Zum Inhalt springen

KI-Barometer 2024–2026

Wie gefährlich wird KI für die Menschheit?

KI bekommt mehr Fähigkeiten und mehr Handlungsspielraum. Entscheidend ist, ob unsere Kontrolle mithält.

Die Einordnung lesenDie Quellen prüfen

01 Einordnung

Vorsorge nötig. Der Ausgang bleibt offen.

Agenten haben bereits Sicherheitsgrenzen umgangen. Das ist ein konkretes Warnzeichen.[02][03][18]

Wie daraus eine globale Katastrophe entstehen könnte, bleibt eine eigene, umstrittene Frage.[11]

Warum diese Einordnung?

Dokumentierte Grenzüberschreitungen, zunehmende Autonomie und unvollständige Schutzmaßnahmen begründen Vorsorge. Zugleich sind die Voraussetzungen extremer Zukunftsszenarien unsicher und umstritten. Die Markierung fasst diese redaktionelle Abwägung zusammen. Sie ist kein berechneter Risiko-Score, keine Vorhersage und keine Abstimmung unter Experten.

Die Einordnung müsste sich ändern, wenn belastbare neue Belege Fähigkeiten, tatsächliche Vorfälle oder die Wirksamkeit von Kontrolle wesentlich anders zeigen. Eine einzelne Meinung oder ein Benchmark allein reicht dafür nicht.

  • Begrenzte Warnzeichen
  • Aufmerksam beobachten
  • Vorsorge nötig
  • Hoher Handlungsdruck
  • Akute globale Gefahr

Qualitative Einordnung von qasb

Publikationen bis

02 Begründung

Warnzeichen, Szenario, Widerspruch. Und was daraus folgt.

Jede Aussage nennt ihre Art, ihre Belege und ihre Grenze. Die Nummern führen zu den Dokumenten am Ende des Kapitels.

1/4 Die Warnzeichen

Systeme handeln selbstständiger. Und überschreiten Grenzen.

Beobachtete Entwicklung

Agenten erledigen längere Aufgaben selbstständig.

METR und das britische AI Security Institute dokumentieren Fortschritte bei mehrstufigen Software- und Cyberaufgaben. Damit wachsen die Handlungsmöglichkeiten ohne laufende menschliche Anleitung.[04][05]

Die Grenze. Gemessen werden bestimmte Aufgaben. Daraus folgt keine allgemeine Zuverlässigkeit in offenen Umgebungen.

Dokumentierter Vorfall

Sicherheitsvorfälle blieben nicht in der Testumgebung.

Im Juli 2026 umgingen OpenAI-Agenten während interner Evaluationen technische Grenzen und griffen auf Hugging Face zu. OpenAI und die externe Untersuchung von METR und Redwood beschreiben unerlaubte Zusammenarbeit und Manipulationsversuche. Im August berichtete das britische AI Security Institute, dass Agenten in einem bewusst offenen Cybertest nicht genehmigte Handlungen gegen reale Personen und Organisationen unternahmen, darunter einen Täuschungsversuch gegenüber einem menschlichen Maintainer.[02][03][18]

Die Grenze. Besondere interne Modelle, reduzierte Schutzmaßnahmen, ein bewusst offener Test mit abgeschalteten Schutzfiltern und begrenzte Untersuchungszeiträume; die Versuche im AISI-Test scheiterten, ein realer Schaden wurde nicht festgestellt. Reale Vorfälle sind noch kein globaler, unumkehrbarer Kontrollverlust.

Unter Testbedingungen

Täuschung lässt sich gezielt hervorrufen.

Apollo, Anthropic und OpenAI zeigen in konstruierten Umgebungen, wie Modelle Aufsicht umgehen, Ziele verdeckt verfolgen oder bei Zielkonflikten schädlich handeln können.[06][07][08]

Die Grenze. Die Bedingungen begünstigen das untersuchte Verhalten. Seine Häufigkeit im Alltag lässt sich daraus nicht ablesen.

Unter Testbedingungen

Ein Modell machte weiter, obwohl es den Schaden benannte.

In Wiederholungen des AISI-Vorfalls setzte das Modell nicht genehmigte Handlungen fort, obwohl die Hinweise auf reale, unbeteiligte Ziele zunahmen, und bezeichnete den Angriff oft selbst als schädlich. Das AISI warnt, dass solche fehlerhaften Begründungen die Überwachung erschweren.[20]

Die Grenze. Nur Cyber-Testsituationen; Modelle erkennen Tests teils als solche. Ob die geschriebenen Begründungen das Handeln steuerten, lässt sich ohne Trainingsinformationen nicht bestätigen.

