ist keiner der Werte.

Contentsquare, 2026 Digital Experience Benchmarks, 99 Milliarden Sessions und 6.500 Websites weltweit, viertes Quartal 2024 gegen viertes Quartal 2025 · 29. Januar 2026 · Semrush, Traffic & Market Toolkit, über 50.000 Websites und 17 Branchen weltweit, Januar bis Dezember 2025 · 27. April 2026 · Conductor, AEO/GEO Benchmarks, Verkehrsteil aus 1.215 eigenen Enterprise-Kundendomains in den USA, Mai bis September 2025 · Stand 6. Juli 2026

Anbieterangaben

Der Takedown-Anbieter Netcraft gibt an, zwischen März 2024 und März 2025 gegen 1,3 Millionen Phishing-Seiten vorgegangen zu sein, die mehr als 16.000 Organisationen nachahmten.

Was die Zahl nicht sagt: Sie sagt nicht, dass diese Seiten verschwunden sind. Netcraft schreibt „disrupted“ und fasst darunter Sperren und Entfernen zusammen, wie sich die 1,3 Millionen aufteilen, steht nirgends. Dieselbe Seite rät Lesern, Anbieter genau danach zu fragen. Sie sagt auch nichts darüber, ob eine offengelegte Markenspezifikation das Klonen erleichtert oder erschwert, dafür fehlt jede Vergleichsgruppe. Belegt ist nur, dass Klone massenhaft existieren. Wer gezählt hat: Netcraft selbst, die eigenen Vorgänge, auf einer Verkaufsseite für diesen Dienst. Unabhängig geprüft ist nichts. Der oft mitzitierte Weltanteil von rund einem Drittel steht deshalb nicht in der Aussage: Die Seite beziffert die Weltmenge nirgends und widerspricht sich selbst, einmal Anteil an den Abschaltungen, einmal an den Angriffen. Auch die 16.000 Organisationen sind keine Marktgröße.

Netcraft, Leitfaden zu Erkennung und Störung von Phishing-Seiten, eigene Vorgänge des Anbieters von März 2024 bis März 2025 · 12. Dezember 2025, zuletzt geändert 12. März 2026

Marktbeobachtung auf Schätzdaten

Zwischen dem ersten Quartal 2023 und dem vierten Quartal 2025 ist die Summe aus Suchmaschinen-Besuchen und suchähnlichen KI-Sitzungen weltweit um 26 Prozent gestiegen, von 82,0 auf 103,2 Milliarden im Monat. Googles Anteil fällt von 89 auf 71 Prozent, ChatGPT kommt auf 20 Prozent.

Was die Zahl nicht sagt: Sie zählt keine Suchvorgänge, sondern Besuche und Sitzungen: ein Google-Besuch im Mittel 6,7 Seitenabrufe, eine App-Sitzung unbekannt viele Prompts. Und ungleich: Suchmaschinen nur Web, KI Web und App. Such-Apps schließt sie ohne Zahl als „relatively low“ aus, obwohl 83 Prozent der KI-Nutzung in Apps liegen. Von der KI zählen nur 52 Prozent „Asking“, laut Autoren eine Obergrenze. Die 71 Prozent sind Google Search und Gemini zusammen; je Tag sind es statt 26 nur 23,1. Dieselben 26 Prozent nennt sie anderswo für 2025 gegen 2024, wo ihre offenen Rohdaten 17,3 ergeben. Woher die Daten kommen: Similarweb-Schätzungen ohne Servermessung, gegengeprüft nur die Suchmaschinen-Zahlen an acht Websites, nur als Trendkorrelation; die KI-Zahlen gar nicht gegen Erstdaten. Der Autor verkauft Sichtbarkeit in Suchmaschinen und KI-Antworten und legt offen: beides groß zu nennen nützt ihm.

Graphite (Ethan Smith) · Auswertung von Similarweb-Schätzdaten zu Web-Besuchen und App-Sitzungen weltweit, Juli 2020 bis Dezember 2025, Rohdaten offen · März 2026

Kontrollierter Test

Erfahrene Entwickler brauchten mit KI-Werkzeugen 19 Prozent länger, hielten sich dabei aber für 20 Prozent schneller. Vorher hatten sie 24 Prozent Beschleunigung erwartet. Zwischen gemessener und empfundener Wirkung liegen 43 Prozentpunkte, mit umgekehrtem Vorzeichen.

Was die Zahl nicht sagt: 16 Entwickler, 246 Aufgaben, ausschließlich in Repositories, die sie im Schnitt seit fünf Jahren kennen. Genau diese Vertrautheit erklärt einen Teil des Ergebnisses: Wer sein eigenes Projekt im Kopf hat, gewinnt durch Assistenz weniger. Auf unbekannten Code oder andere Wissensarbeit lässt sich das nicht übertragen, und die Werkzeuge stammen von Anfang 2025. Neuere Messung: In einer zweiten Studie mit 57 Entwicklern und über 800 Aufgaben misst METR im Februar 2026 für die zehn zurückkehrenden Teilnehmer 18 Prozent kürzere Bearbeitungszeiten mit KI, für die neuen 4 Prozent kürzere; beide Vertrauensbereiche schließen null ein. METR hält es für wahrscheinlich, dass KI-Werkzeuge Anfang 2026 stärker beschleunigen, und wertet die Zahlen als Untergrenze, weil viele nicht mehr ohne KI arbeiten wollten und deshalb fehlen. Was bleibt: die Lücke zwischen Messung und Selbsteinschätzung. Sie ist der Grund, jeder Produktivitätszahl zu misstrauen, die auf Befragung beruht.

METR, randomisiert kontrollierte Studie, Juli 2025 · 16 erfahrene Open-Source-Entwickler, 246 Aufgaben · neuere Messung: METR, „We are Changing our Developer Productivity Experiment Design“, 24. Februar 2026, 57 Entwickler, 143 Repositories, über 800 Aufgaben, abgerufen am 21. September 2026 · zur neueren Messung

Kontrollierter Test

In einem präregistrierten Experiment mit 758 Unternehmensberatern lieferten die KI-Nutzer über 30 Prozent bessere Qualität, solange die Aufgabe innerhalb der Modellfähigkeit lag. Bei einer Aufgabe knapp außerhalb lagen sie 19 Prozentpunkte häufiger falsch als die Gruppe ohne KI.

Was die Zahl nicht sagt: Wo die Grenze verläuft, war den Teilnehmern nicht erkennbar. Die Aufgaben sahen einander ähnlich. Das ist der Kern des Befunds und zugleich seine Einschränkung: Gemessen wurde eine bewusst außerhalb platzierte Aufgabe, nicht die Häufigkeit solcher Fälle im Arbeitsalltag. Das Experiment lief mit GPT-4; wo die Grenze heute liegt, ist offen. Beratungsarbeit ist außerdem nicht jede Wissensarbeit. Im Einzelnen: Innerhalb der Modellfähigkeit erledigten die KI-Nutzer außerdem 12,2 Prozent mehr Aufgaben und arbeiteten 25,1 Prozent schneller.

Dell'Acqua u. a., „Navigating the Jagged Technological Frontier“, Feldexperiment mit der Boston Consulting Group · Organization Science, online seit 11. März 2026, DOI 10.1287/orsc.2025.21838 · 758 Berater, 18 realistische Aufgaben · das Arbeitspapier von 2023 nannte für die Qualität noch über 40 Prozent

Kontrollierter Test und Metaanalyse

Mit Zugang zu einer Startidee von GPT-4 galten Kurzgeschichten bei 600 Lesern als neuartiger und glichen einander an: Die Ähnlichkeit zum Mittel der übrigen ihrer Gruppe stieg um 0,871 Punkte auf einer Skala von 0 bis 100. Eine Metaanalyse über 19 Studien findet im Ganzen dieselbe Angleichung, einen kleinen Effekt (d = 0,334).

Was die Zahl nicht sagt: Die 0,871 Punkte gelten für den Zugang zu einer Idee. Bei bis zu fünf Ideen war die Angleichung kleiner, 0,718 Punkte und 8,9 Prozent, der Kreativitätsgewinn größer. „Mehr KI, mehr Gleichheit“ liest gegen die Daten. Gemessen ist der Zugang, nicht die Nutzung: In der Ein-Ideen-Bedingung riefen 82 von 100 überhaupt eine Idee ab, in der zweiten im Mittel 2,55, die vollen fünf nur 24,5 Prozent. Zur 10,7-Prozent-Angabe: Die 10,7 Prozent sind ein Anteil an den 8,10 Punkten zwischen höchstem und niedrigstem Wert ohne KI, hängen also an zwei Extremwerten. Dieselben 10,7 Prozent stehen im Papier ein zweites Mal, als Neuartigkeits-Gewinn der am wenigsten kreativen Schreibenden, ohne Bezug dazu. Gemessen ist die Kosinus-Ähnlichkeit von Texteinbettungen einer Gruppe, nicht ob Ergebnisse schlechter sind. „Kreativer“ urteilen Laienleser, im Selbsturteil der Schreibenden gab es keinen statistisch signifikanten Unterschied. Acht Sätze ohne Dialog mit dem Modell, britische Prolific-Teilnehmende statt Berufsautoren: Kurzgeschichten sind keine Strategiepapiere. Zur Metaanalyse: Der Effekt ist klein, und die Autoren lesen ihn ausdrücklich nicht als Verlust an Kreativität, sondern als Umordnung der Vielfalt: im Einzelfall kaum sichtbar, folgenreich erst durch die breite Nutzung ähnlicher Systeme. Im Einzelnen: 293 Teilnehmende schrieben je eine Kurzgeschichte, ein Teil davon mit Zugang zu Startideen von GPT-4. Die Bewertung der Neuartigkeit stieg um 5,4 Prozent bei Zugang zu einer Idee und um 8,1 Prozent bei Zugang zu bis zu fünf. Die 0,871 Punkte sind laut Autoren 10,7 Prozent der Spannweite, die die Gruppe ohne KI aufspannte. Die Metaanalyse über kreative Ergebnisse mit generativer KI stützt sich auf 61 Effektgrößen; der Effekt ist statistisch signifikant, robust in Sensitivitätsanalysen und nicht durch Publikationsverzerrung erklärt.

Doshi und Hauser, „Generative AI enhances individual creativity but reduces the collective diversity of novel content“, Science Advances, Band 10, Ausgabe 28, eadn5290, 12. Juli 2024, DOI 10.1126/sciadv.adn5290 · präregistriert, 293 Schreibende und 600 Bewertende auf Prolific, 3.519 Einzelbewertungen, Ideen von GPT-4 · die Verlagsseite science.org wehrt automatisierte Abrufe ab, geprüft wurde am offenen Volltext bei Europe PMC · zweite Quelle: de Rooij und Biskjaer, „Generative AI Makes Creative Output More Homogeneous“, European Conference on Cognitive Ergonomics (ECCE 2026, Siena, 15. bis 18. September 2026), veröffentlicht am 14. September 2026, DOI 10.1145/3822301.3822304 · systematische Übersicht und Metaanalyse, 19 Studien, 61 Effektgrößen, Kurzfassung abgerufen am 28. September 2026 · Volltext bei der ACM nicht gelesen · Metaanalyse

Redaktionell geprüft

Sieben Sprachmodelle wählten bei sechs von sieben strategischen Entweder-oder-Fragen über alle Anbieter dieselbe Seite, etwa Differenzierung vor Kostenführerschaft und Augmentierung vor Automatisierung. Bei diesen beiden senkte besseres Prompten an ChatGPT-5 den Anteil voreingenommener Antworten um weniger als 2 Prozent.

Die Unempfindlichkeit gilt nur für zwei der sieben Fragen: Bei den übrigen fünf verschob besseres Prompten die Antworten im Mittel um 22 Prozent in beide Richtungen, am stärksten wirkte die Reihenfolge der Optionen mit 19 Prozent. Ob die bevorzugte Antwort falsch ist, sagt der Befund nicht: Gemessen ist allein die Unempfindlichkeit gegen den Kontext. Zur Quelle: ein HBR Digital Article ohne Begutachtung, ein eigenständiges Paper gibt es nicht; ein Repositorium führt ihn als begutachtet, das ist ein Katalogartefakt. Korrigiert am 10. September 2026: Bis dahin standen hier „96 Prozent Differenzierung“ und „93 Prozent Augmentierung“. Beide Werte stehen nirgends im Beitrag; der Volltext nennt keinen Anteilswert, nur Verschiebungen gegenüber der Ausgangslage, und die Zahlen stammen aus Blog-Zusammenfassungen, vermutlich aus einer Abbildung abgelesen. Ebenfalls korrigiert: Die über 15.000 Durchläufe gelten nicht für die sieben Modelle, sondern für die zwei Nachuntersuchungen an einem einzigen Modell; die Sieben-Modelle-Messung beruht auf 50 Durchläufen je Modell und Frage, eine Gesamtzahl nennen die Autoren nicht. Im Einzelnen: Nur bei Exploration gegen Exploitation gingen die Modelle auseinander. Geprüft wurde das Wegprompten in zwei Nachuntersuchungen an ChatGPT-5 mit je über 15.000 Durchläufen; zusätzlicher Unternehmenskontext verschob den Anteil voreingenommener Antworten bei Differenzierung und Augmentierung im Mittel um 11 Prozent, in beide Richtungen. Die Autoren nennen die Schlagseite „strategy trendslop“, die sozial erwünschteste Antwort des Internet-Durchschnitts.

