GitHub begrüßt den Start von Cursors Git-Alternative mit Rekord-Blackout

Perfektes Timing: Cursor startet GitHub-Alternative, GitHub fällt danach für sieben Stunden aus

Cursor hat am Montagmorgen mit dem Rollout von Origin begonnen, einer eigenen Code-Hosting-Plattform, die in der Beta an alle zahlenden Nutzer der Pro-, Teams- und Enterprise-Pläne geht (Enterprise-Organisationen mit Opt-out ausgenommen). Rund dreieinhalb Stunden danach begann bei GitHub eine globale Störung, die laut Incident-Log des Anbieters 6 Stunden und 42 Minuten dauerte. Die Fehlerraten lagen bei Pull Requests, Issues und der API bei knapp 20 Prozent, bei Archiv- und Raw-File-Downloads bei rund 50 Prozent. Auch das Enterprise-Single-Sign-on fiel aus: SAML, OIDC, SCIM-Provisionierung und Team Sync funktionierten nicht, Copilot ebenfalls nicht. Vercel-Chef Guillermo Rauch kommentierte den Zeitpunkt öffentlich auf X und räumte ein, dass sein eigenes Unternehmen wegen GitHub gerade festhing. Ein Cursor-Mitarbeiter, Matt Palmer, schrieb zum eigenen Launch, man hätte früher ausgeliefert, aber GitHub sei down gewesen.

Origin sitzt in einem neuen Codebase-Tab im Cursor-Editor und ist zusätzlich über ein eigenes Kommandozeilen-Werkzeug erreichbar. Teams benennen eine Codebase, die Teil der URL wird, und pushen per Kommandozeile dorthin. Jedes Repository bekommt vollständige Pull Requests mit Timeline, Commits, Checks und Diffs, inklusive gestapelter Reviews, Kommentaren und Merge, ohne den Editor zu verlassen. Agenten arbeiten in derselben Oberfläche wie Code und Pull Requests: Ein Review-Kommentar kann an einen Agenten übergeben werden, der den Pull Request an Ort und Stelle überarbeitet oder einen Branch pusht. Cursor unterstützt dabei lokale Agenten und Cloud-Agenten in einer Sandbox, die auch bei ausgeschaltetem Rechner weiterlaufen.

Drei Integrationen waren zum Start verfügbar. Vercel erzeugt für jeden Pull Request ein Preview-Deployment und veröffentlicht beim Merge in die Produktion, verfügbar in der Public Beta für Pro- und Enterprise-Kunden. Depot und Buildkite übernehmen Continuous Integration, und beide führen bestehende GitHub-Actions-Workflows unverändert aus; Buildkite legt eigene Pipelines darauf. Weitere Partner sollen folgen, dazu bislang unspezifizierte „agent-native“-Funktionen.

Der zweite Teil der Strategie ist die Synchronisierung: Wer eine GitHub-Organisation verbindet und Repositories auswählt, sieht sie neben den Origin-eigenen Repos. Pushes gehen weiter an GitHub, das laut Changelog für alles dort Begonnene die Source of Truth bleibt. Zugriffsrechte spiegeln GitHubs bestehende Read- und Write-Einstellungen, statt ein Parallelsystem aufzubauen, und Pull-Request-Konversationen laufen nach Angaben des Unternehmens in beide Richtungen innerhalb von Sekunden.

Angekündigt hatte Cursor Origin im Juni auf seinem ersten Entwickler-Event in San Francisco, damals als Git Forge für die Agenten-Ära. Die Argumentation: GitHub und GitLab seien um Menschen gebaut, die Code schreiben, Pull Requests öffnen und tagelang auf Reviews warten, während Agenten viele Änderungen parallel erzeugen. In der Juni-Demo zeigte das Unternehmen 22,6 Commits pro Sekunde bei 81.000 Pushes und 295.000 Clones pro Stunde auf einem einzigen Repository. Origin ist zugleich das erste große Produkt-Update seit dem Verkauf von Cursor an SpaceX für 60 Milliarden Dollar im Juni. GitHub verzeichnet seit Januar in jedem Monat mindestens einen Incident, darunter im Januar zwei Vorfälle mit 100 Prozent Fehlerrate bei Copilot durch einen Konfigurationsbug beim Modell-Update und am 9. Februar mehr als fünf Störungen innerhalb von zwölf Stunden. Produktlaunches werden üblicherweise Wochen vorher terminiert, und es gibt keine Belege dafür, dass Cursor den Termin auf den Ausfall gelegt hat. → VentureBeat, Neowin, SiliconANGLE, Notebookcheck