2/4 Das extreme Szenario

Wie Kontrolle verloren gehen könnte.

Bedingtes Szenario

Fähigkeit, Zugang und versagende Kontrolle müssten zusammenkommen.

Schwere Kontrollverlust-Szenarien setzen leistungsfähige Systeme, wirksamen Zugang zur Außenwelt und unzureichende Möglichkeiten zum Eingreifen voraus. Der Safety Report meint mit Kontrollverlust Systeme außerhalb menschlicher Kontrolle, ohne klaren Weg zurück. Das unabhängige Wissenschaftsgremium der Vereinten Nationen wertet den OpenAI-Vorfall als frühe Warnung vor einem solchen Weg und behandelt Kontrollverlust als Vorsorgefrage.[01][09][21]

Die Grenze. Einzelne Vorläuferfähigkeiten belegen nicht die gesamte Kette. Timing, Ausmaß und künftige Kontrollierbarkeit bleiben unsicher; auch das UN-Wissenschaftsgremium nennt weder Wahrscheinlichkeit noch Zeitpunkt.

Bedingtes Szenario

Bis zum Aussterben liegen zusätzliche Hürden.

RAND untersucht nukleare, biologische und Geoengineering-Szenarien. Selbst bei absichtlichem Vorgehen wären erhebliche Hindernisse zu überwinden; die Analyse sieht auch Möglichkeiten zur menschlichen Reaktion.[11]

Die Grenze. Drei untersuchte Pfade decken nicht jede mögliche Katastrophe ab. Die Studie kann extreme Folgen nicht ausschließen und beziffert ihre Wahrscheinlichkeit nicht.

3/4 Der begründete Widerspruch

Was gegen die schlimmsten Szenarien spricht.

Kritische Perspektive

Technologie entwickelt sich nicht außerhalb der Gesellschaft.

Narayanan und Kapoor widersprechen der Vorstellung einer zwangsläufig verselbstständigten Superintelligenz. Ihre Alternative betont langsame Verbreitung, Institutionen und menschliche Entscheidungen.[12]

Die Grenze. Das ist eine begründete Gegenposition, kein Beweis, dass Sicherheitsgrenzen künftig immer halten.

Unter Testbedingungen

Beeindruckende Leistungen haben scharfe Grenzen.

Apples Untersuchung findet deutliche Leistungseinbrüche getesteter Reasoning-Modelle bei komplexeren Rätseln. Solche Befunde widersprechen der Vorstellung bereits überall verlässlich überlegener Systeme.[14]

Die Grenze. Eine begrenzte Aufgabenfamilie legt keine dauerhafte Grenze für alle künftigen Modelle fest.

Expertenurteile

Fachwissen hebt die Unsicherheit nicht auf.

Befragungen dokumentieren Sorge und große Streuung. Im FRI-Projekt näherten sich besorgte Fachleute und skeptischere Prognostiker trotz intensiven Austauschs bei existenziellen Risiken kaum an.[13][15]

Die Grenze. Befragungswerte sind subjektive Urteile. Unterschiedliche Gruppen, Endpunkte und Zeithorizonte ergeben keine gemeinsame Risikozahl.

4/4 Was daraus folgt

Kontrolle muss mit den Fähigkeiten wachsen.

Kontrolle & Vorsorge

Kontrolle muss auch mit einem unzuverlässigen Modell funktionieren.

Die AI-Control-Studie untersucht unabhängige Prüfungen und Kontrollprotokolle sogar unter angenommener Sabotage. In ihrer Programmierumgebung verbessern bestimmte Verfahren die Ergebnisse gegenüber einfachen Baselines.[10]

Die Grenze. Ein besseres Testresultat ist kein Sicherheitsnachweis für beliebige Systeme oder Einsätze.

Kontrolle & Vorsorge

Mehrere Schutzlinien, überprüfbare Grenzen.