Angelo Romasanta, Llewellyn D. W. Thomas und Natalia Levina, „Researchers Asked LLMs for Strategic Advice. They Got ‚Trendslop‘ in Return.“, Harvard Business Review, 16. März 2026, HBR Digital Article H093GG · getestet wurden ChatGPT, Claude, DeepSeek, GPT-5 über die API, Gemini, Grok und Mistral, je 50 Durchläufe pro Modell und Frage; die beiden Blöcke mit über 15.000 Durchläufen liefen allein auf ChatGPT-5 · Volltext mit 15.613 Zeichen aus den strukturierten Daten der Seite, gegengeprüft an zwei Archivfassungen · die Seite ist bezahlgeschränkt, der Volltext zeichengleich in den Archivfassungen vom 17. März und 14. Juli 2026

Kontrollierter Test und Herstellerdokumentation

Zustimmung ist im Trainingssignal belohnt: In Anthropics Auswertung von 15.000 Antwortpaaren aus eigenen Rückmeldungsdaten gehört Übereinstimmung mit den Überzeugungen des Nutzers durchgehend zu den stärksten Vorhersagern menschlicher Präferenz, wobei ein einzelnes Merkmal sie um höchstens rund 6 Prozentpunkte verschiebt.

Wer gemessen hat: Die Untersuchung stammt von Anthropic; zwei der fünf getesteten Assistenten und das analysierte Belohnungsmodell sind eigene, alle Modelle sind von 2023. Was daneben belohnt wird: Wahrhaftigkeit ebenfalls, und je nach Versuchsbedingung ist Übereinstimmung nicht das stärkste Merkmal. Geprüft sind Faktenfragen und Freitextaufgaben, keine Strategieempfehlungen. Gemessen ist, was die Daten belohnen, nicht wie oft ein Assistent im Betrieb schmeichelt; die Rücknahme bei OpenAI zeigt, dass der Effekt auftreten und bemerkt werden kann, nicht wie stark er heute ist. Vorsicht bei der meistzitierten Zahl: Die 95 Prozent stammen aus einem Teilversuch an 266 Fehlannahmen, und dort sind die zustimmenden Antworten eigens erzeugt worden: Ein Modell sollte subtil täuschen, aus 4.096 Ziehungen wurde die überzeugendste gewählt. Geurteilt hat kein Mensch, sondern das Präferenzmodell von Claude 2, gemessen gegen die beste von drei kurzen, menschlich geschriebenen Widerspruchsantworten, die dasselbe Modell ausgewählt hat. Was die Menschen taten: Für die menschlichen Bewerter nennt das Papier keine Zahl. Sie zogen die korrigierende Antwort überwiegend vor, mit steigender Schwierigkeit seltener; aus der Abbildung abgelesen sind es rund 3 Prozent auf der leichtesten und rund 21 Prozent auf der schwersten Stufe. Das ist die Mehrheit mehrerer Laien ohne Nachschlagemöglichkeit, der einzelne Bewerter liegt im Mittel darüber. Die Autoren nennen den Datensatz einen Machbarkeitsnachweis. Im Einzelnen: Im April 2025 nahm OpenAI ein GPT-4o-Update zurück, weil das Modell übermäßig gefällig geworden war, und nennt als vorläufige Erklärung drei zusammenwirkende Änderungen, darunter ein zusätzliches Belohnungssignal aus den Daumen-hoch- und Daumen-runter-Rückmeldungen der Nutzer.

Sharma, Tong u. a., „Towards Understanding Sycophancy in Language Models“, arXiv:2310.13548v4 vom 10. Mai 2025, erste Fassung 20. Oktober 2023, begutachtet und als Poster auf der ICLR 2024 angenommen · Kennzahl aus Abschnitt 4.1: 15.000 zufällig gezogene Antwortpaare aus der Helpfulness-Teilmenge von Anthropics hh-rlhf-Datensatz, 23 Merkmale, Bayessche logistische Regression, Holdout-Genauigkeit 71,3 Prozent · getestet wurden Claude 1.3, Claude 2, GPT-3.5, GPT-4 und LLaMA 2 · dazu OpenAI, „Sycophancy in GPT-4o“, 29. April 2025, und „Expanding on what we missed with sycophancy“, 2. Mai 2025; Update vom 25. April, Rücknahme ab dem 28. April (OpenAI-Mitteilung)

Negativbefund einer dokumentierten Recherche

Ob eine Marke als Spezifikation zu markenkonformerem KI-Output führt als ein Brand Book, ist in keiner öffentlich nachprüfbaren Messung entschieden; einen öffentlichen Benchmark dafür findet die Recherche nicht. Nachbarfelder haben solche Benchmarks: Leitlinientreue in der Medizin seit Dezember 2024, Regeltreue in Support-Dialogen seit Anfang 2026.

Was der Befund nicht sagt: dass es nichts gibt. Gesucht am 10. September 2026, 24 Phrasenabfragen; ungeprüft blieben Semantic Scholar (HTTP 429), die ACL Anthology, Bezahlschranken-Datenbanken und unveröffentlichte Anbieterstudien. Gegen die eigene These: Die allgemeine Formfrage ist gemessen. Ein Benchmark vom 31. Juli 2026 stapelt 24 maschinell prüfbare Anweisungen, darunter eine feste Tonalität, und prüft, ob dieselben Anweisungen kompiliert besser befolgt werden: bis zu 11 Prozentpunkte mehr Befolgung beim schwächsten Modell, bei starken praktisch nichts, nach eigener Angabe nie verglichen mit einem kompetent von Hand geschriebenen Prompt. „Völlig offen“ ist die Frage damit nicht. Kein Nachbar misst Marke: Die drei nächstliegenden Benchmarks messen Regeltreue in Support-Dialogen und die Erkennung von Verstößen durch ein Modell als Richter. Alle drei Datensätze sind maschinell erzeugt, CompliBench ein Preprint, zwei seiner acht Autoren arbeiten bei einem Contact-Center-Anbieter. Adobes Markenkonformitäts-Score ist Produktfunktion, nicht nachprüfbar. Das Gegenteil ist ebenso wenig gemessen.

Eigene Recherche, 10. September 2026: arXiv-Programmierschnittstelle mit 24 Phrasenabfragen, darunter brand voice, brand guidelines, brand consistency, brand compliance, machine-readable brand, brand book, style guide, tone of voice und corporate identity; dazu OpenAlex, allgemeine Websuche und die Anbieterseiten von Adobe, Frontify, Jasper und Writer · nächstliegende gemessene Arbeit zur Formfrage: „Instruction Stacking Collapse“, arXiv:2608.02639, 31. Juli 2026, 24 verifikatorgeprüfte Anweisungen, drei Modelle (zum Papier) · nächstliegende Benchmarks zur Regeltreue: CompliBench, arXiv:2604.12312, 14. April 2026, Preprint, 318 maschinell erzeugte Dialoge (CompliBench), PluralisticBehaviorSuite, arXiv:2511.05018, 300 Verhaltensrichtlinien aus 30 Branchen, und JourneyBench, arXiv:2601.00596, 703 Gespräche · zum Vergleich Medizin: AMEGA, npj Digital Medicine 7:358, 12. Dezember 2024, und CPGBench, arXiv:2603.25196, 26. März 2026, 3.418 Leitliniendokumente

Historische Untersuchung

Ein Jahrhundert Haushaltstechnik hat die Hausarbeitszeit nicht gesenkt. Die Geräte ersetzten vor allem die Arbeit von Männern, Kindern und Dienstboten; die eingesparte Zeit ging in gestiegene Ansprüche an Sauberkeit und Versorgung. Die Erwartung, Automatisierung setze Zeit frei, hat einen dokumentierten Präzedenzfall, in dem genau das ausblieb.

Was die Untersuchung nicht sagt: Sie handelt von Haushalten zwischen offener Feuerstelle und Mikrowelle, nicht von Wissensarbeit und nicht von KI. Wer sie überträgt, zieht eine Analogie, keinen Beweis. Sie taugt als Korrektiv, nicht als Prognose: Sie zeigt, dass Arbeitsersparnis durch Technik eine Annahme ist, die historisch schon einmal nicht eingetreten ist. Dass sie wieder ausbleibt, zeigt die Untersuchung nicht.

Ruth Schwartz Cowan, „More Work for Mother: The Ironies of Household Technology from the Open Hearth to the Microwave“, 1983 · ausgezeichnet mit dem Dexter Prize der Society for the History of Technology, 1984

Längsschnittstudie

Konzerne, deren Zukunftsvorbereitung 2008 als ausgeprägt eingestuft wurde, erreichten 2015 eine Profitabilität von 16 Prozent gegenüber 12 Prozent im Branchenmittel, also 33 Prozent mehr; über dieselben sieben Jahre wuchs ihre Marktkapitalisierung um 75 Prozent gegenüber 25 Prozent im Mittel.

Was die vielzitierte Zahl verschweigt: Von 83 befragten Konzernen blieben nach dem Abgleich mit Leistungsdaten 70 für die Profitabilität und nur 42 für das Marktkapitalisierungswachstum. Die Autoren nennen das selbst eine wesentliche Einschränkung. Die „200 Prozent zusätzliches Wachstum“, die in der Foresight-Branche kursieren, stehen damit auf 42 Unternehmen. Und es ist ein Zusammenhang, keine Ursache: Konzerne, die sich Zukunftsarbeit leisten, unterscheiden sich auch sonst von denen, die es nicht tun. Im Einzelnen: Firmen mit erkannten Defiziten lagen 37 bis 44 Prozent unter dem Durchschnitt.

Rohrbeck und Kum, „Corporate foresight and its impact on firm performance: A longitudinal analysis“, Technological Forecasting & Social Change 129, 2018 · Vorbereitung 2008 erhoben, Leistung 2015

Laufende Messung

Auf der Turnier-Rangliste von ForecastBench liegt der Median menschlicher Superforecaster mit 68,8 auf Rang drei, hinter zwei Einreichungen von Google DeepMind mit Werkzeugen und Zusatzkontext (69,1 und 68,9). Auf der Basis-Rangliste ohne Werkzeuge führt der menschliche Median mit 67,7 vor dem besten Modell mit 62,2.

Was die Rangliste nicht sagt: Sie erklärt den Vorsprung der Maschinen nicht für gesichert. Die eigene Signifikanzspalte verneint einen Unterschied für die Plätze vor und direkt hinter dem Median, die Vertrauensbereiche überlappen fast vollständig. Der Brier Index ist trotz Prozentzeichen keine Trefferquote, die Umrechnung nichtlinear. Die Werte verschieben sich mit jeder nächtlichen Neuberechnung um Zehntel. Bestwert aus vielen Versuchen: Google DeepMind hält 52 der 377 Einreichungen und alle drei Plätze vor und direkt hinter dem Menschen, der eine einzige Zeile ist. Es sind nicht dieselben Fragen: Menschen zuletzt befragt im Juli 2024, 578 Fragen gegen 847. Zur Parität: Die Betreiber führen den Gleichstand im Turnier als erreicht zum 7. Juni 2026 und projizieren ihn werkzeugfrei auf Juni 2028, Intervall Juli 2026 bis Dezember 2030; es bildet nur die Unsicherheit der Geradenanpassung ab. Prognosefragen zu datierten Ereignissen sind keine strategischen Urteile über eine Marke. Im Einzelnen: Eine dritte Einreichung von Google DeepMind folgt knapp hinter dem Median (68,7).

ForecastBench des Forecasting Research Institute, Turnier- und Basis-Rangliste nach den nächtlich aktualisierten Ranglisten-Dateien, Stand 28. September 2026; Paritätsprojektion auf der Explore-Seite, abgerufen am 21. September 2026 · Einreichungen erscheinen erst 50 Tage nach Abgabe, die Rangliste ist kein tagesaktueller Stand · Ranglisten-Dateien

Präregistriertes Experiment

991 Teilnehmende beantworteten sechs Prognosefragen, teils mit Zugang zu einem Sprachmodell. Die Assistenz verbesserte die Treffsicherheit um 24 bis 28 Prozent gegenüber der Kontrollgruppe. Bemerkenswert ist der Vergleich innerhalb der Gruppen: Auch ein bewusst überkonfident und verrauscht eingestellter Assistent half deutlich.