Synthszr Take: Dreieinhalb Stunden Vorsprung sind zu knapp für Kalkül und zu passend für Zufall; die nüchterne Erklärung ist, dass GitHub seit Januar keinen Monat ohne Incident hatte und damit statistisch fast jeden Launch-Termin trifft. Der Gewinn für Cursor steckt in einer Frage, die nach dem 17. August plötzlich jemand im Unternehmen ernsthaft stellt: Wo liegt unser Code, wenn der Anbieter 6 Stunden und 42 Minuten lang keine Pull Requests mehr durchlässt und das Single-Sign-on mitnimmt? Matt Palmers Zeile über den GitHub-Konkurrenten, dessen Launch GitHub verzögert hat, war die wirksamste Kommunikation des Tages und hat keinen Cent Mediabudget gekostet. Die harte Arbeit beginnt trotzdem erst jetzt, denn ein Spiegel mit GitHub als Source of Truth übersteht jede Sicherheitsprüfung, hängt aber genau an derselben Störung wie das Original. Ernst wird es, wenn Origin Berechtigungslogik, Branch-Protection und Audit-Nachweise selbst tragen kann; bis dahin bleibt es ein zweites Fenster auf fremde Server, und ein Ausfalltag verkauft keine Migration.

Amodei kontert Investorenkritik: Die KI-Skepsis sei „fundamental eine Vertrauenskrise“

Anthropic-Chef Dario Amodei hat in einer Serie von Posts auf X zurückgewiesen, dass seine Warnungen vor KI-Risiken die wachsende Ablehnung gegen die Branche befeuert hätten. Anlass war Investor Gavin Baker, der im All-In-Podcast und auf X argumentierte, Amodeis Alarmrufe hätten den Widerstand in den USA mitverursacht, besonders gegen neue Rechenzentren; Baker schrieb, Amodei habe die Regulierungsdebatte verloren und solle als künftiger Chef eines der wichtigsten Unternehmen der Welt positiver für die eigene Branche werben. Amodei entgegnete, seine Texte seien etwa gleichmäßig zwischen Risiken und Nutzen verteilt, und verwies auf seinen Essay „Machines of Loving Grace“, den er nach eigener Aussage geschrieben habe, weil die Branche kein inspirierendes Bild der Technologie zeichne. Dass die Öffentlichkeit KI negativ sehe, räumte er ein und nannte es ein großes Problem, führte es aber auf ein über Jahrzehnte gewachsenes Misstrauen gegenüber Unternehmen, Regierungen und der Tech-Industrie zurück. Die aus seiner Sicht treffendste Kritik an KI-Firmen inklusive Anthropic: Die großen Versprechen seien bislang nicht eingelöst. → Techpresso

Synthszr Take: Die Diagnose „Vertrauenskrise“ hat für den, der sie stellt, einen angenehmen Nebeneffekt: Sie ist Jahrzehnte alt, gesellschaftlich verteilt und damit von keinem einzelnen Unternehmen zu verantworten. Amodei erklärt den Gegenwind zur jüngsten Auflage eines allgemeinen Misstrauens gegen Firmen, Staaten und Tech und schiebt damit die Rechenzentren-Proteste in ein Feld, in dem Anthropic nur Mitbetroffener ist. Der zweite Nutzen steckt in der Regulierungspassage: Vorschläge, die nach eigener Aussage die führenden Labore bremsen und die Kleinen begünstigen, klingen selbstlos und sichern zugleich den Platz am Tisch, an dem die Regeln geschrieben werden. Überprüfbar ist an dem ganzen Auftritt ein einziger Satz, nämlich der, dass die großen Versprechen bisher nicht eingelöst sind. Daran wird Anthropic gemessen, die Debatte über Tonlage bleibt Beiwerk.

