OpenAI und NVIDIA sichern 8 GW-IT in Ohio, Cursor startet Origin, GitHub beschleunigt seine Codesuche

Am 17. August 2026 sichern sich OpenAI und NVIDIA gemeinsam einen riesigen KI-Infrastrukturstandort in Ohio, während Cursor in der Beta seine eigene Code-Hosting-Plattform Origin startet. Rund um diese beiden wichtigen Ankündigungen setzt DeepSeek V4 Pro seine Multi-Provider-Ausrollung fort, GitHub erläutert seine agentischen Canvases und eine spektakuläre Optimierung seiner Codesuche, und Google startet Sheets canvas, um Tabellen in Mini-Apps zu verwandeln.

OpenAI und NVIDIA sichern einen 8-GW-IT-KI-Standort in Ohio

17. August — OpenAI, NVIDIA und SB Energy geben am selben Tag aus zwei ergänzenden Blickwinkeln eine gemeinsame Vereinbarung bekannt, um einen riesigen KI-Infrastrukturstandort auf dem Technologiecampus PORTS-Pike im Pike County (Ohio) zu sichern — einem ehemaligen Portsmouth-Gasdiffusionsstandort. NVIDIA und SB Energy sichern die Land-, Energie- und Gebäude-Kapazitäten (land, power and shell) für einen anfänglichen Ausbau von 4,25 Gigawatt, erweiterbar um zusätzliche 3,75 Gigawatt, im Rahmen einer auf 20 Jahre angelegten, zwischen 2028 und 2030 phasenweise umgesetzten Vereinbarung. OpenAI, der operative Mieter, strebt mit Unterstützung des US-Energieministeriums (DOE) insgesamt rund 8 Gigawatt-IT an.

Das Projekt soll über sechs Jahre 35.000 Bauarbeitsplätze und anschließend 2.500 langfristige Betriebsarbeitsplätze schaffen. Die Kühlung erfolgt in einem geschlossenen Luftkreislauf mit Wasserrezirkulation. OpenAI investiert 40 Millionen Dollar in einen lokalen Gemeinschaftsfonds (zusätzlich zu den bereits von SB Energy zugesagten 40 Millionen) und stellt bis zu 84 Millionen Dollar an Codex-Guthaben für rund 844.000 berechtigte Studierende in Ohio im akademischen Jahr 2026-2027 bereit. Auf NVIDIA-Seite könnte jede auf dem Standort eingesetzte GPU-Generation rund 1,5 Millionen Chips darstellen, also 150 bis 200 Milliarden Dollar Umsatz — im Rahmen einer für 2030 vorgesehenen OpenAI/NVIDIA-Compute-Verpflichtung von geschätzten 12 bis 16 Gigawatt (rund 600 Milliarden Dollar).

Kennzahl	Wert
Zielkapazität (OpenAI)	~8 GW-IT
Anfangskapazität (NVIDIA/SB Energy)	4,25 GW (+3,75 GW erweiterbar)
Laufzeit der LPS-Vereinbarung	20 Jahre, phasenweise 2028-2030
Bauarbeitsplätze	35.000 über 6 Jahre
Codex-Guthaben für Studierende in Ohio	bis zu 84 Mio. $ für ~844.000 Studierende
OpenAI/NVIDIA-Verpflichtung bis 2030	12-16 GW (~600 Mrd. $)

“OpenAI has entered into an agreement to secure approximately 8 gigawatts-IT at the PORTS-Pike Technology Campus in Pike County, Ohio, working with SB Energy, NVIDIA, and the U.S. Department of Energy.”

🇩🇪 OpenAI hat in Zusammenarbeit mit SB Energy, NVIDIA und dem US-Energieministerium eine Vereinbarung getroffen, um am Technologiecampus PORTS-Pike im Pike County in Ohio rund 8 Gigawatt-IT zu sichern. — OpenAI, offizielle Mitteilung

🔗 NVIDIA — die Infrastruktur der Intelligenz sichern

Cursor startet Origin, seine Code-Hosting-Plattform

17. August — Cursor rollt in der Beta Origin aus, eine in den Editor integrierte Plattform zum Hosten von Repositories, die eher für Agentenmaßstab (agent scale) als als bloßer GitHub-Konkurrent gedacht ist. Der Start beginnt für alle Abonnenten der kostenpflichtigen Tarife, mit Opt-out-Möglichkeit für Unternehmensorganisationen.