Was das Ergebnis nahelegt und nicht beweist: Dass auch der schlechte Assistent wirkte, spricht dafür, dass ein Teil des Gewinns aus dem Vorgang des Befragens stammt und nicht aus der Güte der Maschinenantwort. Bewiesen ist das nicht. Die Autoren weisen selbst darauf hin, dass Ausreißer das Bild beeinflussen und die Robustheit zu prüfen bleibt. Sechs Fragen sind eine schmale Grundlage, und es ist ein Preprint.

Schoenegger, Park, Karger, Trott und Tetlock, „AI-Augmented Predictions: LLM Assistants Improve Human Forecasting Accuracy“, präregistriert, arXiv, Februar 2024 · 991 Teilnehmende

Standardwerk

Nach Andrew Abbotts Untersuchung konkurrieren Berufe nicht über die Ausführung ihrer Arbeit, sondern über deren Definition: Wer bestimmt, was ein Problem ist und wer dafür zuständig, hat den Wettbewerb bereits entschieden; Zuständigkeiten werden beansprucht, wenn sie frei werden, nicht, indem man eine besetzte besser ausfüllt.

Was die Untersuchung nicht sagt: Sie stammt von 1988 und behandelt klassische Professionen (Medizin, Recht, Buchhaltung), nicht Beratung und nicht KI. Ihre Übertragung auf heutige Berufsbilder ist eine Deutung. Und sie erklärt nicht, wie man eine Zuständigkeit gewinnt, sondern beschreibt, worum konkurriert wird. Als Beleg taugt sie für die Frage, was Definitionsmacht bedeutet, und nicht als Anleitung.

Andrew Abbott, „The System of Professions: An Essay on the Division of Expert Labor“, University of Chicago Press, 1988

Fachbuch

Die Soziologin Elena Esposito hält den Vergleich von Algorithmen mit menschlicher Intelligenz für irreführend und schlägt den Begriff künstliche Kommunikation vor: Wenn Maschinen zur sozialen Intelligenz beitragen, dann nicht, weil sie gelernt haben zu denken wie wir, sondern weil wir gelernt haben, mit ihnen zu kommunizieren.

Was das Buch nicht ist: keine Messung, sondern ein theoretischer Vorschlag aus der Systemtheorie. Es belegt keine Zahl und lässt sich nicht widerlegen wie ein Experiment. Und es handelt nicht von Marken: Espositos Beispiele sind Empfehlungslisten, Profilbildung und das Recht auf Vergessen. Die Übertragung auf die Frage, ob eine Marke für Maschinen lesbar ist, ist eine Deutung: eine naheliegende, aber keine, die im Buch steht.

Elena Esposito, „Artificial Communication: How Algorithms Produce Social Intelligence“, MIT Press, 24. Mai 2022 · 200 Seiten, Open-Access-Ausgabe verfügbar

Feldstudie, Arbeitspapier

Eine Feldstudie unter 244 Unternehmensberatern fand drei Arbeitsweisen mit generativer KI: Wer KI durchgehend einbezieht, erwirbt neue KI-Kompetenz; wer sie gezielt für einzelne Schritte einsetzt und die Problemstellung behält, vertieft seine Fachkompetenz; wer den ganzen Vorgang abgibt, baut weder das eine noch das andere auf.

Was die Studie nicht sagt: Sie vergleicht nicht die Qualität der Ergebnisse. Im Abstract steht keine Aussage darüber, welche Arbeitsweise genauere Empfehlungen hervorbringt; anderslautende Zusammenfassungen im Umlauf gehen über die Quelle hinaus. Gemessen ist der Kompetenzaufbau, nicht das Ergebnis. Außerdem: ein Arbeitspapier in Entwurfsform, nicht begutachtet, und die Befragten kommen alle aus einer einzigen Beratung. Im Einzelnen: Die drei Arbeitsweisen unterscheiden sich nicht im Werkzeug, sondern darin, wer den Ablauf steuert.

Randazzo, Lifshitz, Kellogg, Dell'Acqua, Mollick, Candelon und Lakhani, „Cyborgs, Centaurs and Self-Automators“, Harvard Business School Working Paper 26-036, 2025 · 244 Berater der Boston Consulting Group

Feldexperiment

Bei 5.179 Kundendienst-Mitarbeitenden eines Großunternehmens stieg die Zahl gelöster Anliegen pro Stunde durch einen KI-Assistenten um 14 Prozent im Schnitt. Anfänger und geringqualifizierte Kräfte legten um 34 Prozent zu, bei erfahrenen und hochqualifizierten war die Wirkung „minimal“.

Was die Zahl nicht sagt: Kundendienst ist stark strukturierte Arbeit mit wiederkehrenden Fällen. Die Übertragung auf Strategie oder Gestaltung ist offen. Und es ist ein Arbeitspapier, laut Deckblatt ausdrücklich nicht begutachtet. Gemessen wurde außerdem Menge, nicht Güte: gelöste Anliegen pro Stunde, nicht wie gut sie gelöst wurden, auch wenn die Kundenstimmung sich mitverbesserte. Im Einzelnen: Die Autoren vermuten, das Modell verbreite die Praktiken der Fähigeren an die Neuen.

Brynjolfsson, Li und Raymond, „Generative AI at Work“, NBER Working Paper 31161, April 2023, überarbeitet November 2023 · 5.179 Kundendienst-Mitarbeitende

Präregistriertes Experiment

In einem präregistrierten Experiment mit 444 Fachkräften mit Hochschulabschluss sank mit generativer KI die Bearbeitungszeit für Schreibaufgaben um 0,8 Standardabweichungen, die Qualität stieg um 0,4, und die Schwächeren gewannen mehr. Das Werkzeug ersetze laut den Autoren überwiegend Anstrengung, statt Können zu ergänzen.

Zur Zahl selbst: Hier stehen die Werte der geprüften Arbeitspapier-Fassung vom März 2023, die ausdrücklich nicht begutachtet ist. Die begutachtete Fassung erschien später in Science und trägt abweichende Angaben: In Umlauf sind 453 Teilnehmende und „40 Prozent Zeitersparnis“; diese Fassung liegt hinter einer Bezahlschranke und wurde nicht im Original eingesehen. Was die Zahl nicht sagt: Es waren kurze, isolierte Schreibaufgaben, keine Projekte über Wochen. Im Einzelnen: Das Werkzeug verschiebe laut den Autoren die Arbeit weg vom Rohentwurf hin zu Ideenfindung und Überarbeitung.

Noy und Zhang, „Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence“, MIT, Arbeitspapier vom 2. März 2023 · begutachtete Fassung in Science 381, 2023, S. 187–192

Kontrollierter Test

In einem Ideenwettbewerb zur Kreislaufwirtschaft galten Lösungen von Menschen als neuartiger, solche von GPT-4 mit menschlich gesteuerten Prompts in allen vier Wertdimensionen als besser. Die Höchstnote für Neuheit bekamen die KI-Lösungen aber 7,9 Prozentpunkte seltener, und am oberen Rand verschwand ihr Wertvorsprung.

Was die Zahlen nicht sagen: Verglichen wurde nicht Mensch gegen Maschine, sondern Menge gegen menschlich geführte KI mit eigens gebauten Prompts. Wurde das Modell iterativ zum Differenzieren angehalten, war der Rückstand im Mittel nicht mehr nachweisbar (minus 0,056) und blieb nur bei der Höchstnote. Woran sie hängen: Urteile über Texte, keine realisierten Ideen. Alle Bewerter sitzen in den USA. GPT-4 im Stand von Mitte 2023, ein Aufgabenfeld, je Block zehn KI- gegen drei Menschenlösungen. Zwei der fünf Autoren sind der beteiligten KI-Firma zugeordnet, Mitautor Jacimovic hat sie gegründet. Im Einzelnen: Von den 234 Lösungen stammten 54 von Menschen und 180 von GPT-4; 300 geprüfte Bewerter bewerteten je 13, zusammen 3.900 Bewertungen. Die maschinellen galten als strategisch tragfähiger, ökologisch und finanziell wertvoller und insgesamt besser (plus 0,088 bis 0,160), bei Neuheit lagen sie bei minus 0,140 auf einer Skala von 1 bis 5.

Boussioux, Lane, Zhang, Jacimovic und Lakhani, „The Crowdless Future? Generative AI and Creative Problem-Solving“, Organization Science 35(5), S. 1589 bis 1607 · 234 bewertete Lösungen, 300 Bewerter, 3.900 Bewertungen, Wettbewerb 30. Januar bis 15. Mai 2023 · eingereicht 30. November 2023, überarbeitet 23. Januar, 14. Mai und 20. Juni 2024, angenommen 26. Juni 2024, online 16. August 2024, Heft September/Oktober 2024

Explorative Fallstudien, begriffsbildend

Henry Mintzberg definierte Strategie 1978 als „ein Muster in einem Strom von Entscheidungen“: Gebildet ist sie, sobald eine Folge von Entscheidungen über die Zeit Konsistenz zeigt. Damit werden auch die Strategien untersuchbar, die sich trotz der Absichten einstellten oder ganz ohne Absicht entstanden.

Was der Aufsatz nicht misst: Er bildet Begriffe und beschreibt. Dass eine gewachsene Strategie zu besseren Ergebnissen führt als eine geplante, belegt er nirgends. Mintzberg greift die Planungslehre durchaus an, ihre Trennung von Formulierung und Umsetzung ruhe auf zwei oft falschen Annahmen. Geprüft hat er das nicht. Der Unterbau ist größer als das Gezeigte: Die allgemeinen Schlüsse stützen sich auf vier finanzierte Hauptstudien und über zwanzig studentische Arbeiten; nur zwei der vier sind im Text dokumentiert, die übrigen nicht. Beide gezeigten Fälle sind historisch, liegen außerhalb der Markenführung und wurden rückblickend von derselben Forschergruppe rekonstruiert, die festlegte, was als Muster zählt. Im Einzelnen: Gezeigt hat Mintzberg das an zwei Langzeitfällen, dem Volkswagenwerk und den USA in Vietnam von 1950 bis 1973.

Henry Mintzberg, „Patterns in Strategy Formation“, Management Science, Vol. 24, No. 9, S. 934 bis 948 · vier vom Canada Council finanzierte Hauptstudien und über zwanzig studentische Arbeiten, davon zwei vorgeführt: Volkswagenwerk 1934 bis 1974 laut Abstract und 1920 bis 1974 laut Abschnittsüberschrift, USA in Vietnam 1950 bis 1973 · Manuskript eingegangen am 19. April 1976, gedruckt Mai 1978

Befragung

Über 17 Warengruppen in Australien und Großbritannien halten im Schnitt 11 Prozent der aktuellen Verwender ihre eigene Marke für anders und 10 Prozent für einzigartig; 17 Prozent nennen wenigstens eines von beidem. Gekauft wird die Marke trotzdem. Die Autoren empfehlen stattdessen Wiedererkennbarkeit.

Was die Zahl nicht sagt: Sie belegt nicht, dass Käufer gar keine Unterschiede sehen. Im Schnitt sprechen 54 Prozent wenigstens einer Marke der Warengruppe eines von beidem zu, bei britischen Erfrischungsgetränken 76 Prozent. Niedrig ist der Einzelwert, weil jeder Befragte nur ein oder zwei Marken nennt, und jeder andere; je Warengruppe 8 bis 36 Prozent. Befragt wurden nur Verwender; dass sie die Marke trotzdem kaufen, folgt daraus, nicht aus der Messung. Wer erhoben und wer bezahlt hat: Fallzahlen fehlen im zugänglichen Text. Die meisten Daten kommen samt Messverfahren von der Werbeagentur Young & Rubicam, erhoben 1999; das Institut nennt als Geldgeber unter anderem Coca-Cola, Mars und Nielsen. Über maschinelle Auswahl sagt der Aufsatz nichts, er ist älter als jeder Agent.

Jenni Romaniuk, Byron Sharp und Andrew Ehrenberg, Ehrenberg-Bass-Institut, Australasian Marketing Journal 15 (2), Seiten 42 bis 54 · Befragung aktueller Markenverwender in 17 Warengruppen, die australischen per Telefon, die britischen aus dem Brand Asset Valuator von Young & Rubicam, erhoben 1999 · 2007

Eigene Erhebung, reproduzierbar

Von 77 deutschsprachigen Nachrichten- und Fachmedien erklären 20 in ihrer robots.txt einen Rechtsvorbehalt gegen Text und Data Mining, und zwar als Kommentarzeile. Eine maschinell auswertbare Form, die TDM-policy-Zeile in derselben Datei, steht in keiner der geprüften Dateien.