OpenAI löst sein Team für katastrophale KI-Risiken auf

OpenAI hat Ende Juli sein „Preparedness“-Team geschlossen, das prüfen sollte, ob die eigenen Modelle schwere oder katastrophale Risiken auslösen können. Das berichtet die Financial Times unter Berufung auf interne Quellen. Die Arbeit zu biologischen und Cyber-Risiken wurde auf bestehende Teams aufgeteilt. Der bisherige Leiter Dylan Scandinaro befasst sich jetzt mit Sicherheitsfragen rund um rekursive Selbstverbesserung, also Systeme, die sich selbst optimieren und andere Modelle trainieren. Mitgründer Greg Brockman erklärt die Umstellung damit, dass Sicherheitsarbeit nun enger mit der Modellentwicklung verzahnt sei. → Techpresso

Synthszr Take: Ein Team für katastrophale Risiken hat eine Eigenschaft, die die Verteilung auf mehrere bestehende Gruppen sofort auflöst: eine Adresse, an die man von außen eine Frage stellen kann. Aufsicht braucht ein benanntes Mandat, ein Eskalationsrecht und jemanden, der bei einem Nein den Kopf hinhält, und genau das ist seit Ende Juli von außen nicht mehr nachvollziehbar. Brockmans Erklärung, Sicherheit sei enger in die Entwicklung eingewoben, mag organisatorisch stimmen, ist für jede externe Prüfung aber wertlos, weil eingewobene Verantwortung niemanden mehr namentlich bindet. Dass parallel die Chief Ethics Officer und Joshua Achiam gehen, während intern von Beklommenheit die Rede ist, verwandelt eine Umstrukturierung in eine Auskunft über Prioritäten. Nach dem Hugging-Face-Vorfall wäre ein öffentlich einsehbares Risiko-Register mit Namen, Schwellenwerten und Eskalationspfad die belastbare Antwort gewesen: Geliefert wurde stattdessen ein Organigramm ohne Anlaufstelle.

Goldman Sachs: KI-Ausgaben schlagen sich nicht in den Konzerngewinnen nieder

Goldman Sachs kommt in einer Analyse zu dem Ergebnis, dass der starke Anstieg der Unternehmensausgaben für künstliche Intelligenz sich bislang nicht in entsprechend höheren Gewinnen zeigt. Laut einem Bericht von Seeking Alpha vom 16. August, der die Analyse zitiert, haben nur 2 Prozent der S&P-500-Unternehmen die Effekte von KI in ihren Quartalsberichten überhaupt beziffert. Von diesen wiederum nannten 11 Prozent messbare Produktivitätsgewinne, etwa beim Programmieren oder im Kundenservice, ohne dabei deutlich stärker zu wachsen als der Rest des Marktes: Der mittlere Gewinnzuwachs dieser Firmen lag bei 17 Prozent gegenüber 14 Prozent bei den übrigen. Deutlich klarer fällt das Bild bei den Anbietern der Infrastruktur aus, wo Hyperscaler und andere Profiteure der KI-Investitionen ihre Gewinne um 54 Prozent steigerten und damit etwa die Hälfte des gesamten Gewinnwachstums des Index stellten. Beim Ausgabenniveau zeigt der von Goldman zitierte Ramp AI Index eine Verdopplung: median 12 Dollar pro Mitarbeiter und Monat im Juli gegenüber 5 Dollar zu Jahresbeginn, im obersten Zehntel der Unternehmen 650 statt 240 Dollar. → MyClaw Newsletter

Synthszr Take: Drei Prozentpunkte Unterschied im Median-Gewinn, das ist die gesamte harte Evidenz nach zwei Jahren Investitionswelle. 17 gegen 14 Prozent liegt innerhalb dessen, was auch ein guter Vertrieb oder ein schwacher Vorjahresvergleich erklärt, und dass nur 2 Prozent der Unternehmen die Effekte überhaupt beziffern, spricht für sich. Die 54 Prozent Gewinnsprung bei den Infrastrukturanbietern sind dagegen sauber messbar, weil dort schlicht das Geld der anderen ankommt. Die Finanzchefs sagen dasselbe leiser: 6,28 Jahre veranschlagen sie inzwischen für die volle Einbettung, fast doppelt so lang wie in ihrer Schätzung vom Vorjahr. Zwölf Dollar pro Mitarbeiter und Monat bewegen keine Gewinn-und-Verlust-Rechnung sichtbar. Der Beweis steht frühestens an, wenn diese Ausgaben eine Größenordnung höher liegen.