Die in Origin erstellten Repositories sind über URLs cursor.com/codebase/[nom] erreichbar, und es bleibt möglich, bestehende GitHub-Repositories parallel zu synchronisieren — in Echtzeit, wobei GitHub für Pushs die Quelle der Wahrheit bleibt. Bei Pull Requests bietet Cursor eine vollständige Erfahrung (Timeline, Commits, Checks, Diffs) mit bidirektionaler Synchronisierung: Ein in Cursor geposteter Kommentar erscheint innerhalb weniger Sekunden auf GitHub. KI-Agenten können Fragen zum Code beantworten, Änderungen vornehmen, Pull Requests aktualisieren und Branches direkt aus der Repository-Ansicht pushen.

Cursor hat vor dem Start Integrationspartnerschaften mit Vercel (Preview-Deployments), Depot und Buildkite (CI/CD kompatibel mit bestehenden GitHub-Actions-Workflows) geschlossen; weitere Integrationen wurden bereits angekündigt.

“Origin, our code hosting platform, is now live. It’s fast, easy to use, and deeply integrated with Cursor. Get started by syncing your repos from GitHub.”

🇩🇪 Origin, unsere Code-Hosting-Plattform, ist jetzt online. Sie ist schnell, einfach zu bedienen und tief in Cursor integriert. Zum Einstieg synchronisieren Sie Ihre Repositories aus GitHub. — @cursor_ai auf X

🔗 Cursor-Changelog — Origin-Code-Hosting

Replit stärkt seine Sicherheit mit Black-Box-Pen-Tests

17. August — Replit ergänzt sein Sicherheitsangebot um Black-Box-Pen-Tests (Intrusionstests in Black-Box-Ausführung) und erweitert damit die bereits verfügbaren White-Box-Scans. Der Scanner arbeitet über die Netzwerk- und Browser-Schnittstelle der Anwendung, verhält sich zunächst wie ein nicht authentifizierter Besucher und dann wie ein normaler authentifizierter Nutzer, und legt dabei reale Funktionen offen, einschließlich solcher ohne sichtbaren Button.

Die Ergebnisse beider Ansätze überschneiden sich laut Replit nur selten: Der Black-Box-Test entdeckte ungeschützte Admin-Dashboards und Endpunkte, die für Denial-of-Service anfällig waren und dem White-Box-Test entgangen waren, während der White-Box-Test Autorisierungslogikfehler identifizierte, die von außen nicht sichtbar waren. Im Security Center jedes Projekts werden drei Stufen angeboten: kostenlose Stufe 1 (Abhängigkeitsprüfung), Stufe 2 (White-Box-Scan) und Stufe 3 (Kombination beider). Sobald eine Schwachstelle bestätigt ist, kann Replit Agent sie mit einem Klick beheben.

🔗 Replit-Ankündigung — Black-Box-Pen-Tests

Offene Modelle und Inferenz: DeepSeek, Yutori, GPU-Zuteilung

Drei Veröffentlichungen rund um das Ökosystem von Together AI und Hugging Face verdeutlichen den laufenden Wettkampf um Kosten und Effizienz der Inferenz.

DeepSeek V4 Pro 0813: Multi-Provider-Rollout und DeepSWE-Benchmark

16. August — DeepSeek V4 Pro, dessen Start mit offenen Gewichten bereits am 13. August behandelt worden war, setzt seinen Rollout unter der Revision „0813“ fort: Together AI und Novita bestätigen beide die Unterstützung, mit der 1,6T-Parameter-Mixture-of-Experts-Architektur (Mixture of Experts), dem 1M-Token-Kontextfenster und drei Denkmodi (Codierung, Agenten, komplexes Denken). Im Software-Engineering-Benchmark DeepSWE misst Together AI einen Score von 88,5 % pass@4 bei Kosten von 0,24 $ pro Aufgabe — 35-mal günstiger als GPT-5.6 Sol und 90-mal günstiger als Fable 5.

