PewDiePie wurde zweimal wegen Destillation gesperrt, und die Regeln sind jetzt persönlich

Felix Kjellberg, besser bekannt als PewDiePie, erzählte seinem Publikum, dass OpenAI ihn zweimal gesperrt hat. Sein Vergehen war nicht, Gewichte zu schmuggeln oder API-Zugang in großem Stil weiterzuverkaufen. Er nutzte Ausgaben eines von OpenAIs Modellen, um Ajax zu trainieren, ein 9B-Modell, das er auf seiner eigenen Hardware für alltägliche Dinge wie Suche und E-Mail betreibt.

Ajax basiert auf Qwen3.5-9B, einem kleinen offenen Modell, und wurde mit Daten feinabgestimmt, die von einem größeren, geschlossenen Modell generiert wurden. Dieser Prozess heißt Destillation. Es ist dieselbe Technik, die in den letzten zwei Jahren eine Welle kostengünstiger, leistungsfähiger Modelle hervorgebracht hat, und es ist die Technik, die die großen Labore nun mit aller Kraft zu kontrollieren versuchen.

Was Destillation tatsächlich ist

Ein Modell zu destillieren bedeutet, ein kleineres zu trainieren, damit es ein größeres nachahmt. Man gibt dem Lehrer Prompts, sammelt seine Antworten und trainiert den Schüler, sie zu reproduzieren. Der Schüler braucht weder die Gewichte des Lehrers noch seine Architektur. Er braucht nur genug vom Verhalten des Lehrers, um das Muster zu lernen.

Deshalb kümmern sich die Labore darum. Ein Frontier-Modell kostet Zehn- oder Hundertmillionen Dollar für das Training. Wenn ein Wettbewerber oder eine Einzelperson seine Ausgaben über eine API ernten und diese Fähigkeit in ein eigenes Modell übertragen kann, wird der teure Teil der Arbeit teilweise umgangen. Die Ausgabe sieht wie Text aus, aber das zugrunde liegende Signal ist das, was kopiert wird.

Kjellbergs Fall ist wichtig, weil er klein ist. Er ist kein gut finanziertes Startup, das ein Konkurrenzprodukt ausliefert. Er ist eine einzelne Person mit einer Consumer-GPU und einem lokalen Modell. Die Durchsetzung reichte so weit.

Die Labore raten nicht über den Umfang

OpenAIs Sperre gegen Kjellberg ist nur die sichtbare Spitze. Die größeren Kampagnen sind industriell. Anthropics CEO Dario Amodei hat von einer einzigen Destillationsoperation berichtet, die rund 25.000 gefälschte Konten nutzte und etwa 28,8 Millionen Interaktionen mit Claude durchführte. Bei diesem Volumen ist das Ernten von Ausgaben kein Nebenprojekt; es ist eine Datenpipeline mit Personal und Infrastruktur.

OpenAI hat auch gegen Unternehmen vorgegangen. Es hat Cursors Zugang zu seinen Modellen abgeschnitten, mit Verweis auf Destillationsbedenken, nachdem xAI OpenAI-Ausgaben genutzt hatte, um Grok zu trainieren. Das Muster dieser Maßnahmen ist, dass die Durchsetzung nicht mehr nur auf offensichtliche Weiterverkäufer abzielt. Sie richtet sich an jeden, dessen Produkt von Fähigkeiten abhängt, die aus einem geschlossenen Modell extrahiert wurden.

Rund um dieses Thema entsteht eine ganze Erkennungsindustrie. Labore suchen nach Kontomustern, Anforderungsvolumen und den statistischen Fingerabdrücken geernteter Daten. Erwischt zu werden bedeutet nicht immer eine Klage; es kann bedeuten, den API-Zugang zu verlieren, was für ein Startup oft dasselbe ist.

25 Unternehmen baten um klarere Regeln

Die Durchsetzung der Labore findet vor dem Hintergrund offener Meinungsverschiedenheiten darüber statt, wie die Regeln aussehen sollten. Im Juli 2026 unterzeichneten 25 Organisationen, darunter Nvidia, Meta und Microsoft, einen Brief, in dem sie argumentierten, dass offene Gewichtsmodelle zentral für die US-amerikanische KI-Führungsrolle seien. Sie forderten gezielte rechtliche Rahmenbedingungen, die die Destillation direkt adressieren, statt breiter Beschränkungen für offene Modelle.

OpenAI, Anthropic und Google unterzeichneten nicht. Alle drei haben Frontier-Modelle, deren Wert davon abhängt, dass ihre Ausgaben nicht allzu leicht kopiert werden können. Der Riss läuft darauf hinaus, wer es tun darf und zu welchen Bedingungen.

In diese Lücke fügte ein US-Berufungsgericht Ende September einen weiteren Datenpunkt ein. In Thomson Reuters v. Ross Intelligence bestätigte das Third Circuit eine Entscheidung, dass das Kopieren redaktionellen Materials eines Wettbewerbers zum Trainieren eines Suchprodukts keine Fair Use war, weil das resultierende Produkt direkt mit der Quelle konkurrierte. In diesem Fall geht es um eine Suchmaschine und nicht um ein generatives Modell, und das Gericht betonte sorgfältig, dass es nicht über alles KI-Training entscheide. Aber es signalisiert, dass sich der rechtliche Boden unter Trainingsdaten verschiebt, während gleichzeitig die technische Durchsetzung verschärft wird.