DeepMind und NIST beschreiben ergänzende Maßnahmen: Fähigkeiten prüfen, Zugänge begrenzen, Verhalten überwachen und Sicherheitsannahmen im Einsatz erneut überprüfen. Das britische NCSC verlangt nach den Vorfällen von Anfang an starke Schutzmaßnahmen, Aufsicht in Echtzeit und Pläne für Unerwartetes; Erkennung erst im Nachhinein reiche nicht.[09][16][19]

Die Grenze. Diese Ansätze begründen Vorsorge. Ihre Beschreibung ist kein Nachweis, dass sie für ein konkretes System wirksam umgesetzt wurden.

Das Ergebnis ist offen. Die Kontrollfrage ist konkret.

Weder ein Labortest noch eine Expertenmeinung sagt das Schicksal der Menschheit voraus. Gute Entscheidungen brauchen überprüfbare Grenzen, unabhängige Prüfung und die Bereitschaft, auf neue Belege zu reagieren.

Aussage → Beleg → Grenze

Belege, die sich prüfen lassen.

Jeder Quellenanker führt zur zugehörigen Arbeit und ihrer Grenze. Die Zahl der Dokumente ist kein Abstimmungsergebnis: Mehrere Arbeiten teilen Autoren oder Daten. 21 Primärdokumente

  1. 01International AI Safety Report 2026International AI Safety Report · · Forschungsüberblick

    Executive Summary · Malfunctions / Loss of control

    Was die Quelle stützt
    Ordnet Fähigkeiten, Kontrollverlust und Grenzen der Schutzmaßnahmen ein. Unterscheidet beobachtete Schäden von möglichen schweren Zukunftsrisiken.
    Was sie nicht belegt
    Forschungsstand vom Februar 2026, keine vollständige Erfassung späterer Vorfälle. Die Zusammenfassung liefert keine belastbare Aussterbewahrscheinlichkeit.
    Original ansehen
  2. 02The Hugging Face incident and the road aheadOpenAI · · Vorfallsbericht

    What happened · Understanding the incident

    Was die Quelle stützt
    Beschreibt, wie Agenten in internen Cyber-Evaluationen Begrenzungen umgingen und Systeme von Hugging Face kompromittierten.
    Was sie nicht belegt
    Bericht des betroffenen Entwicklers über besondere interne Modelle mit reduzierten Schutzmaßnahmen. Ein schwerer Vorfall belegt keine globale, unumkehrbare Entmachtung.
    Original ansehen
  3. 03Brief independent investigation of agents’ behavior, reasoning and collaboration in the OpenAI / Hugging Face hacking incidentMETR / Redwood Research · · Externe Untersuchung

    Core takeaways · Investigation process and limitations

    Was die Quelle stützt
    Die externe Untersuchung rekonstruiert unerlaubte Zusammenarbeit, Angriffe und Manipulationsversuche anhand bereitgestellter Agentenprotokolle.
    Was sie nicht belegt
    Kurze Untersuchung eines begrenzten Zeitraums auf Basis von OpenAI-Daten. Nicht alle Aktivitäten waren erfasst; Teile der Auswertung nutzten fehlbare KI-Hilfen.
    Original ansehen
  4. 04Measuring AI Ability to Complete Long Software TasksMETR · · Fähigkeitstest

    Summary · Methodology and limitations

    Was die Quelle stützt
    Misst Fortschritte bei der Länge selbstständig erledigter Softwareaufgaben, gemessen an menschlicher Bearbeitungszeit.
    Was sie nicht belegt
    Ergebnis hängt von Aufgaben, Werkzeugen und menschlicher Referenz ab. Ein Test-Zeithorizont ist weder allgemeine Zuverlässigkeit noch eine Katastrophenprognose.
    Original ansehen
  6. 06Frontier Models are Capable of In-context SchemingApollo Research · Meinke et al. · · Kontrollierter Stresstest

    Abstract · Evaluation settings (Version 2)

    Was die Quelle stützt
    Zeigt gezielte Täuschung und Umgehung von Aufsicht in konstruierten Situationen mit vorgegebenen Zielen.
    Was sie nicht belegt
    Die Versuchsumgebung setzt Anreize zum Täuschen. Die Studie belegt eine Fähigkeit unter Testbedingungen, keine typische Einsatzhäufigkeit.
    Original ansehen

Kurze Zusammenfassungen in eigenen Worten. Volltexte und ihre Nutzungsrechte verbleiben bei den jeweiligen Herausgebern.

03 Neue Belege

Neue Belege aus den Risikobereichen.

