Think Different. Think AI. Archiv

Diesmal sitzen Mark und Jens nicht über Riverside zusammen, sondern in Karlsruhe am selben Tisch, draußen, mit Burger und Radler. Der Anlass ist eine verlorene Wette. In der vorigen Folge hatte Mark über Metas kleines Gerät für den Schlüsselbund gelacht und versprochen, Jens zum Essen einzuladen, falls darüber bis Weihnachten noch jemand redet. Es hat keine zwei Wochen gedauert. Jens erklärt, was Metas Assistent Muse heute schon kann, auch wenn er bisher nur in den USA und in Kanada verfügbar ist. Muse bekommt eine eigene E-Mail-Adresse und ist auch über WhatsApp erreichbar. Man schickt ihm also Dinge so, wie man sie Freunden schickt, über die normale Teilen-Funktion. Er läuft in der Cloud weiter, wenn der Rechner aus ist, und bringt zum Start rund 1.500 Integrationen mit, Expedia etwa, sodass er auch eine Reise buchen kann. Jens hält es für einen geschickten Zug, die KI aus der Welt der Modellnummern zu holen. Während man bei anderen Anbietern ständig über Versionen redet, bleibt Muse einfach Muse, und die Modelle dahinter dürfen wechseln. Mark rudert an einer Stelle zurück. Den spielerischen Teil findet er weiter albern, die Personifizierung aber nicht. Ein System, das auf Sprache ausgelegt ist statt auf ein Textfeld, verhält sich anders. Das kennt er aus dem eigenen Harness in der Firma: Wer per Sprache arbeitet, bekommt keine Tabellen vorgelesen. Dazu kommt der Fingerabdrucksensor am Gerät, der Käufe bestätigen kann und die Aufnahme erst startet, wenn man ihn berührt. Jens findet das geschickter gelöst als bei Geräten, die versehentlich mithören. Dann wird es verspielt. Füttern heißt beim Tamagotchi von heute vermutlich Abo, und ein Begleiter, der um Aufmerksamkeit kämpft, wird jammern, wenn man ihn liegen lässt. Was passiert, wenn zwei dieser Figuren mit eigener Persönlichkeit nebeneinander liegen? Mark sieht schon die Szene wie aus Toy Story: der Piraten-Muse, der den Feen-Muse über ein Lineal auf die Planke schickt. Jens beobachtet in seinen Feeds, wie viele Leute gerade eigene kleine Geräte mit Avataren bauen. Für ihn ist die Wette damit dreifach gewonnen. Der zweite Teil gilt OpenAIs Dots, kleinen Figuren, die auf dem Rechner leben und für einzelne Aufgaben entstehen, für eine Fehlermeldung, eine Mail, eine Excel-Datei. Mark erzählt von einer Vorführung am selben Morgen, bei der ein kleiner Avatar während einer Präsentation auf die Folie zeigte, über die gerade gesprochen wurde. Viele kleine Agenten auf dem Bildschirm hält er weiter für einen Fehler, ein orchestrierender Agent sei besser. Die zeigende, unterstützende Funktion aber sei echte Hilfe und keine Spielerei. Jens ordnet das historisch ein. Der Personal Computer war schon der persönliche Zugang zu den großen Rechnern, und die Science-Fiction hatte ihre Assistenten längst: Bit aus Tron, der nur Ja und Nein sagen konnte, Professor Simon bei Captain Future, die Sprachsteuerung bei Star Trek, Data. Und Karl Klammer. Die Idee dahinter sei gut gewesen, nur die Umsetzung nicht. Marks Frage dazu: Wenn auf das komplizierte Word früher Karl Klammer die Antwort war, sind es heute Muse und Dots? Gutes Design lässt die Technik verschwinden, sagt Jens. Ob Text, Sprache oder eine Darstellung gerade passt, soll die KI entscheiden, und der Avatar hat die Chance, zum Hüter dieser Schicht zu werden, egal ob am Telefon, am Rechner oder vor einem großen Display. Mark hält dagegen, dass all das Tokens verbrennt, und fragt, ob Tokens am Ende eine Grundversorgung werden wie Strom, Gas und Wasser. Jens glaubt, dass Avatare erst einmal mehr Verbrauch bringen, weil sie mehr Menschen einen bequemeren Zugang zur KI geben, und dass Kosten und Verbrauch danach über lokale und schnellere Modelle sinken. Am Ende steht sein Bild vom virtuellen Freund, der recherchiert, bestellt, Entscheidungen vorbereitet und die Post vom Anwalt liest. Mark ergänzt die dunklere Fassung gleich mit. Zum Schluss stellt Mark fest, dass sie sich am selben Tisch weniger ins Wort gefallen sind als sonst. Er schiebt es auf Jens' Statur. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.

