Nelson Chu, Gründer und CEO von ARCOS Labs – Interviewreihe

Nelson Chu, Gründer und CEO von ARCOS Labs, ist ein Serienunternehmer und Technologie‑Executive mit einem Hintergrund, der Finanzinfrastruktur, Investitionen und digitale Plattformen umfasst. Bevor er ARCOS Labs gründete, verbrachte er acht Jahre als Gründer und CEO von Percent, wo er eine Technologieplattform aufbaute, die darauf abzielte, den Privatkreditmarkt zu modernisieren, und ist heute Vorsitzender des Vorstands. Früher in seiner Laufbahn gründete Chu MySupport, eine Online‑Plattform, die Senioren und Menschen mit Behinderungen mit Betreuungskräften verbindet und später von RISE Services übernommen wurde, und gründete die strategische Beratungsfirma Lumenary. Außerdem war er Berater und Investor für Unternehmen wie BlockFi und Recharge Capital, nachdem er seine Karriere im Finanzdienstleistungssektor mit Positionen bei BlackRock, Bank of America und Merrill Lynch begann.

ARCOS Labs, kurz für Applied Research in Creative Output Synthesis, entwickelt Infrastruktur, die KI dabei hilft, verantwortungsbewusst zu arbeiten, da generative Modelle zunehmend mit urheberrechtlich geschützten Werken, Charakteren und menschlichen Ähnlichkeiten interagieren. Das Unternehmen konzentriert sich auf forensische IP‑Intelligenz und Rechte‑Management, mit Technologie, die darauf abzielt, zu erkennen und zu messen, wie kreative Assets von KI reproduziert werden, ihre Nutzung nachzuverfolgen und Lizenz‑ sowie Durchsetzungsrahmen zu unterstützen. Die Flaggschiff‑Plattform VN soll Schöpfern, Studios, Talentagenturen und Rechteinhabern mehr Sichtbarkeit und Kontrolle darüber geben, wie KI‑Systeme ihr geistiges Eigentum nutzen, während ARCOS auch hinter Lightbar steht, einer Crowdsourcing‑Initiative zur Untersuchung von KI‑Trainingsmodellen. Das Unternehmen trat im August 2026 öffentlich aus der Geheimhaltung hervor mit dem übergeordneten Ziel, das Vertrauen und die Rechte‑Infrastruktur aufzubauen, die nötig ist, damit Schöpfer und KI‑Systeme im großen Maßstab koexistieren können.

Sie haben acht Jahre damit verbracht, Percent um die Infrastruktur herum aufzubauen, die nötig ist, um Effizienz und Transparenz in einen fragmentierten Privatkreditmarkt zu bringen. Welche Lehren aus dem Aufbau dieser Art von Finanzinfrastruktur wenden Sie jetzt bei ARCOS Labs an, während Sie das sehr unterschiedliche Problem des geistigen Eigentums und des Rechte‑Managements im Zeitalter generativer KI angehen?

Vieles lässt sich übertragen. Als wir Percent starteten, war der Privatkreditmarkt fragmentiert und undurchsichtig. Jeder Deal wurde anders beschrieben, sodass nichts verlässlich verglichen oder bepreist werden konnte. Die erste Lehre ist, dass Standardisierung vor dem Marktplatz kommen muss. Wir verbrachten Jahre mit der unspektakulären Infrastruktur, die es ermöglichte, einen Deal jedes Mal gleich zu beschreiben und zu verifizieren, und erst danach entstanden effiziente Transaktionen. Das geistige Eigentum im Zeitalter generativer KI hat dasselbe Problem. Es gibt keinen standardisierten Datensatz darüber, was ein Asset ist und wem es gehört, geschweige denn, wie diese Modelle es nutzen. Solange dieser Datensatz nicht existiert, bleibt alles nachgelagert ad‑hoc, sei es Durchsetzung oder Lizenzierung.

Die zweite Lehre ist, dass Vertrauen auf Verifizierung beruht. Investoren im Privatkredit haben nie das Wort des Emittenten über die Performance eines Deals akzeptiert. Sie wollten Daten, die sie selbst prüfen konnten. Rechteinhaber befinden sich heute in derselben Lage gegenüber KI‑Unternehmen. Zusicherungen zu Schutzmechanismen haben wenig Gewicht. Beweise, die unabhängig reproduzierbar sind, verändern das Gespräch.