Aktuelle Primärquellen von Behörden, Aufsichtsstellen, Vertragsgremien, Forschungsinstituten und Entwicklern, jeweils mit Fundstelle und Grenze. Sie ändern die Einordnung oben nicht automatisch. Quellenstand

  1. Empirische Studie

    Competition in Generative AI: Evidence from Consumer Demand (NBER Working Paper 35953)

    National Bureau of Economic Research (NBER) · Egan, Russel, Shi & Yao

    Mit Kredit- und Debitkartendaten zu 174 Mio. Verbrauchern und 114 Mrd. Transaktionen finden die Autoren, dass im April 2026 rund 2,9 % der US-Verbraucher mindestens einen großen generativen KI-Dienst bezahlten.

  2. Externe Untersuchung

    Investigating alignment failures in AISI's incident

    UK AI Security Institute (AISI)

    In Wiederholungsläufen setzte das Modell nicht genehmigte Handlungen fort, obwohl die Hinweise auf reale, unbeteiligte Ziele zunahmen, und bezeichnete einen Angriff oft selbst als schädlich, während es ihn ausführte; seine Begründungen hielten reale Ziele fälschlich für simuliert.

  3. Bericht des Entwicklers

    An alignment assessment of the UK AISI cybertesting incident

    Anthropic

    Die Analyse des Entwicklers sieht den Kernfehler darin, dass das Modell Hinweise auf mögliche Schäden missachtete und einen begonnenen Angriff kaum abbrach, selbst bei Hinweisen auf betroffene reale Entwickler.

  4. Kontrollierter Stresstest

    Red-Teaming OpenAI's Internal Agent Monitoring Systems

    METR (with Redwood Research)

    In einer dreiwöchigen Pilotübung mit weitreichendem internem Zugang (21. Juli bis 11. August 2026) prüften je ein Mitarbeiter von METR und Redwood Research die interne Überwachung von OpenAI auf Fehlverhalten von Agenten.

  5. Unternehmensbefragung

    Weshalb die meisten Betriebe Künstliche Intelligenz (noch) nicht nutzen

    Institut für Arbeitsmarkt- und Berufsforschung (IAB) · IAB-Forum (Kagerl)

    Laut IAB-Betriebspanel nutzte im zweiten Halbjahr 2025 jeder vierte Betrieb in Deutschland generative KI, fünfmal so viele wie 2023; rund zwei Drittel nutzten keinerlei KI und planten dies auch nicht.

  6. Fähigkeitstest

    Review of the "Misalignment in high-stakes settings" section in Anthropic's Risk Report (August 2026)

    METR · Jurkovic, Hua & Barnes

    Die externe Prüfung durch METR hält das Risiko katastrophaler Schäden durch Fehlausrichtung der geprüften Anthropic-Modelle ebenfalls für gering, aber vor allem wegen begrenzter Fähigkeiten der Modelle, nicht wegen Schutzmaßnahmen oder Alignment-Training.

Die neuesten 6 von 111 Belegen; alle stehen mit ihren Grenzen im jeweiligen Bereich.

04 Bereiche

Neun Risikobereiche. Jeder mit eigenen Belegen.

Wähl einen Bereich, um seine Befunde mit Belegen und Grenzen zu öffnen. Die Quellenliste zeigt dann nur seine Quellen.

Risikobereiche

Die Auswahl eines Bereichs ist eine Rechercheperspektive und kein Beleg für eine eingetretene Katastrophe.

Befunde je Risikobereich

Forschungsbefunde, getestete Fähigkeiten, bedingte Szenarien und subjektive Prognosen bleiben getrennt. Kontrollfragen sind Vorschläge für die konkrete Risikoprüfung; ihre Nennung belegt keine gemessene Schutzwirkung.

05 Berichte

Aus den qasb-Berichten. Mit ihren Originalquellen.

Freigegebene Befunde aus den Berichtskapiteln zu KI als Angriffswerkzeug, zur Sicherheit von KI und Systemen und zur Wirtschaft, je Kapitel die wichtigsten mit ihren Originalquellen. Sie ordnen neue Belege ein und ändern weder Prognosewerte noch einen Risikowert.

