Google zahlt rund 100 Verlagen für KI-Antworten, und die meisten bekommen fast nichts

Das ist der unangenehme Kern eines Pilotprogramms, das vor weniger als einem Jahr startete und bis heute keine veröffentlichte Preisliste hat. Laut einer Zusammenfassung des Berichts von The Decoder am 30. September können Verlage in der Google Search Console sehen, wie oft ihre Inhalte in eine KI-Antwort einfließen und wie viel sie dafür verdient haben. Was sie nicht sehen, ist die Formel hinter der Zahl.

Die Spannbreite ist enorm. Ein Verlag erhielt über einige Monate 50.000 bis 60.000 Dollar. Ein anderer verdient mehr als 1.000.000 Dollar im Jahr. Mehrere kleine und mittlere Blogs und Websites haben über mehrere Monate hinweg weniger als 1.000 Dollar eingenommen, und bei ihnen entsprechen die Zahlungen weniger als 0,1 Prozent der Werbeeinnahmen.

Einige Teilnehmer sagten gegenüber The Information, sie wüssten nicht, wie Google die Beträge berechnet, und die Zahlungen könnten ohne Erklärung von Monat zu Monat schwanken. Der Bericht legt außerdem nahe, dass Nischenthemen mit starker Anhängerschaft, darunter Anime und Gaming, eher mehr einbringen. Googles Antwort auf die gesamte Regelung ist bislang ein Bündel selektiver Lizenzverträge, eine Opt-out-Funktion und ein Zahlungsmodell, bei dem das Unternehmen entscheidet, was Inhalte wert sind.

Die Zugriffe sinken, während die Deals Einzelfälle bleiben

Die Geldfrage ist wichtig, weil der Traffic-Trend für das offene Web schlecht ist und sich weiter verschlechtert. Mehrere in der Berichterstattung zitierte Studien zeigen, dass AI Overviews die Besuche auf den Quellseiten stark verringern. Einige größere Verlage weigern sich, dem Pilotprogramm beizutreten, um Google zu höheren Zahlungen zu zwingen.

Diese Weigerung ist eine Wette, und die Struktur des Programms macht sie schwer. Die Verträge werden Verlag für Verlag ausgehandelt, niemand verhandelt gemeinsam. Eine Website, die aussteigt, übt begrenzten Druck auf Google aus, weil andere Quellen die Lücke in einer KI-Antwort füllen. Eine Website, die bleibt, akzeptiert den angebotenen Satz. The Decoder beschrieb das als Gefangenendilemma der Verlage und merkte an, dass die Divide-and-conquer-Strategie Google seit Jahrzehnten gute Dienste leistet, während das Unternehmen immer mehr Webinhalte in die Suche zog, um sie zu monetarisieren.

Im Hintergrund gibt es regulatorischen Druck. Unabhängige Verlage reichten im Juli 2025 eine Beschwerde bei der Europäischen Kommission gegen AI Overviews ein. Penske Media, Mutterkonzern des Rolling Stone, verklagte Google im September desselben Jahres wegen verlorener Zugriffe und Werbeeinnahmen. Die Kommission eröffnete daraufhin im Dezember 2025 eine kartellrechtliche Untersuchung. Sie prüft, ob Google unfaire Bedingungen setzt, indem es die Inhalte von Verlagen für KI-Funktionen nutzt, ohne angemessen zu zahlen oder eine echte Möglichkeit zum Opt-out zu bieten.

Ein deutsches Gericht hat zudem entschieden, dass AI Overviews Googles eigene Inhalte sind und keine Zusammenfassungen vorhandenen Materials. Sollte sich diese Auslegung weiter durchsetzen, hätten Verlage eine rechtliche Grundlage, Lizenzgebühren zu verlangen, sobald ihre Arbeit in einer KI-Antwort erscheint. Die praktische Schwierigkeit liegt auf der Hand: Den genauen Beitrag jeder Quelle zu einer Antwort nachzuvollziehen ist schwierig, möglicherweise unmöglich. Die Verwaltung von Zahlungen pro Quelle würde zusätzlichen Aufwand auf die Gebühren legen, die Googles Margen schmälern könnten.

Der Rest des Automatisierungsstapels bewegt sich schneller als das Geld

Während der Lizenzstreit durch Regulierungsbehörden und Gerichte mahlt, wird die Werkzeuglandschaft rund um KI-gestützte Arbeit deutlich schneller umgebaut. Viel davon landet direkt bei den Ingenieuren.

Am 30. September erklärten OpenAI und Synopsys, sie hätten eine mehrjährige Partnerschaft für ein spezialisiertes Chipdesign-Modell namens GPT-Synopsys geschlossen, berichtete The Decoder. Das Modell verbindet OpenAIs KI-Technologie mit den EDA-Werkzeugen von Synopsys, die OpenAI lizenziert. Das erklärte Ziel ist ein System, das über Chipdesign und Verifikation reasoning betreiben und die Synopsys-Werkzeuge direkt bedienen kann, während Ingenieure Ziele delegieren und die Ausgabe prüfen. Es läuft auf OpenAIs Infrastruktur. Beide Unternehmen sagen, Kundendaten würden nicht für das Training verwendet und verschlüsselt gespeichert, und erste Tests mit Halbleiterkunden liefen bereits. Synopsys-CEO Sassine Ghazi sagt, KI könnte den Designprozess erheblich beschleunigen.