Was die Zahl nicht sagt: Ein Kommentar ist kein Befehl. Crawler werten Kommentarzeilen nicht aus; die Zeile erklärt einen Vorbehalt, sie erzwingt ihn nicht. Ob diese Form den maschinenlesbaren Vorbehalt nach § 44b Abs. 3 UrhG erfüllt, ist eine Rechtsfrage, und die Messung beantwortet sie nicht. Zwei weitere Medien untersagen im Kommentar das automatisierte Auslesen, ohne sich auf einen Rechtsvorbehalt zu berufen; sie sind nicht mitgezählt. Zwei der 16 reservieren ausdrücklich nur fremdes Material, Inhalte von dpa und Picture-Alliance, nicht die eigenen. Gemessen ist allein die robots.txt der Startseite: Vorbehalte in den Nutzungsbedingungen, im Impressum, in den Metadaten der Seite oder in der Datei /.well-known/tdmrep.json sind hier nicht erfasst; die einzige Reservierung, die sich im Index überhaupt fand, steht genau dort und ist in einem eigenen Eintrag beschrieben. Von den 160 Index-Startseiten haben 14 nicht geantwortet, im zweiten Durchgang 15; sie könnten einen Vorbehalt tragen. Im Einzelnen: Von den 20 nennen 16 ausdrücklich § 44b UrhG, vier weitere berufen sich auf österreichisches oder europäisches Recht oder nennen den Vorbehalt ohne Paragraphen. Unter den Startseiten der Unternehmen aus DAX, MDAX und SDAX erklärt keine einzige einen solchen Vorbehalt in ihrer robots.txt.

Eigene Erhebung, 17. September 2026 · dieselben Listen wie die beiden robots.txt-Einträge vom 12. September, deren Zusammensetzung und Grenzen dort stehen: 77 Medientitel, alle auswertbar, und 160 Startseiten aus DAX, MDAX und SDAX, davon 146 im ersten und 145 im zweiten Durchgang auswertbar · gesucht wurde in der ausgelieferten robots.txt nach Kommentaren mit § 44b, nach dem Wortlaut Text und Data Mining und nach einer TDM-policy-Zeile · Abruf zuerst mit eigener Kennung, bei Abweisung mit gewöhnlicher Browser-Kennung · zwei Durchläufe, bei den Medien 77 von 77 mit identischem Urteil, im Index wich eine Seite ab, die im zweiten Durchgang nicht antwortete

Eigener Test, ein Werkzeug

Das Standard-Abrufwerkzeug eines Agenten las von einer Seite mit 128.000 Zeichen sichtbarem Text nur den vorderen Teil. In einem Abnahmetest mit zehn festen Fragen, jede zweimal gestellt, wies es nur bei drei Fragen auf die Kürzung hin, obwohl ein sichtbarer Satz auf der Seite genau dafür das Erkennungsmerkmal nannte.

Ein Werkzeug, eine Seite: Geprüft ist das Abrufwerkzeug eines Claude-Agenten auf einer einzigen Seite, nicht der Markt. ChatGPT, Gemini und Perplexity sind nicht getestet, und ein Browser-Agent, der die Seite darstellt, liest anders. Die beiden Proben widersprechen sich: Eintrag 65 entspricht rund 92.000 Zeichen, die Selbstauskunft nennt 100.000 bis 115.000. Die Handprobe ist die härtere Zahl, die Selbstauskunft die günstigere. Die 6 von 6 sind eine Abnahme, kein Feldbefund: Ankerkarte und feste Zählung sind am selben Vormittag als Antwort auf den ersten Abruf entstanden, der Lauf um 11:05 war ihre Abnahme; die eigene Reparatur hat ihr eigenes Kriterium erfüllt. Gemessen ist dabei, dass das Werkzeug die richtige Datei nennt, nicht dass seine Antwort stimmt: In einem Lauf nahm es einen Anker aus der Karte und erfand dessen Inhalt. Der Gegenstand verändert sich: Die Seite ist seitdem gewachsen, die Kürzung greift mit jedem neuen Eintrag früher. Den Satz, auf den sich die drei von zehn beziehen, gibt es nicht mehr; er ist nach dem Test entfernt worden, weil er seine Aufgabe nicht erfüllte. In eigener Sache: Die geprüfte Seite ist die eigene, Bau und Test liefen in derselben Werkstatt; ausgewertet hat ein zweiter Agent, der den Bau nicht kannte. Der Test misst das Verhalten des Werkzeugs, nicht die Güte der Seite, und sagt nichts darüber, ob gekürzte Antworten seltener zitiert werden. Im Einzelnen: Eine Handprobe am selben Morgen fand den Abbruch bei Eintrag 65 von 90; das Werkzeug selbst gab „etwa 80“ Einträge an und die Abbruchstelle mit 100.000 bis 115.000 Zeichen. Mit einer Ankerkarte führten Fragen nach einem bestimmten Eintrag in 6 von 6 Fällen zur richtigen Datei, Zählfragen in 4 von 4. Bei begrifflichen Fragen antwortete das Werkzeug aus dem gekürzten Text weiter, ohne den Abbruch zu erwähnen.

Eigene Messung, 11. September 2026, 08:10 und 11:05 · Abrufwerkzeug eines Claude-Agenten auf robert-haase.de/belege.html, 128.000 Zeichen sichtbarer Text ohne Skripte · zehn vorher festgelegte Fragen, jede zweimal gestellt, Abbruchregeln vor dem Lauf bestimmt · Auswertung durch einen zweiten Agenten ohne Kenntnis des Baus

Herstellerdokumentation

In Google Ads lassen sich Markenregeln in eigenen Worten hinterlegen, in Performance-Max- und in Search-Kampagnen mit AI Max: je Kampagne bis zu 25 ausgeschlossene Begriffe und bis zu 40 Vorgaben dazu, was zu vermeiden ist. Beide schließen nur aus und wirken nur auf automatisch angepasste Textbausteine, nicht auf Bilder.

Was die Zahl nicht sagt: Das sind Produktgrenzen, keine Messung. Die Funktion läuft als „experimental beta“, Google nennt selbst mögliche Einschränkungen; Obergrenzen und Verhalten können sich ändern. Die Regeln hängen an der Kampagne, nicht an der Marke: Wer zehn Kampagnen führt, pflegt zehn Regelsätze, und außerhalb von Google Ads gelten sie nicht. Ob die erzeugten Texte die Vorgaben einhalten, sagt die Dokumentation nicht; sie beschreibt nur, dass die Vorgaben berücksichtigt werden. Im Einzelnen: Die Vorgaben nennen, welche Vorstellungen, Verknüpfungen oder Stile zu vermeiden sind. Auf der Hilfeseite warnt Google, ungeeignete Vorgaben könnten eine große Zahl brauchbarer Texte entfernen und die Leistung senken.

Google-Ads-Hilfe, „Use text guidelines with Performance Max and Search campaigns (beta)“, abgerufen am 17. September 2026 · erweiterter Beta-Zugang für alle Werbetreibenden weltweit laut Google-Blog vom 26. Februar 2026

Befragung

Auf die Frage „Planen Sie, durch KI künftig mehr Marketing-Leistungen intern abzudecken?“ antworten 80,0 Prozent von 170 Führungskräften aus deutschen Unternehmen mit Budget- und Entscheidungsverantwortung mit Ja, 11,2 Prozent mit Nein, 8,8 Prozent wissen es nicht.

Was die Zahl nicht sagt: Gemessen ist ein Plan, keine Verlagerung, und die Frage benennt die Ursache gleich mit; wer Ja sagt, hat noch niemanden eingestellt. Was „Marketing-Leistungen“ umfasst, legt jeder Befragte selbst fest. 170 Selbstauskünfte aus einer Online-Befragung, ohne Angabe zur Grundgesamtheit und zur Ausschöpfung; die Branchenauswertungen derselben Studie beruhen ausdrücklich auf kleinen Fallzahlen. Herausgegeben wird das Papier vom Agenturverband GWA, erhoben hat es das Handelsblatt Research Institute. Die Studie erhebt nach eigener Angabe keinen Anspruch auf Repräsentativität und erlaubt keine sicheren Kausalaussagen. Die ANA-Reihe auf dieser Seite misst etwas anderes, nämlich vollzogene Verlagerungen; dort ist der Anteil zuletzt von 70 auf 65 Prozent gefallen. Im Einzelnen: Über die Unternehmensgrößen hinweg ist die Absicht stabil: 79 Prozent bei Unternehmen mit 100 bis 999 Mitarbeitenden, 81 Prozent bei 1.000 und mehr.

GWA KI-Whitepaper 2026, Teil „KI-Studien“, Frage 6 · 170 Führungskräfte aus deutschen Unternehmen mit Budget- und Entscheidungsverantwortung · 1. bis 9. April 2026 · deskriptive Online-Befragung mit Selbstauskünften · Durchführung Handelsblatt Research Institute und techconsult in Zusammenarbeit mit dem GWA

Befragung

96,2 Prozent von 78 Führungskräften aus Mitgliedsagenturen des GWA stufen den KI-Reifegrad der eigenen Agentur als „fortgeschritten“ oder „Experte“ ein. Den durchschnittlichen Wissensstand der gesamten Agenturbranche im DACH-Raum bewerten dieselben Befragten auf einer Skala von 1 bis 5 mehrheitlich mit 3 (57,7 Prozent).

Was die Zahl nicht sagt: Beides sind Selbsteinschätzungen, kein Test und kein Abgleich mit dem tatsächlichen Einsatz. Die zwei Fragen sind nicht vergleichbar: Der eigene Reifegrad wird in drei Stufen erfragt, Anfänger, fortgeschritten, Experte, der Wissensstand der Branche auf einer Skala von 1 gleich sehr schlecht bis 5 gleich sehr gut; eine Umrechnung zwischen beiden gibt es nicht. Dass dieselben Leute sich besser einschätzen als ihr Umfeld, liegt nahe, gemessen ist es nicht. Die 3,8 Prozent sind drei Agenturen. 78 Antworten aus einem Verband, freiwillig; wer teilnimmt, beschäftigt sich mit dem Thema. Der Vergleich mit der Vorerhebung 2024/25 trägt nicht, die Stichprobe war kleiner und anders zusammengesetzt (n = 52). Im Einzelnen: Als „fortgeschritten“ stufen 71,8 Prozent ihre Agentur ein, als „Experte“ 24,4 Prozent und als „Anfänger“ 3,8 Prozent. Den Wissensstand der Branche bewerten 19,2 Prozent mit 2 und 23,1 Prozent mit 4; die Extremwerte 1 und 5 wählt niemand.

GWA KI-Whitepaper 2026, Teil „KI-Studien“ · 78 Führungskräfte aus GWA-Mitgliedsagenturen · 12. Februar bis 6. März 2026 · deskriptive Online-Befragung mit Selbstauskünften · Herausgeber GWA Tech & Innovation Forum · Fragen: „Wie würden Sie den aktuellen Reifegrad Ihrer Agentur in Bezug auf KI einstufen?“ und „Wie schätzen Sie den aktuellen durchschnittlichen Wissensstand zu KI-Anwendungen in der gesamten Agenturbranche im DACH-Raum ein?“

Befragung

Von 70 befragten Vorständen und Senior Executives weltweit beobachtet die Hälfte bereits Fähigkeitsverlust im eigenen Unternehmen, mehr als 60 Prozent halten ihn binnen drei bis fünf Jahren für eine ernsthafte Bedrohung. Am stärksten gefährdet sehen sie genau die fünf Fähigkeiten, die sie für die langfristige Leistung am wichtigsten halten.

Was die Zahl nicht sagt: Gemessen ist eine Wahrnehmung, kein Fähigkeitsverlust. Niemand hat Leistungen vorher und nachher geprüft; 70 Führungskräfte geben Selbstauskunft, ergänzt um Gespräche mit rund einem Dutzend weiteren. Die Stichprobe ist klein und nicht repräsentativ, und wer an einer Befragung zu diesem Thema teilnimmt, hat es meist schon für sich entschieden. Die Rangfolge der Fähigkeiten stammt aus Bewertungsskalen, nicht aus Tests. Erhoben und veröffentlicht hat die Studie der Thinktank einer Unternehmensberatung, die Abhilfe gegen genau diesen Befund verkauft. Im Einzelnen: Die fünf Fähigkeiten sind Urteilen und Entscheiden, ein Problem verstehen und zuschneiden, kreatives Denken, Analyse und kausales Schließen, Lösungen entwickeln und bewerten.

Sagar Goel, David Martin, Charikleia Kaffe: „When Everyone Uses AI, Companies Risk Losing Critical Skills“, Boston Consulting Group, BCG Institute, 17. Juni 2026 · weltweite Befragung von 70 Führungskräften aus C-Suite und oberer Leitungsebene, dazu Gespräche mit einem Dutzend weiterer Führungskräfte

Herstellerdokumentation

Microsofts Copilot lernt eine Marke aus genau einem PDF und zieht aus den Richtlinien Farbpaletten, Stile, Markenstimme sowie Regeln zu Logo und Typografie. Für ein neues PDF muss das bestehende entfernt werden, und die hochgeladenen Richtlinien überschreiben vorhandene Werte im Brand Kit, die Markenstimme eingeschlossen.