Die dritte Lehre betrifft Anreize. Jeder fragmentierte „Huhn‑und‑Ei“-Markt funktioniert nur, wenn beide Seiten überzeugt sind, dass die Lösung ihnen nützt. Bei Percent beobachteten wir Versuche, das Problem nur für die eine Seite zu lösen, und das hielt nicht stand. Im Bereich IP und Rechte‑Management sind die Anreize derzeit stark missaligned. Modell‑Unternehmen wollen wachsen, ihren Kunden wertvolle Werkzeuge bieten und manchmal urheberrechtsverletzenden Content als Marketing‑Taktik erzeugen, wobei Sora und ByteDance jüngste Beispiele sind. Rechteinhaber hingegen versuchen, mit Veränderungen Schritt zu halten, die sie nicht einmal voraussehen können, und gleichzeitig relevant zu bleiben in einer Ära, in der die Content‑Produktion dramatisch einfacher geworden ist. Die Infrastruktur, die in einem solchen Markt gewinnt, ist die, der beide Seiten vertrauen können, was meist bedeutet, dass sie nicht selbst Teil der Transaktion ist.

Der übergeordnete Bogen ist ebenfalls vertraut. Privatkredit wurde zu einer Mainstream‑Asset‑Klasse, sobald die Infrastruktur zu seiner Messung existierte, und ich glaube, dass IP am Beginn derselben Transition steht.

Was hat Sie davon überzeugt, dass der Schutz kreativer Arbeiten vor generativer KI eine neue technische Infrastrukturschicht erfordert, anstatt primär besserer Urheberrechtsgesetze, Content‑Moderationsrichtlinien oder Wasserzeichen?

Grundsätzlich sind die Modelle eine technologische Lösung, und wenn man Kreativität vor den Modellen schützen will, ist eine technische Lösung erforderlich. Das Urheberrecht bleibt vage, was in Fällen wie Cox, Anthropic und auch in dem, was in Deutschland mit der GEMA geschieht, deutlich wird. Das Konzept der Fair‑Use‑Doktrin ist noch offen und wurde noch nicht entschieden; Gerichte werden, wie es sein sollte, lange brauchen, um zu urteilen. Content‑Moderation setzt darauf, dass die Modelle sich selbst moderieren, was angesichts unserer Beobachtungen kaum machbar ist. Wasserzeichen sind eine vielversprechende Idee, hängen jedoch davon ab, dass Menschen sich selbst kontrollieren, und lassen sich leicht entfernen. Vor diesem Hintergrund wussten wir, dass der einzige wirkliche Weg darin besteht, es selbst zu tun und mit Technologie eine Antwort auf dieses sehr reale und bedeutende Problem zu liefern.

VN ist darauf ausgelegt, zu messen, wie stark KI‑generierter Inhalt geschützte Charaktere, kreative Werke und menschliche Ähnlichkeiten nachahmt. Auf technischer Ebene, wie bestimmt das System, wann ein Output von bloßer Ähnlichkeit zu etwas übergeht, das einen Rechteinhaber beunruhigen sollte?

Letztlich überlassen wir die Entscheidung dem Nutzer. Unsere Aufgabe ist es, zu bestimmen, wie statistisch ähnlich das Ergebnis ist, indem wir jede Pose und Möglichkeit erfassen und dann mit dem geschützten Charakter, dem kreativen Werk oder der menschlichen Ähnlichkeit vergleichen. Einige Nutzer haben eine Schwelle, unterhalb derer sie das Werk nicht veröffentlichen dürfen. Größere Unternehmen sind in der Regel strenger, weil sämtlicher produzierte Inhalt ihr Eigentum sein muss. Prosumer‑Nutzer, die aus Spaß experimentieren, können eine höhere Schwelle akzeptieren und mehr Variationen zulassen.

Bei forensischen Tests für ein Studio, eine Talentagentur oder einen ähnlichen Kunden liefern wir eine Exposure‑Analyse:

• Welche Modelle den Inhalt am genauesten erzeugen
• Welche Modelle ihn überhaupt erzeugen können
• Welche Modelle ihn in problematische Situationen bringen könnten

Letztlich ist es unsere Aufgabe, die Analyse durchzuführen und die Ergebnisse bereitzustellen, aber wie der Kunde sie nutzt, liegt vollständig in seiner Entscheidung.