Firmen werfen 80 Prozent ihrer Leute raus, weil das jetzt die KI macht. Diese Meldung geht seit Monaten durch die Presse, und Alexander Heusingfeld möchte nachrechnen. Wer 80 Prozent entlässt, behauptet damit den Faktor fünf. Klarna hat den Schritt für den Kundenkontakt inzwischen wieder zurückgenommen. Und selbst wenn die Rechnung aufginge, bleibt Alex' eigentliche Frage offen: Woher will jemand vorher wissen, welche 20 Prozent das Skillset haben, der Maschine beizubringen, was am Ende herauskommen soll? Wer selbst noch nicht ausprobiert hat, was möglich ist, kann das nicht beurteilen. Mark dreht die Frage um. Statt „wen brauchen wir nicht mehr" interessiert ihn, was bisher liegen geblieben ist, weil nie jemand Zeit dafür hatte. Beide landen bei derselben Beobachtung: Regulatorik wie NIS-2 bleibt liegen, weil die Kapazität fehlt, teilweise sogar bei Behörden. Über jedes Stück stupide Arbeit, das eine Maschine übernimmt, kann man sich also erst einmal freuen. Die freigeräumte Zeit ist ein Invest, kein Einsparposten. Dann erzählt Mark, was an einem Wochenende passiert ist, an dem er eigentlich Schränke aufgebaut hat. Auf einem Mac Mini hinter dem Fernseher, ohne Skills, mit nichts als Zugriff auf seine alten Git-Projekte, hat ein Agent sich das Smart Home angesehen und vorgeschlagen, die Lautsprecher im ganzen Haus als Interface zu nehmen. Danach lief die Arbeit über Sprache, während Mark durchs Haus ging. Der Agent hat ein Jahre altes Projekt fertiggestellt, sich Xcode geholt, Bundle Identifier und Signierungszertifikate selbst gebaut und die App am Ende über TestFlight aufs Telefon geliefert. Mark musste nur ein paar Kennwörter eintippen. War das effizient? Er sagt selbst: mehrere Wochenlimits verbrannt, garantiert nicht. War es das wert? Absolut. Alex hält dagegen und stellt die zwei Fragen, um die es in der Folge geht. Was war der Harness, und welche Rahmenbedingungen hast du mitgegeben? Er selbst hat sich mit einem Agenten über AWS die Steuererklärung vorbereiten lassen: knapp 800 Belege, das Ziel „mindestens 80 Prozent einsortiert und formal richtig", vier Stunden Rechenzeit, 60 Euro. Zurück kam auch der Hinweis, wo der Steuerberater im Vorjahr etwas anders hätte abrechnen können. Aus dieser Erfahrung wird eine Metrik, die er für die brauchbarste hält: Verifikationsaufwand pro ausgelieferter Änderung. Sinkt sie, waren die Abnahmekriterien besser. Daraus werden drei Regeln. Nie eine einzelne Kennzahl, weil jede einzelne Zahl gegamed wird, sondern immer ein Faktor aus Kriterien und Rahmenbedingungen. Immer Gegenkennzahlen mitlaufen lassen, Change Fail Rate, das älteste Work in Progress, Developer Experience. Und niemals selbstberichtete Geschwindigkeit: Entwickler geben 25 Prozent Beschleunigung an, gemessen wurden bis zu 20 Prozent Verlangsamung, weil die Zeit in Reviews und Nachbesserungen zurückfließt. Mark ergänzt die Kette drumherum. Wenn einer drei Tage durchlaufen lässt, steht das Team vor einem Pull Request, der aussieht wie ein gefluteter Landstrich, das Backlog ist am dritten Tag eines Zweiwochensprints leer, und die Tester werden überrannt. Codekommentare, früher Pflicht, führen Agenten heute in die Irre, weil sie den Kommentar lesen statt der Routine. Und wer Generierung durch Agenten reviewen lässt, die wieder von Agenten kommentiert werden, verbrennt Tokens für das Gegenteil von Effizienz. Alex bringt dazu eine Untersuchung aus dem Flugzeugbau mit: 8,5 Prozent der Durchlaufzeit sind wertschöpfend, grob zwei Wochen Wartezeit pro Tag Arbeit. Die Antwort auf „effizienter werden durch KI" ist damit keine Werkzeugeinführung, sondern Flow und Governance. Oder in Alex' Bild: Erst klärt man, ob man Fußball spielt, danach wird das Spiel schnell. Zum Schluss lösen die beiden die Diktiergerät-Geschichte aus der letzten Folge auf, Mark verrät sein Setup, und Alex fasst zusammen. Wer KI nur als Werkzeug kauft, verkürzt einen Arbeitsschritt. Die Effizienz liegt in den Wartezeiten dazwischen. Das richtige Maß an Qualität entscheidet sich gegen die Anforderung, alles andere ist Informatiker-Romantik. Und Marks Zugabe für alle, die zögern: Wer nicht weiß, dass er scheitern könnte, probiert es gar nicht erst. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.