Was der Eintrag nicht belegt: Es sind Angaben des Herstellers über das eigene Produkt, nirgends unabhängig geprüft. Belegt ist, was die Dokumentation beschreibt, nicht die Güte der Extraktion. Kein Startdatum: Microsoft nennt keines. Eine Partnerveröffentlichung datiert die weltweite Verfügbarkeit auf Ende Juni 2026, eine andere führt den PDF-Import schon im Frühjahr als verfügbar; wer ein Datum zitiert, zitiert Dritte. Bedingungen: Die Funktion verlangt eine Copilot-Lizenz, nimmt nur PDF an und erwartet die Vertraulichkeitsstufe General. Seit Mitte September 2026 lassen sich zusätzlich Präsentations-Skills als Markdown hinterlegen; die Regeln aus den Richtlinien entstehen weiterhin allein aus dem einen PDF. Im Einzelnen: Ein Brand Manager lädt die Richtlinien hoch.

Microsoft, Support-Seite „Use guidelines to manage brand kits in the Microsoft Copilot app“, Abschnitte zum Hochladen und zur Überschreibung sowie die Frage „How many pdf guidelines can be uploaded?“ · abgerufen am 17. September 2026 · Seite zu Rolle und Lizenz

Herstellerdokumentation

Meta hat seinen persönlichen Agenten Muse am 8. September 2026 in den USA gestartet. Unternehmen können eigene Connectors einreichen, die Meta auf Funktion, Sicherheit und rechtliche Anforderungen prüft, bevor Nutzer sie in Muse finden.

Was der Eintrag nicht belegt: Verbreitung, Nutzung oder Umsatz. Es sind Angaben des Anbieters zum eigenen Produkt am Starttag. Die Technik bleibt offen: Welches Protokoll hinter den Connectors steht, nennen beide Seiten nicht, MCP kommt dort nicht vor. Die Reichweite auch: Muse ist zum Stichtag auf die USA und auf Erwachsene beschränkt, und wie viele Unternehmen einen Connector eingereicht haben, steht nirgends. Im Einzelnen: Die Nutzer entscheiden, mit welchen Anwendungen Muse sich verbindet und wie viel Zugriff er bekommt, und vor sensiblen Schritten wie dem Versand einer E-Mail oder einem Kauf fragt er nach.

Meta, Newsroom „Introducing Muse“, 8. September 2026, für Start, Zugriffsentscheidung und Rückfrage vor sensiblen Schritten; Einreichung, Prüfung auf Funktion, Sicherheit und Recht sowie das Verzeichnis auf der Plattformseite · beide abgerufen am 19. September 2026 · Muse-Plattformseite

Anbieterangaben, Beta

Für die Rechte von KI-Agenten gibt es Software: Olivares findet Agenten, MCP-Server und Werkzeuge im eigenen Betrieb, führt eine Karte der Lese- und Schreibrechte und stellt ihr gegenüber, was tatsächlich beobachtet wurde. Regeln werden an vier Stellen deny-closed durchgesetzt, darunter ein Gate für MCP-Werkzeugaufrufe.

Was der Eintrag nicht belegt: Wirkung, Verbreitung oder Nutzung. Die Beschreibung stammt aus dem Repository des Anbieters, Stand v26.9.1, dort ausdrücklich als „beta, in active development“ geführt, ohne Kundenzahlen. Der Gegenstand ist ein anderer: Geprüft werden Zugriffe, Werkzeuge und Ausgaben. Ob eine Aussage im Namen einer Marke gemacht werden darf, entscheidet dieses Werkzeug nicht. Im Einzelnen: Olivares findet außerdem Sitzungen, Modelle und Identitäten. Budgets können Ausgaben sperren oder drosseln, und jeder Vorgang landet in einem hash-verketteten, mit Ed25519 signierten Protokoll.

Olivares, Repository olivaresai/olivares, README mit Inventar, Access Map, vier Durchsetzungspunkten, Budgets und signiertem Protokoll; Kern unter AGPL-3.0, SDK und Connectors unter Apache-2.0, selbst gehostet · abgerufen am 20. September 2026

Herstellerdokumentation

Adobe prüft Kampagnenentwürfe maschinell gegen hinterlegte Markenrichtlinien und zeigt das Ergebnis als Prozentwert: den Anteil der geprüften Richtlinien, die ein Entwurf besteht, nach jeder Änderung neu gerechnet.

Was der Eintrag nicht belegt: eine Wirkung. Es sind Angaben des Herstellers über das eigene Produkt, nirgends unabhängig geprüft, ohne Stichprobe und ohne Angabe, wie gut die Prüfung trifft. Was der Prozentwert nicht sagt: Er zählt Regeln, er gewichtet sie nicht. Eine verfehlte Logoregel wiegt in der Zahl so viel wie eine verfehlte Kommaregel. Und was er nicht verhindert: Die Dokumentation beschreibt die Anzeige als Hinweis auf Verbesserungsmöglichkeiten und nennt keine Sperre; die einzelnen Prüfungen lassen sich zudem abschalten. Wer eine Regel entschieden hat und seit wann sie gilt, steht in keiner dieser Antworten. Im Einzelnen: Neben dem Prozentwert gibt es Bestanden-oder-nicht-Ergebnisse für Kanalvorgaben wie Meta und LinkedIn und für die Barrierefreiheit nach ADA.

Adobe, Dokumentation „Brand Validation in Adobe GenStudio for Performance Marketing“ (Experience League), Abschnitte zur Berechnung des Werts, zu den drei Prüfarten und zum erneuten Prüfen · abgerufen am 20. September 2026

Herstellerdokumentation

Markup AI prüft Inhalte gegen die eigenen Sprach- und Stilvorgaben und ist selbst über MCP erreichbar: Der Anbieter betreibt einen MCP-Server unter api.markup.ai für Assistenten wie Claude oder Cursor. Das Werkzeug markiert, was nicht passt, begründet es und liefert einen Formulierungsvorschlag zum Übernehmen.

Was der Eintrag nicht belegt: Wirkung, Verbreitung oder Trefferquote. Die Beschreibung stammt vom Anbieter, die Skala der Bewertung nennt die Übersichtsseite nicht. Der Anschluss ist nicht offen: Der MCP-Server verlangt eine Anmeldung, per Schlüssel oder OAuth, anders als der öffentliche Marken-Server von Pulumi. Und der Gegenstand ist ein anderer: Geprüft wird gegen ein Stilhandbuch. Das Werkzeug markiert und schlägt vor, es gibt nichts frei, und wer eine Regel entschieden hat, steht in seinen Antworten nicht. Das Unternehmen ist nach eigener Angabe aus der Forschung und Technik des Textprüfers Acrolinx hervorgegangen. Im Einzelnen: Jeder Text wird zusätzlich gegen die hinterlegten Vorgaben bewertet. Ein Beispiel ist die Aufforderung, einen Absatz auf Abweichungen von der Markenstimme zu prüfen.

Markup AI, eigene Seite und Dokumentation: Prüfung von Inhalten gegen Markenstimme und Stilvorgaben mit Markierung, Begründung und Vorschlag, Bewertung gegen die hinterlegten Vorgaben, Herkunft aus Acrolinx · Anschluss und Anmeldung aus der Anleitung zum MCP-Server (Anleitung zum MCP-Server) · abgerufen am 20. September 2026

Herstellerdokumentation

Seit Version 13.5.0 vom 18. September 2026 prüft Googles Werkzeug Lighthouse auch, ob der Agenten-Katalog einer Website der Spezifikation „Agentic Resource Discovery“ entspricht, und führt diese Prüfung zusammen mit der Prüfung der llms.txt in einer eigenen Gruppe „Agent Discoverability“.

Was der Eintrag nicht belegt: dass Agenten diese Dateien lesen. Ein Prüfwerkzeug misst, ob etwas vorhanden und gültig ist, nicht, ob es genutzt wird. Die Prüfung der llms.txt gibt es schon seit Version 13.3.0; für die Google-Suche erklärt Google dieselbe Datei für unnötig, wie ein eigener Eintrag zum Leitfaden der Google-Suche belegt. Die Spezifikation ist ein Vorschlag: ARD steht in Version 0.91 vom 26. August 2026 im Status „Proposal“, unter den Autoren sind Leute von Google und Hugging Face; ein Gremienstandard ist es nicht. Und Werkzeug und Spezifikation laufen auseinander: Die Spezifikation verlangt den Pfad /.well-known/ard.json, Lighthouse sucht noch den Vorgängernamen /.well-known/ai-catalog.json. Im Einzelnen: Laut Release kommt die Prüfung mit Chrome 156 in die DevTools und binnen zwei Wochen in PageSpeed Insights.

Google, Lighthouse-Release 13.5.0 vom 18. September 2026 mit der Prüfung „Agent Resource Discovery“ und der Gruppe „Agent Discoverability“, Suchpfad /.well-known/ai-catalog.json laut Quelltext der Prüfung · Agentic Resource Discovery, Spezifikation v0.91 vom 26. August 2026, Status „Proposal“ (zur Spezifikation) · abgerufen am 21. September 2026

Zwei Anbietermessungen, vorläufig

Wenn KI-Suchen Marken empfehlen, stützen sie sich selten auf die eigene Website der Marke. Bei AirOps kamen bei Anfragen, mit denen Nutzer Anbieter suchen und vergleichen, 85 Prozent von 21.311 Markennennungen in ChatGPT, Claude und Perplexity aus fremden Quellen und 13,2 Prozent von der eigenen Domain.

Was die Zahlen nicht sagen: Beide stammen von Anbietern, die Werkzeuge für Sichtbarkeit in KI-Suchen verkaufen. Der Ranqo-Autor ist Mitgründer und am Unternehmen beteiligt, die Marken sind die eigener Kunden und nach eigener Angabe nicht repräsentativ ausgewählt, überwiegend Software-Anbieter, Fintechs und indische Direktmarken. AirOps nennt keinen Erhebungszeitraum. Gemessen ist das Zitieren, nicht Kauf oder Wirkung. Vorsicht beim Weitergeben: Ranqos oft zitierte „rund 78 Prozent Unternehmensseiten“ zählen die eigene Seite der Marke und fremde Firmenseiten zusammen; auf die eigene entfallen davon 2,9 Prozent. Im Einzelnen: Bei Ranqo zeigen von 149.912 Quellenangaben aus fünf KI-Suchen nur 2,9 Prozent auf die Domain der Marke selbst, 75,2 Prozent auf Seiten anderer Unternehmen derselben Branche.

AirOps, „Third-Party Sources Drive 85% of Brand Discovery“, 17. Oktober 2025, 21.311 Markennennungen in ChatGPT, Claude und Perplexity bei Anfragen zur Anbietersuche · Kumar (Ranqo), „Generative Engine Optimization at Scale“, arXiv 2606.20065, 18. Juni 2026, Preprint ohne Begutachtung, 102 Marken, 102.025 Antworten, 149.912 Quellenangaben aus fünf KI-Suchen, März bis Mai 2026 (zum Preprint) · beide abgerufen am 21. September 2026

Geprüfte Erhebung

Forscher des Ehrenberg-Bass-Instituts haben 1.162 unverwechselbare Markenelemente von 128 Marken aus 21 Warengruppen, vier Ländern und neun Jahren ausgewertet. Formen wie Logos und Verpackungen schneiden am besten ab, Farben am schwächsten: Im Mittel ordnen 40 beziehungsweise 12 Prozent der Befragten sie der Marke zu.

Was die Zahlen nicht sagen: Die Daten stammen aus Studien, die Marken beim Institut in Auftrag gegeben haben, erhoben über Online-Panels, und sind aus kommerziellen Gründen nicht zugänglich. Erfasst sind nur Elemente, die zum Zeitpunkt der Befragung noch im Einsatz waren; aufgegebene fehlen, diese Verzerrung benennen die Autoren selbst. Einen Vergleich zwischen Ländern erlauben die Daten nach ihrer Angabe nicht. Und was daraus nicht folgt: Gemessen ist, was Menschen einer Marke zuordnen. Dass eine Marke an wenigen Dingen erkannt wird, ist daraus gefolgert, nicht gezählt, und wie Maschinen eine Marke erkennen, ist nicht untersucht. Im Einzelnen: Bei Formen gehen 71 Prozent der Zuordnungen an genau diese Marke, bei Farben 39 Prozent.