Alibabas Qwen 3.8 27B überdenkt selbst simple Prompts: 21 Minuten für ein SVG

Alibabas Qwen-Labor hat mit Qwen 3.8 27B ein Apache-2-lizenziertes Modell mit 27 Milliarden Parametern und Bildverständnis veröffentlicht, das laut Simon Willison lokal auf einem gut ausgestatteten Laptop läuft. Willison testete die 17 GB große Q4_K_M-Bauform über LM Studio auf einem 128-GB-MacBook Pro mit M5 Max sowie auf einem NVIDIA DGX Spark. Das Modell startet nach Qwen-Dokumentation standardmäßig mit dem reasoning_effort auf der höchsten Stufe „xhigh“, daneben stehen „medium“ und „low“ zur Wahl. In der Praxis lief LM Studios voreingestelltes Kontextfenster von 8.192 Token bereits bei banalen Aufgaben voll, erst mit den maximal möglichen 262.144 Token verschwand das Problem. Willisons Standardtest, ein Pelikan auf einem Fahrrad als SVG, brauchte 21 Minuten und 22.276 Reasoning-Token für 3.223 Token Ausgabe. Dieselbe Aufgabe ohne Reasoning erzeugte 3.715 Token in 137 Sekunden. Nach seiner Einschätzung ist das Ergebnis mit Reasoning das beste, das er bislang von einem lokal laufenden Modell gesehen hat; Qwens eigene Benchmark-Angaben, die auch das geschlossene Qwen 3.7-Plus übertreffen sollen, sind bislang nicht unabhängig geprüft. → Marcus Schuler

Synthszr Take: 22.276 Reasoning-Token für 3.223 Token Ausgabe, 21 Minuten Wartezeit, und am Ende steht ein Pelikan mit Fahrrad auf dem Bildschirm. Lokal bezahlt man Inference in Lüfterlärm und Lebenszeit, und eine Voreinstellung auf xhigh verbrennt beides ohne Rückfrage. Bei „zeichne einen Kreis“ beginnt das Modell mit Überlegungen zu konzentrischen Hilfskreisen und Farbpaletten, und das voreingestellte 8k-Kontextfenster ist gefüllt, bevor die eigentliche Antwort überhaupt anfängt. Der erste Handgriff nach dem Download gehört deshalb dem Regler: „low“ oder „medium“ für Alltagsaufgaben, die volle Denktiefe nur dort, wo sie sich rechnet. Dass ein 17-Gigabyte-Download auf einem Laptop diese Qualität überhaupt hinbekommt, bleibt der starke Teil der Nachricht; die Geduldsprobe dazu kostet einen Klick im Konfigurationsdialog.

Anthropic und OpenAI bauen eigene Branchen-Apps: Kunden fürchten um ihren API-Zugang

Anthropic und OpenAI entwickeln zunehmend eigene, auf einzelne Branchen zugeschnittene KI-Anwendungen und setzen damit Firmen unter Druck, die ihre Modelle über die Programmierschnittstelle einkaufen. Laut The Information ist die Design-Software Canva der jüngste Fall eines Kunden, der nun direkt gegen seinen Hauptlieferanten antritt. Bislang galt als gesetzt, dass beide Anbieter ihre besten Modelle weiterhin per API verkaufen, weil dieses Geschäft für beide Milliardenumsätze bringt. Autorin Stephanie Palazzolo schreibt, Gespräche mit Forschern der Labore und mit Gründern abhängiger Anwendungen hätten sie an diesem Status quo zweifeln lassen. Als Anzeichen nennt sie unter anderem gestaffelte Modellfreigaben mit Einzelfallprüfung, zu denen die Trump-Administration aus Sorge vor Missbrauch durch Cyberkriminelle gedrängt habe, sowie bereits erfolgte Leistungsdrosselungen bei sicherheitsrelevanten Aufgaben, etwa bei Anthropics Fable im Bereich Cybersecurity. Ein weiterer Grund für Zugangsbeschränkungen sei Distillation, also das Nachtrainieren konkurrierender Modelle mit den Ausgaben fortgeschrittener Systeme, was nach Aussage eines früheren Anthropic-Forschers praktisch nicht vollständig zu verhindern ist. Einige Investoren warnen Entwickler zudem, Anthropic könnte seine beste Technik zurückhalten, um eigene Anwendungen zu bauen. Das Blatt hält bei einem solchen Schritt eine große Kartellrechtsuntersuchung für wahrscheinlich, da Anthropic den API-Markt deutlich anführt. Anbieter wie Harvey und Cursor trainieren bereits eigene Modelle im Haus, um die Abhängigkeit zu verringern. → The Information AI Agenda