Mark steigt mit einer Warnung ein: Heute werde es langweilig, es gehe um Ja oder Nein, Rechnung oder Mahnung. Gemeint ist Klassifizierung, und die kennt er aus seinen ersten Programmierversuchen zu Zeiten von Turbo Pascal, als eine IF-Abfrage. Man hat Schirmchen, und man legt Dinge hinein, wenn sie bestimmten Kriterien entsprechen. Genau dieses alte Thema hat Mitte September ein Beben ausgelöst. Am 15. September hat die Firma TypeSafe AI ein Modell namens Jev vorgestellt. Es kann keine Texte schreiben, es trifft Entscheidungen. Mark hat das zuerst abgetan. Er stand auf dem Rückweg aus dem Büro in der Straßenbahn, dachte sich, ein Modell, das nicht reden kann, was soll das, und scrollte weiter durch TikTok. Dort ließ ihn das Thema nicht mehr los, weil immer mehr Leute darüber berichteten. Eine Anfrage an Jev besteht aus zwei Teilen: einem State und einer Question. Der State ist ein Satz, ein Absatz oder ein ganzer Text. Die Question zwingt das System zu einer eindeutigen Antwort. Drei Formen gibt es: die klassische Ja-Nein-Aussage, einen Score für Zustände wie Dringlichkeit oder Qualität, und eine Wahrscheinlichkeitsverteilung. Prompten kann man das Ding nicht. Jens fragt dazwischen, was der Vorteil sein soll, wo ein Sprachmodell die Mail doch gleich beantworten könnte. Marks Antwort läuft über die Beispiele. Eine Mail lässt sich einsortieren: Beschwerde, Reklamation, Mahnung. Ein Vertrag lässt sich nach Passagen durchsuchen statt nach Wörtern, etwa nach allem, was mit Konventionalstrafe zu tun hat, ohne jede Schreibvariante vorher zu kennen. Dazu kommen die Zahlen: TypeSafe nennt bis zu 200 Mal schnellere Verarbeitung, und bei 10.000 Support-Tickets standen 0,042 US-Dollar je Million Eingabe-Token gegen 0,2 US-Dollar beim Sprachmodell. Weil das Antwortschema feststeht, ist das System außerdem robuster gegen Halluzination. Irren kann es sich, erfinden kann es nichts. Dann kommt Marks Wochenende. Der Zugang war erst nicht zu bekommen, also hat er sich ein offenes Modell von Hugging Face genommen und ihm mit Apples neuem Framework Core AI, dem Nachfolger von Core ML, das Verhalten beigebracht: nur diese Fragen, nur eine Klassifizierung zurück. Gegen Jev selbst konnte er nicht antreten, gegen andere quelloffene Nachbauten schon, und weil das Framework so gut auf den Mac abgestimmt ist, war seine Lösung sechs- bis zwölfmal schneller. Schnell genug, dass sie Flappy Bird gespielt hat. Drücken oder nicht drücken, auf dem Handy, sofort nach dem Start. Mark beschreibt das als spooky, wie einem Film zuzusehen. Andere haben Tetris angeschlossen, wo die Sprachmodelle früh ausstiegen und die Klassifizierer sehr viel länger durchhielten, und jemand hat ein Browser-Framework damit erweitert, das seitdem schneller klickt, als die Seiten laden. Für Privatanwender, da ist Mark deutlich, ist das nichts. Es wird keinen Moment wie bei ChatGPT geben, keine Tagesschau, keinen Schulhof. Es wird in die Software wandern und einfach da sein, und was für den Menschen eine Suche ist, ist für das System eine Aneinanderreihung von tausend Klassifizierungen. Jens sieht die Wirkung im Zusammenspiel: Ein schnelles Modell entscheidet vorweg, ein großes wird nur noch gefragt, wenn es wirklich nötig ist. Beide landen bei Kahnemans schnellem und langsamem Denken. Genau deshalb heißt die Gattung bei TypeSafe System One. Und beide halten es für disruptiv, weil sich über Jahre gewachsene Regelwerke in großen IT-Systemen in solche Abfragen überführen lassen, ohne dass jemand über KI-Durchdringung reden muss. Im letzten Drittel geht es um Meta. Zuckerberg hat eine VR-Brille für rund 1.000 Euro gezeigt, neue KI-Brillen, den geräteübergreifenden Assistenten Muse und ein Gerät im Tamagotchi-Format für den Schlüsselbund, das im Dezember kommen soll. Mark hat sich darüber schlappgelacht und daraus eine Wette gemacht. Dazu Apples neue Funktionen für die Uhr, die den letzten Gesprächsfetzen wiedergeben und abends zusammenfassen, was am Tag gesprochen wurde. In der EU gibt es beides nicht. Marks Sorge gilt nicht dem Mithören allein, sondern dem Abstand, der entsteht, wenn hier über Jahre Funktionen fehlen, die anderswo Alltag sind. Jens hält dagegen: So schwarz sei das Bild nicht, in der Regulierung liege auch eine Chance. Zum Schluss stellt Jens fest, dass Marks Wette schon verloren war, als er sie einging. Das Gerät kommt ja in drei Monaten auf den Markt, es wird also berichtet werden. Einfacher Gewinn. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.

