Im Rahmen der Einführung von iOS 26.4 hat Apple auch eine Funktion freigegeben, die den Überblick über die Verwendung der iPhone-Datenweitergabefunktion verbessert. Mit dem sogenannten persönlichen Hotspot lässt sich das Datenvolumen von Apple-Handys per WLAN an andere Geräte verteilen, seien es nun iPhones, Android-Geräte, Macs oder iPads. Das neue Feature sorgt dafür, dass man direkt sehen kann, welches Gerät wie viele M- oder GBytes verbraucht hat – statt nur eine Gesamtsumme wie bislang. Allerdings hängt die Genauigkeit der Anzeige bei Apple-Geräten davon ab, welche Software auf der versorgten Hardware läuft.

Bessere Übersicht, schneller zu finden

Die Infos zum persönlichen Hotspot findet man direkt vom ersten Einstellungsbildschirm aus: Sie sind unter „Mobilfunk“ angeordnet (wo sie zuvor nur einen Teilbereich darstellten). Wartet man kurz, taucht dann auch gleich der Datenverbrauch auf, der unter „Kompatibilität maximieren“ angeordnet wurde, einer Funktion die dazu dient, auch ältere WLAN-Geräte einbinden zu können.

Neu ist nun, dass Apple versucht, die Hotspot-Verwendung einzelnen Geräten zuzuordnen. Diese werden dann auch mit Namen und jeweiligem Verbrauch genannt. Wie bereits zuvor gibt es auch eine Zahl für den Gesamtdatenverbrauch, die bereits im Hotspot-Hauptbildschirm auftaucht. Geräte mit Android-Betriebssystemen, Windows-PCs sowie Macs mit macOS 15.3 oder älter sowie iPhones und iPads mit iOS und iPadOS 18.3 oder älter werden nicht einzeln aufgeführt, landen bei „sonstige Geräte“.

Die Endabrechnung macht der Provider

Im direkten Versuch war die neue Funktion allerdings zunächst noch nicht sehr zuverlässig. So wurden Geräte trotz passendem Betriebssystem nicht unterschieden beziehungsweise ihr Name nicht übertragen. Möglicherweise benötigt das System hier mehr Daten.

Apple schreibt zudem, dass man sich auf die Verbrauchsanzeige nur teilweise verlassen kann: Letztlich sei der Mobilfunkanbieter die Instanz, die die Endabrechnung durchführt. Daher ist es sinnvoll, bei intensiver Hotspot-Nutzung ohne Flatrate immer in der jeweiligen App oder auf der jeweiligen Website des Netzbetreibers nachzusehen, ob man sich noch im Rahmen seines Limits befindet.

(bsc)

Erstmals ist es für Laien dank KI-Modellen wie ChatGPT möglich, allein durch einfache Textbefehle anatomisch plausible, KI-generierte Röntgenbilder zu erstellen. Was in der medizinischen Ausbildung zur Simulation seltener Krankheiten nützlich sein könnte, birgt laut Forschern enorme Risiken für Missbrauch wie Versicherungsbetrug, juristische Auseinandersetzungen oder die gezielte Manipulation von Forschungsdaten.

Wissenschaftler des Mount Sinai Hospital in New York haben untersucht, wie gut 17 erfahrene Radiologen aus sechs Ländern und verschiedene aktuelle KI-Modelle darin sind, „Deepfakes“ von Röntgenbildern zu erkennen. Die Ergebnisse zeigen eine besorgniserregende Problematik auf.

Versuchsaufbau mit Test für Mensch und Maschine

Die Forscher nutzten für ihre Untersuchung zwei Datensätze. Der erste bestand aus 154 Röntgenbildern, die verschiedene Körperregionen wie Brustkorb, Wirbelsäule, Arme und Beine abdeckten. Bei der Hälfte der Bilder handelte es sich jedoch nicht um echte Röntgenaufnahmen, sondern um KI-Bilder, die von GPT-4o erstellt wurden. Der zweite Datensatz enthielt spezifische Brustkorb-Aufnahmen eines spezialisierten KI-Modells für die Generierung medizinischer Bilder.