Ihre Tests von Seedance 2.5 zeigten deutlich stärkere Schutzmaßnahmen bei erkennbaren Charakteren als bei weniger prominenten geistigen Eigentumsrechten. Was sagt uns diese Diskrepanz darüber, wie KI‑Unternehmen derzeit ihre Urheberrechtsschutzmaßnahmen aufbauen, und warum ist Long‑Tail‑IP besonders schwer zu schützen?

Jedes KI‑Unternehmen ist anders, und jedes legt je nach Ausmaß unterschiedliche Priorität auf dieses Thema. Als Seedance 2.0 Anfang dieses Jahres veröffentlicht wurde, erkannte ByteDance schnell das Problem, das sie selbst geschaffen hatten, und begann, ihre Schutzmaßnahmen zu verbessern. Einige bekannte, populäre Modelle scheinen gleichgültig zu sein, sei es aus Wahl oder aus Versehen, aber das Respektieren von geistigem Eigentum wird niemals als Fehler angesehen; sie haben lediglich noch nicht zu diesem Schluss gefunden.

Den Long‑Tail zu schützen ist schwierig wegen der Funktionsweise der Technologie:

Prompt‑Ebene‑Prüfungen: Den Eingabe‑Prompt auf rechtsverletzende Inhalte prüfen und dem Modell erlauben zu entscheiden, ob es fortfährt. Leider gibt es selbst bei der Prüfung des Prompts viele Umgehungsmöglichkeiten. Sie können ihn leicht umformulieren, den Charakter beschreiben, ohne ihn zu benennen, oder Tippfehler verwenden. Prompts können Detektoren leicht umgehen, und Modelle können zudem Halluzinationen erzeugen, die vom Prompt des Nutzers abweichen und einen rechtsverletzenden Charakter enthalten.

Output‑Analyse‑Prüfungen: Jeden Output gegen eine Datenbank bekannter Charaktere scannen. Erkennbare Charaktere lösen höhere Empfindlichkeit aus, während Long‑Tail‑Charaktere übersehen werden können, weil sie nur auf DVD erschienen sind und die Datenbank sie nicht enthält; daher ist eine umfassende Überwachung unvermeidlich schwierig.

Geschwindigkeit spielt ebenfalls eine Rolle. Bei Bild‑Generierungsmodellen ist das Prüfen eines einzelnen Bildes relativ schnell. Die Video‑Generierung erfordert jedoch das Scannen vieler Frames, was die Ausgabe erheblich verlangsamen und die Nutzererfahrung beeinträchtigen kann.

Das Ausbalancieren dieser Bedenken ist heikel, aber einige Modelle haben sich bemüht, dafür Lösungen zu finden. Letztlich hängt es davon ab, ob ein Modell bereit und interessiert ist, geistiges Eigentum zu respektieren.

Ein Modell kann eine direkte Anfrage zur Erzeugung eines urheberrechtlich geschützten Charakters ablehnen, aber diesen Charakter dennoch reproduzieren, wenn ihm eine ausreichend detaillierte Beschreibung gegeben wird. Wie sollte das KI‑Sicherheitstesten über einfache Ablehnungsraten von Prompts hinausgehen, um diese Art indirekter Reproduktion zu identifizieren?

Das ist ein eindeutiges Problem. Wenn ein Modell einen Charakter aus einer detaillierten oder sogar sehr einfachen Beschreibung reproduzieren kann, zeigt das, dass der Charakter tief in den Trainingsdaten verankert ist. Das wirft eine völlig separate Frage zur Datenerhebung auf, die derzeit vor Gericht verhandelt wird.

Sicherheitstests müssen über die Prüfung von Prompts hinausgehen und die tatsächlichen Outputs analysieren. Die Modelle erzeugen Bilder mittels Diffusion und bauen schrittweise eine Vision des Ergebnisses auf. Durch diesen Prozess und die Trainingsweise können sie unbeabsichtigt urheberrechtlich geschützte Charaktere reproduzieren, sowohl im Vordergrund als auch im Hintergrund, und manchmal sogar ohne Prompt. Der einzige verlässliche Weg, dies zu erkennen, besteht darin, das Modell direkt zu testen und zu messen, was es tatsächlich erzeugt.