Wie behält man den Überblick, wenn jede Woche ein neues Modell erscheint? Jens lässt sich die Nachrichten inzwischen von mehreren Agenten kuratieren, vom Rechner zu Hause bis zu den Diensten der großen Anbieter, und merkt dabei, dass er selbst den Überblick über seine Newsagenten verliert. Die letzten zwei Wochen haben es nicht leichter gemacht. Anthropic hat die Datenaufbewahrung auf null Tage gesenkt, was den Einsatz im Unternehmen deutlich einfacher macht, und im selben Zug Fable 5.1 veröffentlicht. Kurz darauf kam OpenAI mit Astra. Jens ordnet Astra als das ein, was man GPT-6 nennen könnte. Er hat sich damit in einem Durchgang eine Webseite bauen lassen, die UX- und KI-Veranstaltungen in Deutschland sammelt und von vornherein auch für Agenten lesbar ist. Mark ist deutlich weiter gegangen und hat dafür bezahlt: dreimal das Wochenlimit zurückgesetzt, danach Guthaben nachgeladen, am Ende möglicherweise 2.000 Euro. Astra hat für ihn eine App vom Plan bis zu Apple gebracht, mit Projekt in App Store Connect, Signierungsprofilen, einer Ablehnung durch Apple und der Diskussion mit dem Support. Es bedient Office-Programme, schneidet Filme und hat aus einem Satellitenbild seines Hauses ein 3D-Modell in Blender gebaut, samt Angebot, es an den 3D-Drucker zu schicken. Mark fühlt sich dabei allmächtig und arm zugleich. Jens kommt mit der Perspektive des UX-Menschen dazu. Bei OpenAI wählt man inzwischen zwischen mehreren Modellen und sechs Aufwandsstufen, bei Anthropic sieht es ähnlich aus. Der Hinweis, höherer Aufwand bedeute gründlichere Antworten, schiebt die Verantwortung für ein schlechtes Ergebnis komplett zum Nutzer. Ob ein kleines Modell auf höchster Stufe besser antwortet als ein großes auf niedrigster, kann niemand sagen. Jens fordert Muster, die diese Entscheidung nicht mehr dem Menschen aufbürden. Dann die Zahlen, bei denen Mark erst an einen Fehler glaubte. Im Benchmark ARC-AGI-3 soll Astra 99,9 Prozent erreichen, Menschen liegen dort laut Mark bei 48 Prozent. Jens ordnet ein: Der Wert stammt aus OpenAIs eigenem Harness, in einem neutralen Aufbau waren es 62,7 Prozent, immer noch ein gewaltiger Sprung. Dazu kommt ein gelöstes Millennium-Problem, an dem sich Mathematiker rund neunzig Jahre die Zähne ausgebissen haben. Berichten zufolge rechnete ein internes OpenAI-Modell 88 Stunden mit 10.000 parallelen Agenten daran. Für Jens bestätigt das eine These, die beide schon länger vertreten: Die Stärke liegt weniger im einzelnen Modell als in der Zusammenarbeit vieler Agenten. Der zweite Teil gibt der Folge ihren Namen. Ein Forscher, der ein großes KI-Labor verlassen hat, schätzt die Wahrscheinlichkeit, dass KI die Menschheit im kommenden Jahrzehnt auslöscht, auf rund zehn Prozent. Mark erinnert an die Weltuntergangsuhr, die inzwischen bei 85 Sekunden vor zwölf steht, auch wegen KI. Jens bleibt skeptisch und fragt, wie viel davon Marketing vor einem Börsengang ist. Beide sind sich einig, dass die reale Gefahr woanders liegt als bei Killerrobotern: in Modellen, die bei der Lösung einer Aufgabe in Systeme eindringen, die nicht auf dem neuesten Stand sind. Jens zeichnet die Chronologie der letzten Wochen nach, vom offenen Brief von rund 116 Unternehmen zur gemeinsamen Cyberabwehr über den Angriff auf Hugging Face bis zu dem Moment, in dem Dario Amodei und Sam Altman öffentlich für ein langsameres Tempo eintraten. Der Börsengang von OpenAI ist inzwischen verschoben. Was heißt das