Auch die Investmentseite bewegt sich. Flow Engineering, ein drei Jahre altes Start-up aus San Francisco, das KI-Werkzeuge für Hardwaredesign verkauft, sammelte eine Series B über 50.000.000 Dollar bei einer Bewertung von 750.000.000 Dollar ein, berichtete TechCrunch am 30. September. Die Runde wurde gemeinsam von Antonio Gracias von Valor Equity Partners und Gavin Baker von Atreides Management angeführt. Sequoia Capital beteiligte sich neben dem früheren Sequoia-Partner Roelof Botha als Privatinvestor. Botha ist in den Vorstand eingetreten. Flow nennt Anduril, Rivian, Joby Aviation und weitere als Kunden.

Auch die Infrastrukturversprechen werden lauter. Modal veröffentlichte am 30. September Benchmarks für Quail, eine query-aware Inferenzschicht, die das Unternehmen für AI-SQL-Workloads gebaut hat. Modal behauptet, auf einer H100-GPU bei einer Multi-Join-Abfrage mehr als eine Milliarde Token pro Minute zu verarbeiten. Nach eigenen Angaben ist das über 10x schneller als die vLLM-Basislinie auf derselben Hardware und kostet auf Modal weniger als 6 Cent pro Milliarde Token. Im neuen AI-SQL-Benchmark von Modal läuft Quail geometrisch gemittelt über die Aufgaben 1,84x schneller als vLLM.

Kleinere Teile desselben Wandels erscheinen still. Facebooks OpenZL-Projekt veröffentlichte am 29. September v0.3.0 mit einer neuen LZ-Engine und einem Compression Transformer, einem neuronalen Selektor, der numerische Kompressionsgraphen im laufenden Betrieb aufbaut. Die Release Notes behaupten eine um 144 Prozent schnellere Dekompression als Zstandard bei gleichen Einstellungen. Der Transformer komprimiert über 868 Familien numerischer Ströme hinweg im Durchschnitt 35 Prozent besser als zstd -19. Magnitude, ein Start-up aus dem YC-S25-Jahrgang, veröffentlichte auf GitHub eine Open-Source-Inferenz-Engine, die Kernel auf dem Gerät des Nutzers kompiliert und abstimmt. Das README behauptet bis zu 2x schneller als llama.cpp, mit 92 Prozent schnellerem Decode auf Metal und 19 Prozent auf CUDA sowie 27 Prozent weniger Speicher pro Agent.

Auch Sicherheitsforschung sammelt sich an. Am 30. September veröffentlichte VUSEC Branch Target Reuse, eine Spectre-v2-Angriffsklasse auf Just-in-Time-Compiler in Browsern, Sprachlaufzeiten und im Linux-Kernel. Das Team baute zwei End-to-End-Exploits gegen den Linux-Kernel und zeigte, wie sich der Root-Passwort-Hash aus einem laufenden su-Prozess mit 8 Byte pro Sekunde auslesen lässt, samt vollständigem Durchlauf der Kernel-Task-Liste und der Seitentabellen.

Was die Menschen sagen, die die Arbeit machen

Die Meinungen darüber, was all diese Automatisierung mit dem Job macht, gehen auseinander. Ein Berater argumentierte am 30. September auf martinelli.ch, KI-Coding-Agenten drängten Softwareentwickler zurück zum Modell der 1990er. Dort verantwortet eine Person Anforderungen, Architektur, Code und Produktion, und die Spezifikation wird zum wichtigsten Artefakt eines Projekts. Ein separater Beitrag auf pooyam.dev am selben Tag ist deutlicher. Der Autor, der an LLM-Training und Inferenzleistung auf GPUs und TPUs arbeitet, sagt, die Kosten der Implementierung gingen gegen null. Er beschreibt einen Agenten, der einen Teil eines Modells neu trainierte, um die Akzeptanzlänge beim spekulativen Decoding zu verbessern, etwas, das zu verbieten ihm nicht eingefallen war.

Ein dritter Bericht auf rtfm.co.ua beschreibt dieselbe Drift von der anderen Seite: Der Agent werde zum Mycroft für den eigenen Holmes, und der Mensch ende als das, was der Autor Fleisch-Middleware zwischen Agent und Deploy-Button nennt. Gerben Rijpkema, ein KI-Ingenieur, argumentiert auf Substack, erfolgreich seien die Projekte mit anwendungsfallspezifischen Architekturen. Sie entlehnen der Regelungstechnik die Annahme, dass man das System nicht vollständig vorhersagen kann und um das Rauschen herum entwerfen muss.

Nichts davon löst die Verlagsfrage. Google setzt weiterhin die Bedingungen, 100 Verlage sind weiterhin im Pilotprogramm, und die Europäische Kommission ermittelt weiterhin.