Die Studie lief in drei Phasen ab:

1. Blindphase: Die Radiologen sollten die technische Qualität bewerten und Diagnosen stellen. Sie wurden hierbei nicht informiert, dass KI-Bilder enthalten waren.
2. Identifikationsphase: Nachdem die Ärzte über die Deepfakes informiert wurden, mussten sie entscheiden, welche Bilder echt und welche KI-generiert waren.
3. KI-Vergleich: Vier führende KI-Modelle (GPT-4o, GPT-5, Gemini 2.5 Pro und Llama 4 Maverick) wurden ebenfalls getestet, ob sie erkennen konnten, welche Bilder echt und welche KI-generiert waren.

Schwierigkeiten bei der Erkennung KI-generierter Röntgenbilder

Die Treffsicherheit bei der Erkennung von KI-generierten Röntgenbildern war überraschend gering und hing nicht von der Berufserfahrung der Mediziner ab.

In der Blindphase äußerten lediglich 41 Prozent der Radiologen (7 von 17) spontan Verdacht, dass sich KI-generierte Bilder im Datensatz befinden könnten. Die restlichen Experten hielten die Deepfakes für authentische klinische Fälle. Aber auch in der Identifikationsphase (nachdem die Radiologen explizit aufgefordert wurden, nach KI-Fälschungen zu suchen), lag ihre durchschnittliche Genauigkeit bei nur etwa 75 Prozent. Das bedeutet, dass jedes vierte Bild falsch beurteilt wurde.

Interessanterweise schnitten auch erfahrene Radiologen mit bis zu 40 Dienstjahren nicht signifikant besser ab als Assistenzärzte. Die Fähigkeit, Deepfakes zu erkennen, scheint eine völlig neue Kompetenz zu sein, die nicht durch klassische klinische Erfahrung erworben wird.

Auch führende KI-Modelle scheitern

Ähnliche Schwierigkeiten in der Unterscheidung KI-generierter Röntgenbilder von echten Aufnahmen hatten auch KI-Modelle selbst. Keines der getesteten Modelle war in der Lage, die synthetischen Bilder zuverlässig zu erkennen.

Während die OpenAI-Modelle jedoch zumindest eine Genauigkeit von etwa 83 bis 85 Prozent erreichten, waren Googles Gemini 2.5 Pro und Metas Llama 4 Maverick deutlich schlechter und erzielten Werte zwischen 56 und 59 Prozent (was kaum besser ist als reines Raten). Auch GPT-4o, welches ja verwendet wurde, um die synthetischen Bilder zu erstellen, konnte diese nicht zuverlässig von echten Aufnahmen unterscheiden.

Hinweise auf KI-Generierung

Trotz der hohen Qualität der Deepfakes gibt es laut der Studie aber bestimmte Merkmale, die auf eine KI-Generierung hindeuten. So wirken Knochenstrukturen oft übermäßig glatt und haben nicht die feinen, unregelmäßigen Texturen, die im echten biologischen Gewebe vorkommen. Ein weiterer technischer Hinweis findet sich auch darin, wie „verrauscht“ die Röntgenaufnahme ist. Während das übliche Bildrauschen bei echten Aufnahmen aufgrund der physikalischen Eigenschaften der Strahlung unregelmäßig ist, wirkt das Körnungsmuster der KI oft unnatürlich gleichmäßig über das gesamte Bild verteilt. Zudem scheitern die KI-Modelle teils an anatomischen Feinheiten. Subtile Details wie die Schatten von Nagelbetten an den Fingern oder die feinen Gefäßverläufe in der Lunge werden von der KI oft unterschlagen oder falsch dargestellt, was ein Hinweis auf eine Manipulation sein kann.

Die Autoren warnen davor, dass die technische Hürde für die Erstellung täuschend echter medizinischer Bilder massiv gesunken ist. Wie sie schreiben, reicht ein einfacher Textprompt heute aus, um einen Knochenbruch oder einen Tumor zu erfinden, der selbst Experten täuscht.