🔗 Together AI — DeepSeek V4 Pro 0813

Yutori rollt sein Navigator-Agentenmodell auf Together AI aus

16. August — Together AI hebt Navigator hervor, das Web-Navigations-Agentenmodell (browser-use) des Startups Yutori. Diese Agenten arbeiten in engen Schleifen — Screenshot, Aktion, Wiederholung, manchmal Dutzende Male pro Aufgabe — was die Inferenzkosten besonders sensibel macht. Laut Together AI übertrifft Navigator die Leistung von Referenzmodellen und ist dabei doppelt so schnell in der Inferenz und 4- bis 5-mal günstiger.

🔗 Together AI — Yutori Navigator

Ein unter Einschränkungen arbeitender GPU-Allocator gewinnt bis zu 33 Punkte an Cluster-Auslastung zurück

17. August — Das Dharma-AI-Team veröffentlicht auf Hugging Face den zweiten Teil seiner Studie zum Management von GPU-Clustern. Sein „unter Einschränkungen arbeitender GPU-Allocator“ ersetzt die FIFO-Planung durch eine Optimierung über einen 24-Stunden-Horizont unter Einhaltung der GPU-Kontiguität und der Echtzeit-Nachfragekurven. Über sieben getestete Szenarien reichen die Auslastungsgewinne von 51,6 % bis 72,4 % im Mischbetrieb und bis zu 53,6 % bis 87,0 % bei Trainingslasten. Ein Test mit einheitlicher Priorität bestätigt einen um 23,1 % unabhängigen Gewinn durch das Prioritätssignal, und ein Cluster mit 64 GPUs erzielt weiterhin einen Wertzuwachs von 15,9 % bei einer Allokationslatenz von 15 ms.

🔗 Hugging Face — GPU-Allocator von Dharma-AI

Gemini: Sheets canvas verwandelt Tabellen in Mini-Apps

17. August — Google startet Sheets canvas, das auf Gemini 3.7 Flash aufbaut, um ein klassisches Google-Sheets-Tabellenblatt ohne Code in eine interaktive Mini-App zu verwandeln. Im Gegensatz zu üblichen Prototyping-Tools, die aus einem statischen Export eine feststehende Oberfläche generieren, analysiert Sheets canvas nativ das Schema des Blatts (Spalten, Datentypen, Beziehungen), um funktionale UI-Komponenten zu erstellen — eine „Was-wäre-wenn“-Simulation wird beispielsweise zu einem Satz von Schiebereglern, die Finanzprojektionen live anpassen.

Besonders hervorgehoben wird die bidirektionale Synchronisierung: Interaktionen in der Mini-App werden in Echtzeit in das zugrunde liegende Blatt zurückgespielt, und umgekehrt. Anschließend kann der Nutzer die Anwendung per einfachem Dialog weiter verfeinern, wobei Gemini den Kontext beibehält, um iterativ weiterzuarbeiten, ohne von vorne zu beginnen. Sheets canvas ist ab sofort für Abonnenten von Google AI Pro und Ultra verfügbar, und der Rollout auf Google-Workspace-Business- und Bildungskonten ist für bestimmte Tarife angekündigt.

🔗 Google AI — Ankündigung von Sheets canvas

GitHub Copilot: Canvases, Codesuche und konfigurierbare Reviews

GitHub veröffentlicht zwischen dem 16. und 17. August drei technische und produktbezogene Ankündigungen rund um die Steuerung agentischer Workflows und die Leistung seiner Suchmaschine.

Canvases machen agentische Workflows sichtbar und steuerbar

17. August — GitHub erläutert die „Canvases“, einen persistierenden, geteilten Arbeitsbereich in der Copilot-App, um komplexe agentische Workflows nachverfolgen zu können, ohne sie im Chat-Scrollen zu verlieren. Der Ansatz beruht auf vier Prinzipien: den Workflow-Zustand definieren, Entscheidungspunkte hervorheben, Fortschritte sofort speichern und explizite menschliche Freigabepunkte beibehalten. Zwei konkrete Canvases veranschaulichen den Ansatz — ein „Java Modernization Studio“, das eine Migration in Phasen organisiert (Bewertung, Behebung, Validierung, Lieferung), und ein „Site Studio“, das die Inhaltserstellung mit editierbaren Abschnitten und Review-Tracking verwaltet — beide öffentlich im Repository awesome-copilot. Der Autor nennt Kosten von etwa 2.000 bis 3.000 KI-Credits pro Canvas.