Die Ähnlichkeitsdetektion wirft zwangsläufig Fragen zu Fehlalarmen auf. Wie unterscheiden Sie zwischen legitimen kreativen Einflüssen, zufälliger Ähnlichkeit und einer Reproduktion, die statistisch signifikant genug ist, damit ein Studio oder Rechteinhaber sie untersucht?

Diese Arbeit erfordert kontinuierliche Verfeinerung. Die genaueste visuelle Ähnlichkeit, die ein Mensch sofort erkennen kann, sollte als Ausgangspunkt dienen, und das lässt sich heute gut umsetzen. Sobald man jedoch in synthetische Kreationen oder Stilfragen einsteigt, wird es deutlich schwieriger, dies zu beweisen und durchzusetzen.

Nehmen wir Superman als Beispiel. Wenn ein Modell einen generischen Superman mit den Augen von Christopher Reeve, dem Kinn von Henry Cavill, den Wangenknochen eines anderen Schauspielers usw. erschafft, ergeben diese Merkmale einen Superman, der extrem schwer rückzuentwickeln und zurückzuverfolgen ist, woher die einzelnen Elemente stammen.

Zwei Dinge halten Fehlalarme in Schach. Erstens verlassen wir uns niemals auf eine einzelne Ähnlichkeitszahl isoliert. Die Ergebnisse werden benchmarked, sodass generische Ähnlichkeit von tatsächlicher Reproduktion getrennt werden kann, und jeder Test ist reproduzierbar: dieselben Eingaben unter denselben Bedingungen ergeben dieselben Zahlen. Zweitens wird die Analyse an den rechtlichen Fragen ausgerichtet, die ein Rechteinhaber tatsächlich beantworten muss. Bei Charakteren und kreativen Werken lautet die Frage nach wesentlicher Ähnlichkeit. Bei Marken und Ähnlichkeiten geht es um die Verwechslungsgefahr, also ob ein durchschnittlicher Betrachter glauben würde, das Ergebnis sei das Original. Unsere Aufgabe ist es, hinter diesen Fragen eine verteidigbare, wiederholbare Kennzahl zu setzen. Ob etwas das Niveau einer Untersuchung erreicht, liegt stets im Ermessen des Rechteinhabers.

Generative Modelle verändern sich schnell und können sich nach einem Update stark anders verhalten. Wie können Rechteinhaber kontinuierlich Hunderte von Modellen und potenziell Tausende von geschützten Assets bewerten, ohne dass der Überwachungsprozess unverhältnismäßig teuer oder technisch unüberschaubar wird?

Das ist fast unmöglich, weshalb IP‑Inhaber zurückfallen und kaum mit den neuesten Modellen aus den USA und Asien Schritt halten können.

Realistisch benötigen sie jemanden in ihrem Lager, der das Tempo halten und in ihrem Namen kämpfen kann. Deshalb haben wir angefangen. Wir erkannten, dass diese Studios ein Technologieunternehmen benötigen, das mit der Geschwindigkeit dieser Generierungsmodelle mithalten kann, und niemand sonst trat dafür auf.

Die andere Hälfte der Antwort ist die Dokumentation. Ein Modell kann nach einem Update völlig anders reagieren, sodass ein Score, der nicht an einen Zeitpunkt gebunden ist, wertlos ist. Jeder von uns erzeugte Ergebnis protokolliert, welches Modell getestet wurde, wann es getestet wurde, gegen welches geschützte Asset es getestet wurde und welche Zahlen erzielt wurden. Das verwandelt die Überwachung von einem unmöglichen Dauer‑On‑Problem in ein handhabbares: Wenn ein Modell aktualisiert wird, testet man erneut und vergleicht mit dem bestehenden Datensatz, anstatt von vorne zu beginnen.

Erkennung löst nur einen Teil des Problems. Sobald ein System feststellt, dass ein KI‑Modell einen geschützten Charakter oder eine Ähnlichkeit reproduzieren kann, was sollte als Nächstes geschehen, und welche technischen Mechanismen könnten es schließlich ermöglichen, dass Schöpfer festlegen, ob ihr IP blockiert, lizenziert oder unter bestimmten Bedingungen genutzt werden darf?

Es gibt sowohl rechtliche als auch technische Dimensionen. Rechtlich entscheidet der IP‑Inhaber, wie er vorgehen will. Er kann die von uns bereitgestellten Beweise als Grundlage für eine Klage nutzen oder sie in Verhandlungen mit den Modell‑Entwicklern einsetzen. Die Entscheidung liegt bei ihm.