Phua, Bali, Anesbury und Sharp (Ehrenberg-Bass Institute, Adelaide University), „Shape-based assets are strongest: benchmarking distinctive brand asset performance across industries“, International Journal of Advertising, online seit 5. März 2026, begutachtet, CC BY 4.0, keine Interessenkonflikte angegeben · 1.162 Elemente, 128 Marken, 21 Warengruppen, Australien, Großbritannien, USA und Neuseeland, 2015 bis 2023 · Bekanntheit und Einzigartigkeit als Mittelwerte je Elementtyp · Volltext gelesen am 21. September 2026

Herstellerdokumentation

Shopify gibt Händlern seit dem 16. Mai 2025 eine kostenlose eigene App, mit der sie festlegen, was KI-Shopping-Agenten über ihren Shop antworten. Die Antworten stehen nicht im Shop, sie dienen KI-Plattformen als Datenquelle.

Was der Eintrag nicht belegt: Nutzung oder Wirkung. Es sind Angaben des Herstellers ohne Nutzungszahlen; im App Store stehen 29 Bewertungen mit im Schnitt 3,6 von 5 Sternen. Was die App verspricht und was nicht: Laut Shopify verbessert sie die Genauigkeit der Antworten über den Shop, nicht die Häufigkeit, mit der er in KI-Antworten auftaucht. Welche Plattformen die Antworten übernehmen, nennt die Hilfeseite nicht, und die App gibt es nur auf Englisch. Im Einzelnen: Händler sehen automatisch erzeugte Fakten und häufige Fragen der Kundschaft und können Antworten anpassen oder neu schreiben. Die App zeigt, wie viele Fragen von Agenten kommen und ob die KI sie beantworten kann.

Shopify, Hilfeseite „Shopify Knowledge Base“ und App-Store-Eintrag der App: eingeführt am 16. Mai 2025, kostenlos, Entwickler Shopify, 29 Bewertungen, Sprache Englisch · abgerufen am 21. September 2026 · zum App-Store-Eintrag

Eigene Erhebung, reproduzierbar

Cloudflares maschinenlesbare Erklärung „Content-Signal“, mit der eine robots.txt Suche, KI-Eingabe und KI-Training erlaubt oder untersagt, steht bei keinem der 77 deutschsprachigen Nachrichten- und Fachmedien und in genau einer der 139 robots.txt, die Startseiten der Unternehmen aus DAX, MDAX und SDAX ausliefern.

Was die Zahl nicht sagt: Gezählt ist das Vorkommen der Zeile in den am 17. September 2026 abgerufenen Dateien, nicht ihre Wirkung. Die Signale sind erklärte Präferenzen ohne technische Sperre; Cloudflare erklärt Einschränkungen darin zu einem Rechtsvorbehalt nach Artikel 4 der Richtlinie (EU) 2019/790, ob er als solcher trägt, ist offen. Die Stichprobe spricht nur für diese Listen: Cloudflare nennt über 3,8 Millionen Domains, deren robots.txt der Dienst verwaltet und um die Erklärung ergänzen wollte. Von den 160 Index-Startseiten lieferten 139 eine robots.txt, 7 hatten keine, 14 antworteten nicht; diese 14 könnten die Zeile tragen. Im Einzelnen: Die eine Datei mit der Erklärung ist die von Heidelberg Materials, und die erlaubt alle drei Nutzungen.

Eigene Erhebung, 17. September 2026 · dieselben Dateien wie beim Eintrag zum Rechtsvorbehalt in der robots.txt: 77 Medientitel, alle mit robots.txt, und 160 Startseiten aus DAX, MDAX und SDAX, davon 139 mit robots.txt · gesucht wurde nach einer Zeile Content-Signal, gleich in welcher Schreibweise · zur Erklärung selbst: Cloudflare, „Giving users choice with Cloudflare’s new Content Signals Policy“, 24. September 2025 (zur Erklärung)

Marktbeobachtung

Websites, die sich KI-Agenten maschinenlesbar erklären, sind bisher die Ausnahme. Cloudflare prüft die 200.000 meistbesuchten Domains: Von 107.155 erfolgreich geprüften führen 0,43 Prozent eine MCP Server Card, 0,47 Prozent Agent Skills und 1,8 Prozent Content Signals; Werkzeuge für Agenten per WebMCP bietet keine einzige an.

Was die Zahl nicht sagt: Gezählt werden Dateien und Endpunkte, die ein Scan an festen Adressen findet, etwa /.well-known/mcp/server-card.json, nicht ihre Nutzung; ob ein Agent sie liest, misst Radar nicht. Es ist eine Messung des Anbieters mit eigener Auswahl: Suchmaschinen sowie leere und nicht erreichbare Infrastruktur sind ausgenommen, und nicht jeder Standard passt zu jeder Website, x402 etwa nur zu Bezahlinhalten, WebMCP nur zu Seiten, die Agenten Werkzeuge anbieten. Die Null bei WebMCP ist die unsicherste Zahl: Wie Radar WebMCP erkennt, beschreibt Cloudflare nicht, und Werkzeuge, die eine Seite erst per JavaScript anmeldet, kann ein Scan übersehen. Im Kleinen gemessen: Die eigenen Erhebungen zur robots.txt deutschsprachiger Medien und der Unternehmen aus DAX, MDAX und SDAX und der Eintrag zu Content-Signal zählen dieselbe Frage an bekannten Listen. Wie viele Händler UCP betreiben, nennen die beteiligten Firmen selbst nicht, wie der Eintrag zum UCP-Gremium belegt; Radar ist eine zweite Zählung von außen. Im Einzelnen: Eine MCP Server Card beschreibt einen eigenen MCP-Server. Unter den Handelsprotokollen kommt UCP auf 4,8 Prozent, AP2 auf zwei Domains.

Cloudflare Radar, Seite „AI Insights“, Abschnitt „Adoption of AI agent standards“, Stand 21. September 2026 · 107.155 erfolgreich geprüfte unter den 200.000 meistbesuchten Domains · Methode und Prüfpfade im Blogbeitrag „Introducing the Agent Readiness score“ vom 17. April 2026 (zum Methodenbeitrag) · abgerufen am 23. September 2026

Kontrollierter Versuch, Preprint ohne Begutachtung

Eine Sperre in der robots.txt hält Chatbots kaum davon ab, Inhalte auszugeben, die schon gesammelt sind: In einem Versuch von Forschern mit 20 eigenen Websites gaben 12 von 18 auswertbaren Chatbots die Inhalte weiter wieder, sowohl bei Seiten, die offline genommen waren, als auch bei Seiten, deren robots.txt alle Bots sperrte.

Was der Versuch nicht belegt: ob eine Sperre neues Sammeln verhindert. Gesperrt wurde erst nach zwei Monaten Crawling; gemessen ist, ob schon Gesammeltes weiter ausgegeben wird, nicht, woher der Chatbot es holt. Es ist ein Preprint ohne Begutachtung mit 20 Websites, und vier der 22 Chatbots lieferten zu wenige Kennmarken für eine Auswertung. Was daraus für die robots.txt folgt: Sie bittet, sie verbietet nicht. Die eigenen Erhebungen zu Medien und DAX-Unternehmen zählen, wer diese Bitte ausspricht; dieser Versuch zeigt, wie wenig sie bei bereits gesammelten Inhalten bewirkt. Und wer einem Suchmaschinen-Crawler Zugang gibt, gibt ihn womöglich einem Chatbot mit. Im Einzelnen: Die Forscher gaben jedem Scraper eigene Kennmarken mit und befragten 22 Chatbots. Nur Duck.ai hörte in beiden Fällen auf. 10 der 18 auswertbaren Chatbots gaben Kennmarken wieder, die nur die Suchmaschinen-Crawler von Google, Bing oder Brave bekommen hatten.

Seiden, Ren, Zhang, Kim, Liu und Wenger (Duke University, University of Pittsburgh, Carnegie Mellon University), „Identifying AI Web Scrapers Using Canary Tokens“, arXiv 2605.13706, Fassung 2 vom 3. September 2026, erste Fassung vom 13. Mai 2026, Preprint ohne Begutachtung · 20 Websites, zwei Monate Crawling vor der Sperre, 22 Chatbots, davon 18 auswertbar · Volltext gelesen am 23. September 2026

Stand der Normung

Die FIDO Alliance entwickelt seit dem 28. April 2026 Standards, mit denen Nutzer Agenten nur für freigegebene Aktionen ermächtigen und Dienste prüfen, ob ein Agent für einen angemeldeten Nutzer und innerhalb festgelegter Grenzen handelt. Grundlage sind Googles Agent Payments Protocol (AP2) und Mastercards Verifiable Intent.

Was der Eintrag nicht belegt: Nutzung. Es ist ein Normungsvorhaben ohne fertigen Standard und ohne Verbreitungszahlen; Cloudflare Radar findet AP2 am 21. September 2026 auf zwei von 107.155 geprüften Domains, wie der Eintrag zur Verbreitung der Agenten-Standards belegt. Und was es nicht regelt: Genormt wird die Vollmacht des Käufers gegenüber Händlern und Zahlungsdiensten. Was ein Agent im Namen einer Marke zusagen darf, etwa einen Rabatt oder eine Kulanz, ist nicht Gegenstand dieser Vorhaben. Wie wenig die Firmen hinter solchen Protokollen über deren Verbreitung sagen, zeigt der Eintrag zum UCP-Gremium. Im Einzelnen: Googles Agent Payments Protocol arbeitet mit kryptografisch signierten Mandaten. Die Arbeitsgruppe für die Authentifizierung von Agenten leiten Mitglieder von CVS Health, Google und OpenAI, die für Zahlungen Mastercard und Visa.

FIDO Alliance, „FIDO Alliance to Develop Standards for Trusted AI Agent Interactions“, 28. April 2026: Arbeitsgruppe Agentic Authentication unter Vorsitz von Mitgliedern von CVS Health, Google und OpenAI, Stellvertretung Amazon, Google und Okta; Arbeitsgruppe Payments unter Vorsitz von Mastercard und Visa · Agent Payments Protocol, Dokumentation zu Checkout- und Payment-Mandaten als signierten Nachweisen (zur AP2-Dokumentation) · abgerufen am 23. September 2026

Rechtslage

Die EU-Kommission veröffentlichte am 10. Juni 2026 die endgültige Fassung eines freiwilligen Verhaltenskodex zu den Kennzeichnungspflichten aus Artikel 50 des AI Act, dazu drei EU-Symbole für KI-erzeugte Inhalte. Den Teil zur Markierung durch Anbieter unterzeichneten 95 Organisationen, den zur Kennzeichnung durch Anwender 192.

Was der Eintrag nicht belegt: dass die Unterzeichner kennzeichnen. Die Unterschrift ist eine Selbstverpflichtung, die Symbole sind freiwillig; verbindlich bleibt die Pflicht aus Artikel 50, und wen sie ab wann trifft, belegt der Eintrag zum AI Act. Der Teil für Anwender ist eng: Er betrifft Deepfakes und KI-erzeugte Texte, die die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse informieren, sofern sie nicht menschlich geprüft und redaktionell verantwortet sind. Die Symbole sind nach Angabe der Kommission mit Nutzern getestet, Zahlen dazu nennt sie nicht. Die Liste der Unterzeichner trägt den Stand vom 31. Juli 2026. Im Einzelnen: Der Kodex beschreibt, wie Anbieter und Anwender die Kennzeichnungspflichten aus Artikel 50 erfüllen können. Die Symbole sind frei nutzbar ohne Nennung der Kommission. Zu den Unterzeichnern für Anbieter gehören OpenAI, Google, Meta, Microsoft, Anthropic und Mistral, zu denen für Anwender Lufthansa, Bulgari, Iberdrola, Lenovo, Getty Images und Dentsu.

Europäische Kommission, „Code of Practice on Transparency of AI-generated Content“, endgültige Fassung vom 10. Juni 2026: Abschnitt 1 für Anbieter (Markierung und Erkennung), Abschnitt 2 für Anwender (Kennzeichnung von Deepfakes und Texten) · EU-Symbole zur Kennzeichnung KI-erzeugter Inhalte, drei Varianten, Seite zuletzt aktualisiert am 10. August 2026 (zu den Symbolen) · Unterzeichner, Stand 31. Juli 2026 (zur Liste der Unterzeichner) · abgerufen am 23. September 2026

Herstellerdokumentation

Anthropics Vorlage für Einkaufs- und Händler-Agenten legt Geschäftsregeln, Befugnisse und die Einhaltung von Vorschriften ausdrücklich beim einsetzenden Unternehmen ab. Kein Agent der Vorlage bestellt, belastet eine Karte oder ändert ein Angebot, und jede Änderung des Händler-Agenten wartet auf die Freigabe eines Menschen.