🔗 GitHub — wie Canvases agentische Workflows steuerbar machen

Codesuche: Case-Folding läuft mit über 45 GiB/s auf einem einzelnen Kern

16. August — GitHub veröffentlicht einen Erfahrungsbericht zur Optimierung des Case-Foldings (Groß-/Kleinschreibungsnormalisierung für den fallunabhängigen Vergleich) in seiner Suchmaschine Blackbird, die mehr als 180 Millionen Repositories und 480 TB Code indexiert. Die wichtigste Optimierung ist kontraintuitiv: Eine frühzeitige Ausstiegsverzweigung entfernen statt eine hinzuzufügen, wodurch LLVM die Schleife mithilfe von NEON-Instruktionen vollständig vektorisieren kann.

Version	Durchsatz
Naiv (mit frühzeitigem Ausstieg)	3,1 GiB/s
Vollständig verzweigungsfreie Schleife	mehr als 45 GiB/s
Schlimmster Fall (vollständiges Folding, nicht-ASCII)	869 MiB/s

Das Team veröffentlicht das Ergebnis als Open-Source-Rust-Crate namens casefold.

“GitHub case-folds every byte of code search at over 45 GiB/s on one core. The biggest win came from removing an early-exit branch, not adding one.”

🇩🇪 GitHub wendet Case-Folding auf jedes Byte seiner Codesuche mit mehr als 45 GiB/s auf einem einzigen Kern an. Der größte Gewinn entstand durch das Entfernen einer frühzeitigen Ausstiegsverzweigung, nicht durch deren Hinzufügen. — @github auf X

🔗 GitHub — Case-Folding von Quellcode mit Speicherbandbreite

Copilot Code Review: Die Balanced-Tiefe wird allgemein verfügbar

16. August — GitHub Copilot ermöglicht es nun, die Tiefe automatisierter Code-Reviews auf Pull Requests auszuwählen: „Balanced“ (gründlichere Analyse, komplexe Änderungen) wird allgemein verfügbar, neben „Lite“ (einfache, schnell zu validierende Änderungen). Die Einstellung kann standardmäßig auf Organisations- oder Repository-Ebene festgelegt oder punktuell bei der Anforderung eines Reviews für einen bestimmten PR gewählt werden.

🔗 GitHub — Balanced-Tiefe allgemein verfügbar

OpenAI: defensive Cybersicherheit und Effizienzgewinne von GPT-5.6 Sol

The Defender’s Window — OpenAIs Strategie für defensive Cybersicherheit

17. August — Greg Brockman, Präsident von OpenAI, blickt auf den OpenAI-Hugging-Face-Sicherheitsvorfall zurück, der als Wendepunkt dargestellt wird: Ein agentisches Kollektiv hat Schwachstellen aneinandergereiht, um in die Forschungsinfrastruktur von OpenAI und die Produktionsinfrastruktur eines anderen Unternehmens einzudringen. OpenAI erinnert daran, die Verbreitung seiner Cyber-Fähigkeiten auf „vertrauenswürdige Verteidiger“ beschränkt zu haben, merkt aber an, dass andere Labore offene Gewichtsmodelle mit offensiven Fähigkeiten an der Frontier veröffentlichen — jüngstes genanntes Beispiel ist GLM-5.3 von Z.ai, erwartet Ende August. OpenAI trainiert seine Modelle nun darauf, „übermenschlich sicheren“ Code zu schreiben, und setzt auf ihre mathematischen Beweisfähigkeiten, um die Sicherheit von Software formal zu verifizieren.

Konkrete Anekdote: Nach dem Vorfall bat Brockman ChatGPT Work (GPT-5.6 Sol), die Sicherheit seiner eigenen Website zu prüfen. In etwa 15 Minuten entdeckte das Tool 13 Probleme — falsch konfiguriertes DNS, das E-Mail-Spoofing ermöglichte, veraltetes jQuery, unverschlüsselter Cloudflare→AWS-Verkehr — und behebbte sie dann in etwa einer Stunde, ohne tiefgreifende menschliche Intervention.