Um das Vertrauen in die digitale Radiologie zu sichern, empfehlen die Autoren der Studie eine mehrstufige Sicherheitsstrategie. Zum einen sollten spezielle Schulungen für Radiologinnen und Radiologen durchgeführt werden, um deren Blick gezielt für die subtilen Artefakte und Unstimmigkeiten KI-generierter Bilder zu schärfen. Zum anderen sehen die Experten die Einführung robuster technischer Schutzmaßnahmen als unumgänglich an, wobei digitale Signaturen, unsichtbare Wasserzeichen oder Blockchain-basierte Herkunftsnachweise die Authentizität medizinischer Aufnahmen garantieren sollen. Ergänzt werden sollten diese Ansätze durch die Entwicklung unabhängiger, automatisierter Detektoren, die mittels tiefgehender Pixelanalyse Deepfakes im klinischen Alltag eigenständig erkennen und verlässlich markieren können.

(mack)

Die Zulassungsstatistik ist eindeutig: Im Prestige-Duell der Premium-Mittelklasse-SUVs hat Mercedes-Benz seinen Mitbewerber BMW klar abgehängt. Mit dem neuen iX3 wollen die Münchener das Blatt aber wenden. Das markentypisch sportlich getrimmte Elektro-SUV trifft auf den ebenfalls rein elektrisch angetriebenen GLC EQ, der eine auf Komfort und Gediegenheit orientierte Kundschaft ansprechen soll. Einiges dürfte aber von den Unterhaltskosten abhängen, die wir für beide Elektroautos und die weiterhin erhältlichen Plug-in-Hybride analysiert haben.

In den vergangenen Jahren war das Ergebnis zumindest in Deutschland eindeutig: Zwischen 2020 und 2025 konnte Mercedes fast 207.000 Erstzulassungen für den GLC verzeichnen, bei BMW reichte es für rund 153.000. Ob sich daran etwas ändert, dürfte auch von der Preisgestaltung abhängen. Die Mitte April 2026 einzigen beiden erhältlichen Varianten schlagen mit 70.900 Euro (BMW iX3 50 xDrive) und 71.281 Euro (Mercedes-Benz GLC 400 4Matic) zu Buche. Auch wenn Mercedes den ersten Nachlass schon im Konfigurator einräumt: Das ist viel Geld für SUVs der 4,8-Meter-Klasse, allerdings handelt es sich auch um die – vorläufigen – Topvarianten. Mit dem iX3 40 hat BMW für 63.400 Euro hat BMW bereits eine günstigere Konfiguration konkret angekündigt, bei Mercedes fehlt eine solche noch.

Entsprechend beschränken wir uns im Kostenvergleich auf die Topmodelle der beiden Elektroautos. Ihnen stellen wir insgesamt drei Plug-in-Hybride (PHEV) gegenüber: den BMW X3 30e xDrive (66.900 Euro) sowie die beiden Mercedes-SUVs GLC 300 e (68.889,10 Euro) und GLC 300 de (70.436,10 Euro). Die Besonderheit des 300 de: Mercedes bietet mit ihm weiterhin einen PHEV an, in dem ein Dieselmotor als Verbrenner dient. Ein Konzept, von dem sich andere Hersteller, die das jemals anboten, wieder verabschiedet haben und das Auswirkungen auf die Unterhaltskosten hat. Für diese greifen wir unter anderem auf die Ausgaben für Kfz-Versicherung und -steuern, Wartung und Verschleiß, Fahrenergie sowie den Wertverlust zurück. Als Ausgangspunkt dienen dabei vier Szenarien mit drei und fünf Jahren Laufzeit sowie 10.000 und 15.000 km pro Jahr.

Das war die Leseprobe unseres heise-Plus-Artikels „Elektro-SUVs und Hybride im Vergleich: Das kosten BMW iX3 und Mercedes-Benz GLC“.
Mit einem heise-Plus-Abo können Sie den ganzen Artikel lesen.