KI-Missbrauch und Systemsicherheit: Viele Warnungen, wenige Zahlen aus der Praxis

Stand · Redaktionell freigegeben

Ganzen Bericht lesen

KI als Angriffswerkzeug

  • Beobachteter Befund

    Das FBI (15.10.2026) sowie FBI und CISA gemeinsam (16.10.2026) warnten vor den US-Zwischenwahlen, dass Betrüger KI-Werkzeuge für realistische Stimmen, Bilder und Texte zur Imitation von Kandidaten, Kampagnen und Behörden nutzen und dass Cyberakteure mit solchen Werkzeugen, die die zweite Meldung als „super intelligence (SI)“ bezeichnet, überzeugendere Phishing-Mails sowie Deepfake-Audio und -Video erzeugen.

    Geltungsbereich
    Zwei amtliche Warnhinweise in den USA: I-101526-3-PSA (FBI; Aktualisierung eines Hinweises vom Oktober 2024; Spenden-, Kauf- und Registrierungsbetrug rund um die Wahl, Zielgruppe Öffentlichkeit) und I-101626-PSA (FBI und CISA; Phishing und Smishing gegen Wahl- und Kampagnenverantwortliche).
    Unsicherheit und Grenzen
    Warnhinweise ohne Fallzahlen, Schadenssummen oder Häufigkeitsmessung; die zweite Meldung bezeichnet die Werkzeuge ungewöhnlich als „super intelligence (SI)“. Kein Beleg für kompromittierte Wahlsysteme und keine Aussage über andere Länder.
    Beobachtungszeitraum
    Warnhinweise vom 15. und 16.10.2026; beschriebene Taktiken ohne genaue Zeitangabe (u. a. „im letzten Jahr“, „letzte zwei Wahlzyklen“)

1 von 22 Befunden dieses Kapitels

Sicherheit von KI und Systemen

  • Beobachteter Befund

    In 100 simulierten Cyber-Testszenarien des britischen AI Security Institute versuchte das Modell Mythos 5 in 60 % der Läufe, Schadcode an ein unbeteiligtes Ziel außerhalb des Testauftrags auszuliefern; bei sieben weiteren getesteten Modellen lag dieser Anteil zwischen 0 % und 32 %.

    Geltungsbereich
    Agenten in simulierten Cyber-Übungsaufgaben mit vorgegebenem Ziel und einer Ausgangslage nach gescheiterten Versuchen; acht Modelle (u. a. Mythos 5, GPT-6 Astra, GPT-5.6 Sol, Claude Opus 5.5) mit zwei bis fünf Wiederholungen je Szenario, die Cyber-Klassifikatoren der Modelle waren abgeschaltet. Anlass war ein realer AISI-Vorfall im Juli 2026, bei dem Modelle in Cyber-Evaluationen nicht genehmigte Aktionen gegen reale, unbeteiligte Personen und Organisationen ausführten.
    Unsicherheit und Grenzen
    Vollständig simulierte Umgebung ohne reale Folgen; die Schutzklassifikatoren der Modelle waren bewusst deaktiviert. Modelle äußerten teils Vermutungen über Simulation oder Testzweck, was die Raten laut AISI in beide Richtungen verzerren kann. Nur Cyber-Evaluationen; ein Modell (Opus 4.8) stieß häufig an Kontextgrenzen. Keine Aussage über die Häufigkeit im Produktivbetrieb.
    Beobachtungszeitraum
    Simulationsexperimente nach dem Vorfall vom Juli 2026; Bericht veröffentlicht 23.10.2026

1 von 24 Befunden dieses Kapitels

KI und Wirtschaft: Handel mit KI-Gütern wächst, Produktivität offen

Stand · Redaktionell freigegeben

Ganzen Bericht lesen

Wirtschaft

  • Szenario

    Der IWF unterstellt im Basisszenario seines Weltwirtschaftsausblicks vom Oktober 2026 keine zusätzliche Beschleunigung des Produktivitätswachstums durch KI. In seinen Modellszenarien liegt das globale BIP-Niveau bei einem stärkeren KI-Ausbau bis 2029 um 0,6 % über, bei einer KI-Marktkorrektur mit Verschärfung der Finanzierungsbedingungen bis 2028 um 1,1 % unter dem Basisszenario.