🔗 OpenAI — The Defender’s Window

GPT-5.6 Sol — gemessene Effizienzgewinne bei Kunden und auf ARC-AGI-3

17. August — Dank retained reasoning und Kompaktion stieg der Score von GPT-5.6 Sol auf ARC-AGI-3 von 13,3 % auf 38,3 %, während etwa 6-mal weniger Output-Tokens verbraucht wurden. Zwei konkrete Kundenrückmeldungen: Das Immobilien-Startup hypha_ai behielt 98 % der Genauigkeit von GPT-5.5 bei und senkte gleichzeitig die Kosten um den Faktor 18 beim Wechsel zu GPT-5.6 Luna, und RogoAI (Finanzforschung) nutzte die programmatische Tool-Aufrufung, um die Qualität seiner Bewertungen mit 21 % weniger Input-Tokens zu erreichen.

🔗 OpenAI Devs — Effizienzgewinne von GPT-5.6 Sol

Mediengenerierung: ElevenLabs in Claude, Seedance 2.5 bei Pika und Luma

ElevenLabs startet seinen MCP-Server, direkt in Claude verfügbar

17. August — ElevenLabs bietet einen offiziellen MCP-Server (Model Context Protocol) an, um seine Sprach- und Chat-Agenten direkt aus Claude zu verwalten, ohne die Arbeitsumgebung zu verlassen: jüngste Leistungen prüfen, neue Agenten erstellen, Konfigurationen aktualisieren, die Token-Kosten des LLM schätzen, bevor eine Änderung bestätigt wird. Die Authentifizierung erfolgt über OAuth, ohne zu hostenden Server und ohne zu verwaltende API-Schlüssel, wobei dem Team die Kontrolle darüber überlassen bleibt, was die Agenten tatsächlich einsehen oder ändern dürfen.

🔗 ElevenLabs — Ankündigung des MCP-Servers

Seedance 2.5 in 1080p kommt auf Pika API Club und Luma mit 4K-Upscaling

17. August — Nach seinem Early Access auf Runway am 15. August setzt Seedance 2.5 in 1080p seine Einführung bei Drittanbietern fort. Pika Labs bietet es über seinen Pika API Club an und verspricht dabei einen Preis, der bis zu 60 % günstiger ist als bei der Konkurrenz. Luma Labs kündigt am selben Tag die Verfügbarkeit von Seedance 2.5 in 1080p an, mit einer zusätzlichen Funktion: dem Upscaling auf 4K direkt auf seiner Plattform.

🔗 Pika Labs — Seedance 2.5 auf Pika API Club

Kurzmeldungen

ABC Legal setzt mehr als 50 Agenten mit Claude Managed Agents ein — 1.100 Mitarbeitende, bis zu 50 % geringere Kosten bei bestimmten juristischen Aufgaben, wöchentliche Feedback-Schleife über Slack und Pull Requests. 🔗 Claude
Das Diffusers-Team von Hugging Face integriert vier neue offene Modelle in einer Woche — MiniMax H3 (Video/Audio), LTX2.5 (Video/Audio), Wan Animate 2 und MiniMax Music 3. 🔗 Tweet
datatrove 0.10.0 führt Pipelines auf Hugging Face Jobs ohne Slurm-Cluster aus — neuer JobsPipelineExecutor und Unterstützung für Hugging-Face-Storage-Buckets als DataFolder. 🔗 Tweet
Together AI hostet die Code-Generierungsmodelle von Relace AI — trainiert auf dedizierten GPU-Clustern des Y-Combinator-Programms. 🔗 Tweet
Auf der ICML betont Tri Dao, dass offene Modelle sich den geschlossenen Labs annähern — inzwischen nur noch wenige Monate Rückstand, getragen von Fortschritten im Serving-Stack (Kernels, Inferenz-Engines, speculative decoding). 🔗 Tweet
Google, Gemini und Pixel besiegeln Partnerschaften mit fünf europäischen Fußballklubs — Arsenal, FC Barcelona, Bayern München, Liverpool und PSG, mit dem Versprechen gleicher Sichtbarkeit für den Frauenfußball. 🔗 Google
OpenClaw: GitHub-Teaser auf X — der GitHub-Account erwähnt ein Projekt namens OpenClaw, ohne dass weitere Details verfügbar sind. 🔗 Tweet
MiniMax-H3 beansprucht einen 4,44-fachen Gewinn auf RTX 4090 — neuer CuTe-DSL-Kernel für SM89, speziell für den Sol-Attn-Attention-Mechanismus. 🔗 Tweet
Alibaba veranstaltet am 19. August eine Live-Session mit den Machern von Wan3.0 — mit den Partnern Magnific, fal, OpenArt und KoyalAI, um 15 Uhr UTC. 🔗 Tweet
Kling stellt den Effekt „Hitchcock Zoom“ vor — neuer Effekt zur Videoerzeugung, inspiriert vom gegensätzlichen Zoom-Tracking, das Alfred Hitchcock populär gemacht hat. 🔗 Tweet
MiniMax H3 mit -50 % auf 2K-Generierung über Magnific bis zum 1. September — angekündigter Rabatt bei einer Veranstaltung in San Francisco. 🔗 Tweet
GPT-5.6 Sol zum halben Preis auf AI Gateway (Vercel) und OpenRouter — temporäre 50-%-Aktionen bis zum 18. September 2026, automatisch auf die Nutzung angewendet. 🔗 Tweet
OpenAI finanziert 14 Forschungsprojekte zu Public Policy für das KI-Zeitalter — 1 Million US-Dollar Fördermittel und bis zu 1 Million US-Dollar an API-Credits, verteilt auf 5 Länder/Regionen. 🔗 OpenAI
Codex durch Anwendungsberichte hervorgehoben — ein Content Creator (mehr als 1,5 Millionen Abonnenten) steuert sein Geschäft mit Codex, und ein OpenAI-Mitarbeiter nutzt es als internen Assistenten für den Videoschnitt. 🔗 Tweet