Synthszr Take: Canva bezahlt Anthropic für Modelle, die parallel in ein Produkt fließen können, das Canva angreift. So sieht die Lage für eine ganze Generation von Anwendungsanbietern gerade aus. Die Abhängigkeit ist asymmetrisch, weil der Lieferant über Nutzungsdaten und Support-Tickets die Produktplanung seines Kunden liest, bevor der Kunde sie ausliefert. Harvey und Cursor haben die naheliegende Konsequenz gezogen und trainieren eigene Modelle, was teuer ist, aber die Verhandlungsposition rettet. Belastbarer als ein Eigenmodell sind die Dinge, die ein Lieferant schlicht nicht hat: die Arbeitsdaten der eigenen Nutzer und die vertragliche Verantwortung für ein Ergebnis, das der Kunde tatsächlich bezahlt. Sollte Anthropic als klarer Marktführer im API-Geschäft seine besten Modelle wirklich zurückhalten, bekommen die betroffenen Kunden immerhin eine Kartellbehörde an ihre Seite.

AirTag entlarvt Amazon: Antiquariatsbücher werden fürs KI-Training zerschnitten

Amazon kauft antiquarische Bücher in großen Mengen auf, um sie in einem Lager in Nevada zu zerschneiden, zu scannen und anschließend zu entsorgen. Nach einer Recherche von 404 Media, über die Futurism berichtet, hatte ein Buchhändler eine anonyme Bestellung über 1.000 Bände auf dem Marktplatz Biblio erhalten und einen Apple AirTag zwischen die Seiten eines Bandes gelegt. Die Sendung landete im Amazon-Standort VGT3 bei Las Vegas, wo Beschäftigte laut eigenen Forenbeiträgen ausschließlich Bücher bearbeiten: Ein Teil trennt die Buchrücken ab, ein anderer erfasst die Barcodes. Amazon erklärte gegenüber 404 Media lediglich, man kaufe Bücher über kommerzielle Kanäle, um die eigenen Produkte und Dienste weiterzuentwickeln. Bekannt wurde das Verfahren erstmals durch das Verfahren gegen Anthropic, in dem ein Richter das industrielle Aufschneiden und Digitalisieren von Millionen Büchern als transformativ und damit urheberrechtlich zulässig einstufte. Weil in Nevada offenbar systematisch die ISBN jedes Bandes erfasst wird, sehen Händler ihren Verdacht bestätigt, dass KI-Firmen die weltweite Buchproduktion entlang der Seriennummern abarbeiten. Der betroffene Händler verkauft seltene Titel, von denen nur noch wenige Exemplare im Umlauf sind. → Futurism

Synthszr Take: Ein AirTag zwischen zwei Buchseiten hat mehr Klarheit gebracht als sämtliche Pressestatements der Branche zusammen. Der eigentliche Rohstoff in dieser Geschichte ist die Anonymität des Marktplatzes: Biblio verkauft sie als Bequemlichkeit für Käufer, Amazon hat sie als Beschaffungskanal genutzt, und 1.000 seltene Bände sind dafür in Nevada durch die Schneidemaschine gegangen. Dass ein Gericht im Anthropic-Verfahren das Zerschneiden und Digitalisieren als transformativ durchgewinkt hat, macht das Ganze juristisch sauber und ökonomisch attraktiv, während der Verkäufer seine Ware nie wiedersieht. Antiquariate reagieren mit Identitätsnachweis bei Großaufträgen und Aufschlägen auf ISBN-Sammelbestellungen, Vertrauen wird zur Vorbedingung für den Zugang zu Papier. Das Abteilungslogo, ein T-Rex mit einem Buch im Maul, bleibt vorerst die offenste Aussage, die Amazon zu dieser Sache gemacht hat.