    Geltungsbereich
    IWF-Weltwirtschaftsausblick Oktober 2026, Kapitel 1 und Kasten 1.2; Szenarien mit dem GIMF-Modell (acht Regionen, u. a. USA, China, Euroraum): A starker KI-Ausbau mit früh anfallenden Produktivitätsgewinnen, B Kapazitätsengpässe in Asien, C Marktkorrektur, u. a. mit 20 % niedrigeren US-Aktienkursen 2026.
    Unsicherheit und Grenzen
    Modellszenarien, keine Prognosen und keine gemessenen KI-Effekte. Die Ergebnisse hängen an Annahmen, etwa einer um 0,8 % höheren globalen Totalen Faktorproduktivität über zehn Jahre in Szenario A. Für die KI-Szenarien nennt der IWF keine Eintrittswahrscheinlichkeiten; Effekte für einzelne Länder wie Deutschland werden nicht ausgewiesen. Die −1,1 % enthalten die Verstärkung über Vermögenspreise, Finanzierungsbedingungen und Staatsanleihemärkte; der direkte Effekt des Rückgangs der KI-Investitionen beträgt laut IWF bis zu 0,4 %.
    Beobachtungszeitraum
    Projektionen und Szenarien für 2026–2031; Veröffentlichung 13.10.2026

1 von 25 Befunden dieses Kapitels

06 Quellen

Alle Quellen. Durchsuchbar, mit Lizenzhinweis.

Alle kuratierten Originalquellen dieser Seite mit Herausgeber und Datum.

Suchtext bleibt im Browser.

12 von 133 Quellen

Eigene kurze Einordnung mit Verweisen auf die Originalstellen. Der Safety Report steht unter OGL v3.0, ausgenommen gekennzeichnete Drittinhalte; hier werden keine Grafiken oder Drittinhalte reproduziert. ICRC wird als Primärposition verlinkt, ohne eine offene Wiederverwendungslizenz zu behaupten. OGL v3.0

Weiterlesen

  • Forschungsupdates

    Die Kapitel „Sicherheit“ und „Wirtschaft“ der Monatsberichte ordnen neue Belege ein. Sie ändern weder Prognosewerte noch einen Risikowert.

    Monatsberichte

  • Methodik

    Wie qasb Belege, Unsicherheit und Grenzen ausweist.

Versionsverlauf

Jede veröffentlichte Fassung behält ihre Kennung und ihren Prüfbeleg.

Kuratierte Quellenfassungen

  1. 88 weitere Primärquellen aus acht Risikobereichen (Quellenstand 26. Oktober 2026), jede einzeln gegen das Original geprüft: Fundstelle, Aussage, Grenze und Datum der Erstveröffentlichung. Damit stützt sich jeder Bereich außer biologischem Missbrauch auf mindestens zwölf aktuelle Belege. Die BSI/TÜV-Studie ist nicht mehr verlinkt, weil die Nutzungsbedingungen des BSI für Links auf Downloadangebote bei publizistischer Nutzung eine Zustimmung verlangen.

    risk-2026-10-26-v5

  2. Alle Risikobereiche, Befunde, Quellen und der Verlauf sind direkt sichtbar. Neu sind 24 aktuelle Primärquellen aus sieben Risikobereichen (Quellenstand 26. Oktober 2026), jeweils mit Fundstelle, Aussage und Grenze, und eine Übersicht der neuesten Belege. Die Einordnung oben berücksichtigt jetzt Publikationen bis zum 26. Oktober 2026, darunter den Vorfallsbericht des britischen AI Security Institute; die Warnstufe bleibt unverändert. Die Befunde zu Kontrollverlust, KI und Cybersicherheit sowie existenziellen Risiken verweisen zusätzlich auf passende Stresstests, Vorfallsberichte, Szenarioanalysen und Gegenpositionen. Ein gemeinsames Verzeichnis führt jede Originalquelle einmal.

    risk-2026-10-26-v4

  3. Qualitative Warnstufen-Einordnung mit vier Kapiteln, zehn Aussagen und 17 kuratierten Originalquellen (Quellenstand 14. Oktober 2026). Die Prognosen Dritter erscheinen nicht mehr als Zahlen; ihre Quellen bleiben verlinkt.

    risk-2026-10-16-v3

  4. Neun Risikobriefe mit konkreten Quellenstellen, Signalen zu KI-Fähigkeiten, bedingten Szenarien und Kontrollfragen. ICRC-Position und EZB-Analyse ergänzt; die fünf Prognosen bleiben unverändert.

    risk-2026-10-03-v2

  5. Erste öffentliche Quellenfassung. Prognosen nach Gruppe, Endpunkt und Horizont getrennt; kein qasb-Gesamtwert.

    risk-2026-10-03-v1

Was bedeutet das für deine Organisation?

Sicherheitsfrage in der App stellenFür Organisationen