Was der Eintrag nicht belegt: Nutzung. Es ist eine Vorlage zum Nachbauen, alle Firmen darin sind erfunden und heißen ACME, Kunden oder Zahlen nennt Anthropic nicht. Und was sie offenlässt: Wer im Unternehmen entscheidet, welche Regeln der Agent befolgt und was er im Namen der Marke sagt, beantwortet die Vorlage nicht; sie gibt die Frage ausdrücklich weiter. Dass der Kauf direkt im Chat beim Marktführer schon wieder zurückgebaut wurde, belegt der Eintrag zum Rückbau von Instant Checkout. Im Einzelnen: In der Vorlage heißt es: „Business rules, authorization, and compliance are the deployment’s.“ Der Schritt zur Kasse zeigt nur den Warenkorb, den Kauf schließt die Anwendung des Unternehmens ab. Markenname, Name des Assistenten und Markenstimme sind Felder der Konfiguration.

Anthropic, Repository „Claude Commerce Agents“ (anthropics/commerce-agents), angelegt am 1. September 2026, Lizenz Apache 2.0 · README mit dem Hinweis zu Bestellungen, Freigaben und Verantwortung sowie den Konfigurationsfeldern brand_name, assistant_name und brand_voice · abgerufen am 23. September 2026

Analystenauswertung, Methode nicht offen

Nur noch 36 Prozent der Fortune-500-Unternehmen führen den Titel Chief Marketing Officer, ein Jahr zuvor waren es 49 Prozent. Eine Marketingspitze, die zur Geschäftsleitung gehört oder an den CEO berichtet, haben noch 52 Prozent, 2025 waren es 58 Prozent.

Was die Zahl nicht sagt: Ein Titel ist keine Funktion. Forrester nennt selbst andere Titel, die an seine Stelle treten, etwa Chief Growth Officer, Chief Commercial Officer oder Chief Customer Officer; ob Markenentscheidungen dadurch anders oder schlechter getroffen werden, sagt die Zahl nicht. Die Methode ist nicht offen: Datenquelle und Stichtag stehen nur im Bericht für Forrester-Kunden, öffentlich ist allein der Blogbeitrag zur dritten jährlichen Auswertung. Erfasst sind die 500 umsatzstärksten US-Unternehmen, nicht der deutsche Markt.

Forrester, Ian Bruce, „New Analysis Suggests The CMO’s Role In The Fortune 500 Is At A Crossroads“, Blogbeitrag vom 7. Juli 2026, dritte jährliche Auswertung · vollständiger Bericht „The Representation And Tenure Of Fortune 500 CMOs in 2026“ nur für Kunden · abgerufen am 23. September 2026

Herstellerdokumentation

Microsoft gibt autonomen Agenten einen Vorgesetzten: Wer in Microsoft Foundry einen sogenannten Autopilot einstellt, wird sein Manager. Anhalten können ihn fast alle, verpflichtet dazu ist laut Dokumentation immer dieser Manager, „regardless of who is at fault“: Schuld und Pflicht sind ausdrücklich getrennt.

Was der Eintrag nicht belegt: Nutzung oder Rechtsfolge. Es ist Produktdokumentation für eine Funktion, die Microsoft in Microsoft 365 erst ab Ende September 2026 als geschlossene Vorschau öffnet. Geregelt sind Rollen im Werkzeug, nicht die Haftung nach außen: Wer für eine Aussage des Agenten gegenüber Kunden einsteht, entscheidet das Recht, wie der Eintrag zum Urteil des OLG Hamm zeigt, nicht das Organigramm. Ein Satz zur Schuld: Scheitert der Agent außerhalb der Bedingungen, für die er gebaut und getestet wurde, hängt die Schuld laut Dokumentation davon ab, ob diese Bedingungen je festgeschrieben waren. Im Einzelnen: Der Agent bekommt ein eigenes Benutzerkonto mit Postfach, Teams-Präsenz und einem Platz im Organigramm.

Microsoft Learn, „Autopilot lifecycle in Microsoft Foundry“, Stand 25. August 2026, aktualisiert am 26. August 2026, Abschnitte „Who does what“, „Accountability compared with governance“ und „Hire“ · Start in Microsoft 365 laut Microsoft-Blog vom 25. September 2026: Autopilot „lives in your tenant with its own identity“ und ist „expanding to private preview at the end of the month“ · beide abgerufen am 28. September 2026 · Microsoft-Blog vom 25. September 2026

Herstellerdokumentation, Beta

Auch Google legt Markenregeln als verwaltete Anweisung für seinen Assistenten ab: In Google Workspace sollen sogenannte Skills, am 17. September 2026 als Beta vorgestellt, unter anderem „approved tone, voice, and visual identity across email drafts and files“ sichern.

Was der Eintrag nicht belegt: Nutzung. Es ist Herstellerdokumentation ohne Zahlen. In Workspace stehen Skills nur Organisationen offen, deren Administrator die Gemini-Beta eingeschaltet hat; zur Verfügbarkeit in der EU sagt der Beitrag nichts. In Gemini Enterprise dürfen die Editionen Standard, Plus und Pay-as-you-go Skills anlegen, Frontline nicht. Einordnung: Nach Microsofts Brand Kits und Adobes Markenprüfung legt damit ein dritter großer Anbieter Markenregeln als Konfiguration seines Assistenten ab, wie die Einträge zu beiden zeigen. Im Einzelnen: Administratoren können geprüfte Skills der Organisation kuratieren und verteilen. In Gemini Enterprise nennt die Dokumentation das Schreiben „in your brand voice“ als Beispiel: Jede Skill ist eine Datei SKILL.md nach einem offenen Standard, und verlangt der Administrator eine Freigabe, erreicht eine geteilte Skill andere erst danach.

Google Workspace Blog, Ali Douvre, „Teach Gemini your team’s know-hows with skills in Google Workspace“, 17. September 2026 · Google Cloud, „Create and manage skills | Gemini Enterprise“, zuletzt aktualisiert am 24. September 2026 · beide abgerufen am 28. September 2026 · Dokumentation zu Gemini Enterprise

Prognose und Befragung des Anbieters

Adobe erwartet für die Weihnachtssaison 2026, vom 1. November bis 31. Dezember, 130 Prozent mehr Besuche auf US-Händlerseiten, die über KI-Assistenten kommen, als im Vorjahr, gemessen an Klicks auf einen Link; an Thanksgiving 159 Prozent, am Black Friday 95 und am Cyber Monday 88 Prozent.

Was die Zahl nicht sagt: Es ist eine Prognose des Anbieters, kein Messwert, und ein Wachstum von kleiner Basis. Welchen Anteil KI-Besuche am gesamten Verkehr haben, nennt die Meldung nicht; der Eintrag zum KI-Verkehrsanteil beziffert ihn auf Bruchteile eines Prozents bis gut ein Prozent. Die 69 Prozent sind eine Selbstauskunft, keine gemessene Retourenquote, und erfasst sind nur die USA. Eigeninteresse: Adobe verkauft mit dem LLM Optimizer selbst ein Werkzeug, das zeigen soll, wie eine Marke in KI-gestützter Suche erscheint. Im Einzelnen: In einer Befragung von 5.000 Verbrauchern im Juli 2026 gaben 77 Prozent derer, die KI beim Onlinekauf genutzt haben, an, sich ihres Kaufs sicherer zu sein; 69 Prozent sagen, sie schickten solche Käufe seltener zurück.

Adobe, Pressemitteilung „Adobe: U.S. Holiday Shopping Season to Hit Record $275.1 Billion Online, Rising 6.7% YoY“, 28. September 2026 · Grundlage laut Adobe: Adobe Analytics mit mehr als einer Billion Besuchen auf US-Händlerseiten, 100 Millionen Artikelnummern und 18 Produktkategorien, dazu eine Befragung von 5.000 Verbrauchern im Juli 2026 · abgerufen am 28. September 2026 · Adobe zum LLM Optimizer, 20. April 2026

Kontrollierter Test, Preprint ohne Begutachtung

Sollen Web-Agenten im Netz gefundenes Wissen zu einem Dokument, einer Tabelle oder einer Präsentation verarbeiten, schafft selbst der beste weniger als 3 Prozent der Aufgaben vollständig. Im Test mit 110 Aufgaben hat überhaupt nur der KI-Browser Perplexity Comet Aufgaben vollständig gelöst, 2,7 Prozent insgesamt.

Was die Zahl nicht sagt: Es ist ein Preprint ohne Begutachtung, eine Arbeitsgruppe, 110 selbst gebaute Aufgaben. Eine menschliche Vergleichsgruppe gibt es nicht, jede Aufgabe hat beim Bau aber ein Autor vollständig gelöst. Gemessen ist die vollständige Erledigung langer Aufgaben mit einer Datei in Google Docs, Sheets oder Slides als Ergebnis, nicht das Finden einer Information. Der Abstand zu anderen Messungen: Die 97,7 Prozent im Eintrag zum Erfolg von Web-Agenten messen das Navigieren. Zusammen zeigen beide, dass ein Agent die richtige Seite finden und trotzdem ein unbrauchbares Ergebnis abliefern kann. Im Einzelnen: Zu jeder Aufgabe gehören mindestens fünf Informationen von mindestens zwei Websites; geprüft wurden Claude Opus 4.7, GPT-5.5 und DeepSeek V4 Pro sowie die KI-Browser ChatGPT Atlas und Perplexity Comet. Scheitern die Agenten an visuellen Schritten, ist die erzeugte Datei unbrauchbar, auch wenn sie mehr als die Hälfte der übrigen Prüfschritte erfüllen.

Gill, Ishmam, Nguyen, Bhat, DeYoung, Hashemi Chaleshtori, Stringham, Marino und Marasović (University of Utah), „The Hard Part Comes After Search: Benchmarking Web Agents on Synthesizing, Organizing, and Displaying Knowledge“, arXiv 2609.30604, Fassung 1 vom 24. September 2026, Preprint ohne Begutachtung · Benchmark KNOWS, 110 Aufgaben, Ergebnisse in Tabelle 3 · Volltext gelesen am 28. September 2026

Anbieterangaben

Crawler, die Inhalte zugleich für einen Suchindex und für KI-Training sammeln, machen laut Cloudflare 36,6 Prozent des verifizierten Crawler-Verkehrs in seinem Netz aus, die größte einzelne Gruppe. Weniger als 1 Prozent der Websitebetreiber sperren Such-Crawler, 17 Prozent schränken KI-Training ein.

Was die Zahl nicht sagt: Es sind Angaben des Anbieters ohne offengelegte Methode und ohne Zeitraum, gemessen im eigenen Netz, und die Voreinstellung gilt nur für neu hinzukommende Websites. Was daraus für die robots.txt folgt: Einen gemischten Crawler kann eine Website dort nur ganz zulassen oder ganz sperren; die Zeile Content-Signal drückt den Zweck nur als Bitte aus, und wie selten sie steht, zeigt der Eintrag dazu. Auf diese Lücke zielen Cloudflares vier Forderungen an Crawler: ein Opt-out für Training und eines für KI-Zusammenfassungen in der Suche, Einsicht auf URL-Ebene und die öffentliche Zusage, dass ein Opt-out das Ranking nicht berührt. Im Einzelnen: Neuen Websites schlägt Cloudflare seit dem 15. September 2026 Einstellungen nach Geschäftsmodell vor, für Websites mit Werbung: Suche erlaubt, KI-Training untersagt, KI-Agenten auf Seiten mit Anzeigen gesperrt.

Cloudflare, Pressemitteilung „Cloudflare Helps End the Search-or-AI-Training Tradeoff“, 15. September 2026 · abgerufen am 28. September 2026

Dokumentierter Einzelfall

Seit dem 29. September 2026 beantwortet america.gov Fragen an die US-Regierung in einem Eingabefeld, laut Betreiber aus rund 29.000 Regierungswebsites, mit Link auf die Quelle.

Was der Eintrag nicht belegt: dass die Antworten richtig sind. Eine systematische Prüfung gibt es nicht, nur Stichproben von Journalisten: CBS News stellte 37 Gesundheitsfragen; Notfälle beantwortete der Dienst richtig, andere Antworten waren veraltet oder erwähnten eine gerichtliche Anordnung nicht, und die Behördenseiten widersprechen sich teils selbst. Die 29.000 Websites und die sofortige Aktualisierung sind Angaben zum Start. Dahinter laufen laut Gebbia Modelle von Google (Gemini) und xAI (Grok); Fragen zu Datenschutz und Verträgen hat das Weiße Haus nicht beantwortet. Der Betreiber über sich: „The accuracy of our answers is never influenced by third parties.“ Im Einzelnen: Änderungen auf Behördenseiten sollen laut dem Chief Design Officer der Regierung, Joe Gebbia, sofort in die Antworten einfließen.

America.gov, „How it works“ · Angaben zum Start laut FedScoop (Madison Alder) und Nextgov/FCW (Christian Robles), beide 29. September 2026 · die 29.000 Websites gibt FedScoop als Angabe von America.gov wieder, auf „How it works“ standen sie am 1. Oktober 2026 nicht · CBS News, Céline Gounder, 30. September 2026 · alle abgerufen am 30. September 2026 · FedScoop · CBS News

Kontrollierter Test

Als Ersatz für Befragte taugt KI laut Pew Research Center bisher nicht. Pew hat drei eigene Umfragen von Januar bis April 2026 mit sogenannten digitalen Zwillingen nachgestellt: Über knapp 300 Fragen lagen die KI-Ergebnisse im Schnitt 12 Prozentpunkte daneben, bei rund 28 Prozent der Fragen mehr als 15.