Was das bedeutet

Die Größenordnung der KI-Infrastruktur überschreitet eine neue physische und finanzielle Schwelle. Der Standort in Ohio vereint allein 8 angestrebte Gigawatt-IT, 35.000 Bauarbeitsplätze und ein von OpenAI/NVIDIA zugesagtes Rechenvolumen im Wert von schätzungsweise 600 Milliarden US-Dollar bis 2030 — ein Vorhaben, das inzwischen eher mit nationalen Industrie- oder Energieprojekten vergleichbar ist als mit einem einfachen Rechenzentrum. Auch die von NVIDIA offengelegte Finanzierungsmechanik (teilweise Unterstützung von Miet- und Energiekosten statt Vollfinanzierung) zeigt, dass selbst die größten KI-Labore auf spezielle Finanzierungsstrukturen angewiesen sind, um dieses Ausgabenniveau zu bewältigen.

Auch das Hosting von Code wird selbst zu einem agentischen Schlachtfeld. Cursor startet Origin, um nicht mehr von GitHub bei der Infrastruktur abhängig zu sein, auf der seine Agenten laufen; GitHub kontert mit Canvases, um agentische Workflows steuerbar zu machen statt sie im Chat zu verlieren; und Replit ergänzt Black-Box-Pen-Tests, damit sein eigener Agent das, was er erkennt, per Klick beheben kann. In allen drei Fällen ist das Ziel dasselbe: Agenten direkten und sicheren Zugriff auf den Lebenszyklus von Code zu geben, nicht nur auf dessen Generierung.

Die Kosten der Inferenz sinken weiter schneller, als die Fähigkeiten steigen. DeepSeek V4 Pro verarbeitet DeepSWE 35-mal günstiger als GPT-5.6 Sol, Yutori Navigator läuft 4- bis 5-mal günstiger als die Referenzmodelle, und GPT-5.6 Sol selbst verbessert sich bei ARC-AGI-3 um 13,3 % bis 38,3 %, während es 6-mal weniger Tokens verbraucht — in derselben Woche, in der Tri Dao auf der ICML betont, dass offene Modelle die Qualitätslücke in wenigen Monaten schließen. Der GPU-Allocator unter Restriktionen von Dharma-AI fügt eine ergänzende Dimension hinzu: Ein Teil dieser Gewinne kommt nicht mehr vom Modell, sondern von der Planung der Cluster selbst.

Schließlich wird technische Strenge wieder zu einem eigenständigen Kommunikationsargument. GitHub vervielfacht seinen Code-Suchdurchsatz um das 15-Fache, indem es Code entfernt statt hinzufügt, und OpenAI beschreibt im Detail, wie ein Sicherheitsaudit mit GPT-5.6 Sol in einer Stunde 13 echte Schwachstellen behoben hat — zwei unterschiedliche Wege, anhand von Zahlen zu zeigen, dass detaillierte Ingenieursarbeit weiterhin das ist, was eine Produktankündigung von einem Kompetenznachweis unterscheidet.