Technisch sollte ein Rechteinhaber in der Lage sein, bestimmten Modellen, die sein Produkt oder IP erzeugen könnten, zuzustimmen und sich dafür zu entscheiden. Er sollte die Ausgabe kontrollieren können, um ein Freifeld‑Szenario zu verhindern. Anstatt zu restriktiven Schutzmechanismen gezwungen zu werden, sollte er jede Generation zu vorab festgelegten Bedingungen monetarisieren können. Das spiegelt Praktiken in anderen Branchen wider und sollte hier ebenso gelten.

Könnte dieselbe Infrastruktur, die zur Erkennung unautorisierter KI‑Nutzung dient, letztlich einen legitimen Lizenz‑Marktplatz ermöglichen, auf dem KI‑Systeme programmatisch bestimmen können, wem ein Asset gehört, welche Berechtigungen verfügbar sind und wie die Vergütung an den Rechteinhaber zurückfließen sollte?

Wenn die Infrastruktur feststellen kann, ob ein KI‑generierter Output einem IP entspricht, sollte sie letztlich auch die Lizenzierung regeln. Sie kann erkennen, welches IP im generierten Output steckt, wer der Rechteinhaber ist, ob er dafür genannt werden sollte, und letztlich die Vergütung darüber fließen lassen. Die Technologie ist im Kern dieselbe. Es ist ein Fidelity‑Engine, die verifizierbare, reproduzierbare statistische Evidenz liefert. Wenn ein Output die Schwelle überschreitet, bei der ein Betrachter ihn plausibel für das Original halten könnte, hat der Rechteinhaber Anspruch auf Vergütung.

Die einzige Bedingung ist, dass der Betreiber dieser Schicht neutral bleiben muss. Er darf selbst keinen Content generieren und darf in keinem Einzelfall Partei ergreifen. Seine Aufgabe ist es, beiden Seiten denselben vertrauenswürdigen Datensatz zu liefern und ihnen zu ermöglichen, direkt zu transagieren. Diese Neutralität ist der Grund, warum Rechteinhaber bereit wären, ihre Kataloge dort zu registrieren.

Da KI‑generierte Videos die Qualität und Konsistenz erreichen, die für professionelle Produktionen nötig sind, wie denken Sie, wird die Beziehung zwischen KI‑Unternehmen und Hollywood letztlich aussehen? Erwarten Sie, dass das Rechte‑Management zu einer externen Verifikationsschicht um Modelle wird, oder dass es schließlich direkt in die Modelle selbst eingebettet sein muss?

Es ist eine interessante Welt, in die wir eintreten, da KI‑Unternehmen die Content‑Produktion deutlich günstiger gemacht haben als je zuvor. Dadurch können wir mit einer Flut an Inhalten rechnen, manche gut, manche schlecht, manche geschmackvoll, manche nicht. Hollywood hat sich traditionell als Schiedsrichter des Geschmacks gesehen, der Werke schafft, die Menschen lieben und in die sie sich verlieben. KI bietet nun das mächtigste Werkzeug für Geschichtenerzähler.

Zum zweiten Teil der Frage denke ich, dass die ehrliche Antwort beides ist, nacheinander. Die Durchsetzungsprüfungen werden wahrscheinlich im Laufe der Zeit in die Modelle selbst verlagert, weil sie dort am günstigsten und schnellsten durchführbar sind. Die Referenzschicht, also der Datensatz dessen, was existiert, wem es gehört und zu welchen Bedingungen es genutzt werden kann, muss jedoch unabhängig bleiben, ebenso die Verifizierung. Ein Modell‑Unternehmen kann nicht seine eigenen Outputs bewerten, und Rechteinhaber werden ihre Kataloge nicht an ein Unternehmen übergeben, dessen Geschäft darin besteht, Derivate daraus zu erzeugen. Das ist vergleichbar mit den Finanzmärkten, wo Unternehmen die Compliance intern durchführen, aber dennoch externen Prüfern gegenüberstehen.

Rechte‑Management wird stattfinden, wenn Hollywood und KI‑Unternehmen zusammenkommen, um zu entscheiden, wie sie koexistieren wollen. Am Ende ist ihr Ziel dasselbe: neue Inhalte zu schaffen, die die Menschen lieben. Es muss nur auf die richtige Weise geschehen.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten ARCOS Labs besuchen.