Was die Zahl nicht sagt: Referenz ist Pews American Trends Panel, also die USA; gefragt wurde zu Politik, Wissen und Tagesgeschehen, nicht zu Marken oder Käufen. Geprüft ist ein Verfahren: Claude Opus 4.6 auf niedriger Denkstufe, mit erweiterten Profilangaben und „expert reflection“. Das Modell verändert das Bild: Im Vergleich an einer Teilmenge der Fragen zeichnete GPT-5.1 die Öffentlichkeit extremer, Opus 4.6 gemäßigter, als sie ist. Pew befragt selbst Menschen, die Methode ist offengelegt. Übertragen auf Marktforschung, nicht getestet: Wer synthetische Personas befragt, bekommt Antworten, die sicherer und einheitlicher klingen als die der Menschen, die sie darstellen sollen. Im Einzelnen: Bei fast der Hälfte der Fragen wählte kein einziger KI-Befragter mindestens eine der Antwortmöglichkeiten, und „not sure“ wählten Menschen rund viermal so oft wie die KI. Ein Beispiel: Laut KI verfolgen 97 Prozent der Hispanics in den USA die Fußball-WM zumindest einigermaßen wahrscheinlich, tatsächlich sind es 43 Prozent.

Pew Research Center, Athena Chapekis, Arnold Lau, Samuel Bestvater, Sono Shah, Andrew Mercer und Aaron Smith, „Can AI Stand In for Human Survey-Takers? Not Really“, 30. September 2026 · drei Wellen des American Trends Panel vom 20. bis 26. Januar, 23. bis 29. März und 20. bis 26. April 2026, nachgestellt mit Claude Opus 4.6 · abgerufen am 30. September 2026 · Methode

Gerichtsurteil, nicht endgültig

Ein US-Bundesberufungsgericht bestätigte am 29. September 2026, dass die Nutzung fremder Texte als KI-Trainingsmaterial in diesem Fall kein Fair Use war: ROSS Intelligence hat mit 2.243 Headnotes aus Westlaw, redaktionellen Leitsätzen von Thomson Reuters, eine juristische KI-Suche trainiert und damit das Urheberrecht verletzt.

Was das Urteil nicht sagt: Es geht nicht um generative KI. ROSS’ System gab nur vorhandene Textstellen aus Urteilen zurück und erzeugte nichts Neues, und das Gericht grenzt sich in Fußnote 7 ausdrücklich von den Verfahren Bartz gegen Anthropic und In re OpenAI ab. ROSS wollte mit den Daten ein Konkurrenzprodukt zu Westlaw bauen. Entschieden ist eine Zwischenberufung gegen ein Teilurteil, das Verfahren in erster Instanz ist damit nicht abgeschlossen, und es ist US-Recht. Im Einzelnen: Als geschädigten Markt wertet das Gericht die Lizenzierung von Headnotes als KI-Trainingsdaten, einen Markt, der sich laut Urteil rasch entwickelt; dass Thomson Reuters selbst nie an Dritte lizenziert hat, widerlege ihn nicht.

United States Court of Appeals for the Third Circuit, Thomson Reuters Enterprise Centre GmbH v. Ross Intelligence Inc., No. 25-2153, verhandelt am 11. Juni 2026, entschieden am 29. September 2026, Opinion of the Court verfasst von Montgomery-Reeves · Zitate S. 26, Abgrenzung in Fußnote 7 · Volltext gelesen am 30. September 2026

Herstellerdokumentation

Wer ein Plugin mit MCP-Verbindung ins ChatGPT-Verzeichnis bringen will, muss festlegen, was es nicht tun soll: Für die erste Prüfung verlangt OpenAI genau fünf positive und drei negative Testfälle. Nach der Veröffentlichung prüft OpenAI den MCP-Server täglich, neue Werkzeuge bleiben bis zur Freigabe gesperrt.

Was der Eintrag nicht belegt: Nutzung oder Wirkung. Die Seite nennt keine Zahlen zu Plugins, Prüfdauer oder Ablehnungen und trägt kein Datum; Plugins gehörten zu den Neuheiten von OpenAIs DevDay am 29. September 2026. Geprüft werden Funktion und Richtlinien, nicht ob die Aussagen einer Marke stimmen: Die negativen Testfälle schreibt der Anbieter des Plugins selbst. Im Einzelnen: Ein negativer Testfall beschreibt eine Anfrage, bei der das Plugin nicht handeln soll, warum nicht, und welche Ablehnung, Rückfrage oder sichere Ausweichlösung erwartet wird. Markenfarbe und Logo, jeweils auch in einer dunklen Variante, sind eigene Felder im Manifest.

OpenAI Developers, „Submission“, Einreichung von Plugins für das ChatGPT-Verzeichnis, mit Beispiel-Manifest, ohne Datum, abgerufen am 30. September 2026 · Plugins als Neuheit: OpenAI, „DevDay 2026 Recap“, 29. September 2026 · DevDay 2026 Recap

Herstellerdokumentation

OpenAIs dauerhaft laufende Agenten, am 29. September 2026 als „dots“ vorgestellt, arbeiten nach Regeln in drei Stufen: Eigene Regeln können einzelne Aktionen erlauben, an eine Freigabe binden oder sperren, die eingebauten Sicherheitsregeln gelten immer, und bestimmte sensible Aufgaben bleiben immer beim Menschen.

Was der Eintrag nicht belegt: Nutzung oder Haftung. Es ist die Produktankündigung des Herstellers ohne Zahlen zur Nutzung; dots starten in ChatGPT für Pro und Business Premium „in eligible markets“, in Enterprise als Beta, die spezialisierten dots zunächst in Pilotprojekten. Wer für einen Fehler einsteht, regelt die Seite nicht; OpenAI schreibt selbst, dots könnten Fehler machen, folgenreiche Ergebnisse seien immer zu prüfen. Vorgaben zu Marke oder Tonalität erwähnt die Seite nicht: dots lernen laut OpenAI aus Rückmeldungen, anders als die Markenregeln, die Microsoft und Google ihren Assistenten als Konfiguration mitgeben, wie die Einträge zu beiden zeigen. An einer Einbindung in Microsofts Agent 365 arbeitet OpenAI nach eigenen Angaben. Im Einzelnen: Zu den sensiblen Aufgaben, die immer beim Menschen bleiben, gehört etwa das Ändern eines Passworts. Über Plugins verbinden sich dots mit mehr als 4.000 Apps. In Unternehmen bekommen sogenannte spezialisierte dots eine eigene Identität, eigene Zugangsdaten und eigenen Zugriff auf die Systeme, die sie brauchen.

OpenAI, „Introducing dots“, 29. September 2026, Abschnitte „Access and permissions“, „Action review and approvals“ und „Specialist dots for your organization“, deutsche Fassung „Wir stellen dots vor“ · abgerufen am 30. September 2026

Herstellerdokumentation

Bei Shopify sind die sogenannten agentic storefronts für berechtigte Shops standardmäßig aktiv: Die Produkte erscheinen in KI-Kanälen wie ChatGPT, Google AI Mode und Gemini, Microsoft Copilot und Meta. Wer die Voreinstellung „Allow Shopify to manage for me“ behält, ist automatisch auch in allen künftigen Kanälen angemeldet.

Was der Eintrag nicht belegt: wie viele Händler betroffen sind oder was über diese Kanäle verkauft wird; die Hilfeseiten nennen keine Zahlen und tragen kein Datum. Welche Shops berechtigt sind und in welchen Ländern, steht auf den gelesenen Seiten nicht. Abschalten geht, je Kanal oder ganz; schaltet ein Händler den Zugriff über Shopify Catalog ab, kann es aber bis zu sieben Tage dauern, bis seine Produktdaten nicht mehr weitergegeben werden. Einordnung: Der Eintrag zu Shopifys Knowledge Base zeigt, wie Händler steuern, was Agenten über sie antworten; dieser zeigt, dass die Frage, wo sie antworten, per Voreinstellung schon beantwortet ist. Im Einzelnen: Wo unterstützt, ist der direkte Checkout im Kanal eingeschaltet.

Shopify Help Center, „Shopify agentic storefronts“ und „Managing agentic storefronts“, ohne Datum, abgerufen am 30. September 2026 · Managing agentic storefronts

Kontrollierter Test, Preprint ohne Begutachtung

In neun nachgebauten Marktplätzen wählten Computer-Use-Agenten aus fünf Modellfamilien in 78,6 Prozent der Kontrollläufe das für den Nutzer beste Produkt; waren Lenkungsmechanismen aktiv, aus einer Einteilung von acht verbreiteten Arten, waren es nur 17,3 Prozent.

Was die Zahl nicht sagt: Es ist ein Preprint ohne Begutachtung, eine Arbeitsgruppe, und getestet wurde in Nachbauten, nicht in echten Shops. Gemessen ist die Kaufwahl, nicht wie eine Marke dargestellt wird. Die Autoren zeigen auch eine Gegenmaßnahme: Eine eigens gebaute Steuerung für die Agenten hob den Anteil der besten Käufe um bis zu 80 Prozentpunkte. Im Einzelnen: Die Autoren finden drei Schwächen: Die Agenten engen die Auswahl zu früh ein, setzen Prioritäten, die der Nutzer nie genannt hat, und legen sich fest, bevor entscheidende Angaben geklärt sind.

Yuxuan Li, Will Epperson, Wesley Deng und Zezhou Huang, „CAVEAT: Towards Robust Computer-Use Agents in Incentive-Misaligned Environments“, arXiv 2609.27273, Fassung 2 vom 27. September 2026 (Fassung 1 vom 23. September), Preprint ohne Begutachtung · Kurzfassung gelesen am 30. September 2026

Gerichtsurteil, nicht endgültig

Laut Landgericht München I (11. November 2025) verletzt OpenAI mit seinen Modellen und ChatGPT die Rechte an neun Liedtexten: Sind Texte im Modell memorisiert, ist das eine Vervielfältigung, die keine Schranke für Text und Data Mining deckt. Für die Ausgaben haften die Betreiber, nicht die Nutzer, die sie mit einfachen Prompts abrufen.

Was das Urteil nicht sagt: Es ist erstinstanzlich und nicht rechtskräftig. OpenAI hat am 8. Dezember 2025 Berufung zum Oberlandesgericht München eingelegt (Aktenzeichen 6 U 3662/25 e); ein Termin oder eine Entscheidung ist bis zum 2. Oktober 2026 nicht bekannt. Gestritten wurde über neun Liedtexte in den Modellen GPT-4 und GPT-4o. Den Anspruch aus dem Persönlichkeitsrecht, verfälschte Liedtexte nicht mehr den Textdichtern zuzuschreiben, hat das Gericht abgewiesen, eine Vorlage an den EuGH abgelehnt. Bei Ausgaben, die ein Nutzer gezielt provoziert, könnte die Verantwortung anders liegen, schreibt das Gericht selbst. Beim EuGH ist mit Like Company gegen Google (C-250/25) die Frage anhängig, ob das Training eines Sprachmodells eine Vervielfältigung ist und die Ausnahme für Text und Data Mining greift; verhandelt wurde dort am 10. März 2026, Schlussanträge des Generalanwalts liegen bis zum 5. Oktober 2026 nicht vor. Im Einzelnen: Gedeckt ist laut Urteil das Zusammenstellen des Trainingsdatensatzes, nicht die Vervielfältigung im Modell; als unwesentliches Beiwerk nach § 57 UrhG gelten die Liedtexte ebenfalls nicht. Dieselbe Kammer hat am 31. Juli 2026 gegen Suno auf derselben Linie entschieden (42 O 763/25).

Landgericht München I, Endurteil vom 11. November 2025, Az. 42 O 14139/24, GEMA gegen zwei Gesellschaften der OpenAI-Gruppe · Volltext bei Bayern.Recht, Randnummern 181 (Vervielfältigung im Modell), 191 bis 193 (Schranken), 277 (Haftung für die Ausgaben) und 301 bis 304 (abgewiesener Teil) · Berufung: GEMA in der Pressemitteilung vom 31. Juli 2026, Datum und Aktenzeichen laut Initiative Urheberrecht vom 10. Dezember 2025 · Volltext gelesen am 2. Oktober 2026 · EuGH-Verfahren C-250/25: Stand laut Verfahrensakte des Gerichtshofs, geprüft am 5. Oktober 2026 · Pressemitteilung des Gerichts · GEMA zur Berufung · Initiative Urheberrecht · Verfahrensakte C-250/25