LTX bringt mit LTX-2.5 Multishot-Video und EXR-Export in den professionellen Schnitt

LTX hat am 11. August die Version LTX-2.5 seines offenen Videomodells veröffentlicht. Neu ist laut Turing Post eine native Multishot-Generierung, die mehrere Einstellungen in einem Durchlauf erzeugt und dabei nach Angaben des Anbieters Figuren und Bildlook über Schnitte hinweg konsistent hält. Dazu kommt ein Diffusions-Video-Decoder für die Bildausgabe. Das Modell unterstützt außerdem EXR in Kinoqualität, also das Dateiformat, mit dem Compositing- und Grading-Programme in der Film- und Werbeproduktion arbeiten. → 🔳 Turing Post

Synthszr Take: Multishot mit durchgehender Kontinuität ist der Punkt, an dem ein Videomodell im Schnittraum ankommt: mehrere Einstellungen, dieselbe Figur, dieselbe Lichtstimmung, ohne dass hinterher jemand Dutzende Clips per Hand angleicht. EXR-Unterstützung entscheidet über den Zugang zu bestehenden Pipelines, weil Grading und Compositing lineare Fließkomma-Daten brauchen und keine fertig gebackenen 8-Bit-Frames. Der rohe vortrainierte Checkpoint ist das eigentliche Geschenk an Produktionshäuser mit einem eigenen Look, den sie nicht aus dem Fine-Tuning eines anderen zurückrechnen wollen.

Das eigentliche Blasenrisiko der KI beginnt beim Glauben

In der aktuellen Folge von „The Deep View Conversations“ ordnet die Redaktion die neu aufgeflammte Debatte über eine KI-Blase ein und verortet die Realität zwischen Untergangsrhetorik und uneingeschränktem Optimismus. Zentral ist das, was die Autoren als „Tinker-Bell-Problem“ bezeichnen: Der Boom hänge teilweise davon ab, dass genügend Menschen weiter an das Potenzial der Technologie glauben, während die öffentliche Skepsis wächst. Unter dieser Glaubensschicht liegt nach Darstellung des Podcasts eine handfestere Basis, weil Verträge mit Unternehmenskunden den Großteil der Umsätze der KI-Labore ausmachen. Als Belege für tragfähige Nachfrage führt die Analyse starke Quartalszahlen der Hyperscaler und die anhaltende Knappheit an Rechenkapazität an, die die Nachfrage nach Inference schneller wachsen lässt als das Angebot. Die Redaktion widerlegt außerdem eine viral verbreitete Behauptung, wonach ein Claude-Abo für 200 Dollar Anthropic 8.000 Dollar in der Auslieferung kostet. Gleichzeitig referiert sie den wachsenden Druck von Unternehmensseite nach Kontrolle, Effizienz und messbarem Ertrag, inklusive der Angabe eines Unternehmens, dessen Token-Verbrauch einzelner Entwickler das 1,5-Fache ihrer Vergütung kostet. Weitere Themen der Episode sind Preislogik von Training und API-Zugang sowie die Rotation von Anlegergeldern in Energie- und Rohstoffwerte. → The Deep View

Synthszr Take: Der Vergleich mit 1999 trägt an einer Stelle nicht: Pets.com hatte Klickzahlen und Superbowl-Spots, die KI-Labore haben unterschriebene Verträge mit Unternehmenskunden und Rechenzentren, deren Kapazität vergeben ist, bevor der Beton trocken ist. Trotzdem stimmt die Beobachtung mit dem Glauben, und die 8.000-Dollar-Rechnung für ein 200-Dollar-Abo ist der Beweis dafür: Eine Zahl, die rechnerisch nicht trägt, hält sich wochenlang, weil sie zur Stimmung passt. Genau so lief der Abstieg nach 2000 ab: Erst kippte die Erzählung, dann kippten die Zahlen, weil Kunden ihre Budgets einfroren und Zulieferer Bestellungen stornierten. Der harte Prüfstein steckt in der anderen Angabe der Folge: Sobald der Token-Verbrauch einzelner Entwickler das 1,5-Fache ihres Gehalts kostet, wird aus einer Glaubensfrage eine Kostenstelle, die jedes Controlling nachrechnen kann. Unternehmen, die ihren Verbrauch pro Anwendungsfall gegen einen belegten Ertrag stellen, überstehen die nächste Stimmungswelle gelassen; die anderen erklären im Herbst, wohin das Budget verschwunden ist.