Warum der Begriff „Destillation“ eine große Rolle spielt

Nicht jede Nutzung der Ausgabe eines Modells ist gleich, und die aktuellen Regeln verwischen den Unterschied. Ein Modell zu bitten, beim Schreiben von Code zu helfen, ist normale Nutzung. Es zu bitten, Millionen von Beispielen zu generieren, damit man einen Konkurrenten trainieren kann, ist es nicht. Irgendwo dazwischen liegt eine Person, die Ausgaben nutzt, damit ein Hobby-Modell sich etwas besser verhält – ungefähr dort ist Kjellberg anzusiedeln.

Die Labore behandeln Ausgabedaten als ein Asset, dessen Nutzung und Kontrolle sie beanspruchen. Ihre Nutzungsbedingungen sagen das, und die Durchsetzung folgt den Bedingungen statt einem rechtlichen Standard. Deshalb kann dieselbe Handlung in einem Konto erlaubt und in einem anderen verboten sein: Es hängt vom Volumen ab, von der Absicht, wie der Anbieter sie liest, und davon, ob das resultierende Modell wie ein Konkurrent aussieht. Es gibt keine klare Grenze, und das Fehlen einer solchen ist das eigentliche Problem für jeden, der versucht, auf der richtigen Seite zu bleiben.

Die Erkennung macht die Grenze schwerer erkennbar. Labore suchen nach Mustern, die auf Ernte hindeuten: ungewöhnliche Anforderungsvolumen, in Batches erstellte Konten, Prompts, die Evaluations-Suites ähneln. Eine Person, die ein paar tausend Prompts ausführt, löst möglicherweise keines davon aus. Eine Operation mit 25.000 Konten wird es. Dazwischen ist die Antwort wirklich unsicher, und Unsicherheit ist ein schlechtes Fundament für ein Produkt.

Ein Gerichtsurteil fiel zur gleichen Zeit

Die technische Durchsetzung verschärft sich, während sich das rechtliche Bild noch bewegt. Ende September bestätigte das Third Circuit eine Entscheidung, dass das Kopieren redaktionellen Materials eines Wettbewerbers zum Trainieren eines Suchprodukts keine Fair Use war, weil das resultierende Produkt mit der Quelle konkurrierte. Das Gericht betonte sorgfältig, dass seine Entscheidung eine Suchmaschine betraf, nicht ein generatives Modell, und dass es keine universelle Regel für KI-Training aufstellte.

Eng gelesen sagt der Fall wenig über Kjellbergs lokales Modell aus. Als Signal gelesen sagt er, dass Gerichte bereit sind, Marktschaden stark zu gewichten, wenn ein Modell mit Material aus einem Produkt trainiert wird, mit dem es konkurriert. Die Labore handeln bereits so, als ob dieses Prinzip auf ihre Ausgaben zutrifft. Die Gerichte haben noch nicht gesagt, ob es das tut.

Was das bedeutet, wenn Sie ein kleines Modell betreiben

Für einzelne Entwickler und kleine Teams hat sich das praktische Bild schneller verändert als das Gesetz.

Das Trainieren eines lokalen Modells mit Ausgaben, die Sie selbst generiert haben, liegt in einer Grauzone, die von den Nutzungsbedingungen des Anbieters abhängt, nicht vom Urheberrecht. Die meisten großen Anbieter verbieten die Nutzung von Ausgaben zum Trainieren konkurrierender Modelle. Was als „konkurrierend“ gilt, wird vom Anbieter definiert, und die Durchsetzung kann ohne Vorwarnung in Form eines gesperrten Schlüssels eintreffen.

Es gibt ein paar Dinge, die sich lohnen. Lesen Sie die Nutzungsbedingungen für das spezifische Modell, von dem Sie destillieren, nicht die allgemeine Richtlinie. Führen Sie Aufzeichnungen darüber, wie Trainingsdaten erzeugt wurden, denn wenn ein Anbieter nachfragt, ist ein nachvollziehbarer Nachweis der Unterschied zwischen einer Warnung und einer Sperre. Bevorzugen Sie Ausgaben von Modellen, deren Lizenzen derivates Training ausdrücklich erlauben, was viele offene Gewichtsmodelle einschließt. Und wenn Ihr Produkt von der API eines einzelnen Anbieters abhängt, behandeln Sie diese Abhängigkeit als Risiko, nicht als Bequemlichkeit.

Kjellberg ist ein ungewöhnlicher Testfall, weil er öffentlich ist und für ihn wenig auf dem Spiel steht. Die Lehre ist nicht, dass er unfair behandelt wurde oder dass er es verdient hätte. Sie ist, dass die Toleranz für Destillation so weit geschrumpft ist, dass ein persönliches Projekt auf Consumer-Hardware zwei Sperren nach sich zog. Teams, die dieselbe Technik im großen Stil anwenden, sollten von weniger Spielraum ausgehen, nicht von mehr.