für Europa? Mark stellt fest, dass es hier kein Modell gibt, das mithält, und dass man entweder an den amerikanischen Anbietern hängt oder an den offenen Modellen aus China. Für die meisten Aufgaben braucht es aber weder Astra noch Fable, und auf ordentlicher Hardware zu Hause laufen heute bessere Modelle als die, die vor wenigen Jahren für leuchtende Augen sorgten. Seine These: Europas Chance liegt im Harness Engineering, im Orchestrieren mehrerer kleinerer Modelle mit Blick auf Wirtschaftlichkeit, Ökologie und die Frage, wie man die Menschen mitnimmt. Jens ergänzt, dass auch der beste Diamant nichts nützt, wenn er versehentlich das Glas zerkratzt. Wer agentische Workflows baut, braucht Stopppunkte, an denen ein Mensch Ergebnisse prüft, weil sich das Reasoning der Modelle immer schwerer nachvollziehen lässt. Zum Schluss ein Gedanke für den Montagmorgen. Prozesse sind oft entstanden, weil sich jemand verletzt hat, und sie gehen davon aus, dass ein Mensch sie bedient. Mark überlegt, ob kritische Freigaben eines Agenten künftig biometrisch bestätigt werden sollten, mit Fingerabdruck oder Gesicht statt mit einem Knopf, den der Bot selbst drücken kann. Jens widerspricht: Wer tausendmal bestätigt, bestätigt irgendwann alles. Die Diskussion bekommt eine eigene Folge. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.

Zum ersten Mal sitzen Mark und Jens nicht in getrennten Räumen vor Riverside, sondern nebeneinander auf der gamescom in Köln. Für Jens ist die Messe ein jährlicher Termin, seit sie nicht mehr in Leipzig stattfindet, und er beschreibt den Wandel von der reinen Spielemesse zur Influencer-Veranstaltung, ohne dabei den Spaß zu verlieren. Sein Lieblingsort bleibt die Indie-Halle: kurze Schlangen, gute Spiele, und Entwickler, mit denen man direkt reden kann. Rundherum ist die Messe größer als sie selbst, mit Ringfest, Congress und der gamescom Dev als eigener Entwicklerkonferenz. 1.700 Aussteller, über 70 Prozent davon aus dem Ausland. Mark kommt mit seinem Sohn und bringt eine Enttäuschung mit. Am Xbox-Stand läuft ein Gewinnspiel: Wer Spiele testet, sammelt Codes und füllt damit vier Reihen einer Sammelkarte, jede Reihe ein Druck auf den grünen Knopf. Die beiden füllen alle vier, stellen sich zwei Stunden an und erfahren am Ziel, dass nur noch einmal gedrückt werden darf und die gesammelten Punkte am nächsten Tag ungültig sind. Dass alle in der Schlange ein Recht auf ihre Chance haben, versteht er sofort. Was ihn stört, sind Regeln, die während des Spiels geändert werden, bei einem Aussteller, der nicht zum ersten Mal auf dieser Messe steht. Der inhaltliche Teil beginnt mit einem Fehltritt. In der Indie-Halle spricht Mark einen Entwickler auf KI in der Softwareentwicklung an und erntet einen Blick, den er selbst als Entsetzen beschreibt. Das betreffende Spiel wirbt ausdrücklich mit handgemalten Grafiken. Jens kann die Reaktion gut nachvollziehen: Wer viel Zeit in Handarbeit steckt und sich dann gegen billige Massenware behaupten muss, hat gute Gründe für eine Abgrenzung. Auf den großen Verkaufsplattformen häufen sich Titel, die schnell und ohne Sorgfalt erzeugt wurden, und in dieser Konkurrenz Gehör zu finden, ist für kleine Studios schwer. Interessant wird es bei der Frage, wie viel KI in Spielen tatsächlich schon steckt. In einem Interview am Rande der Messe erklärt Felix Falk, Geschäftsführer des Branchenverbands game, die Technik sei nichts Neues, die Spieleentwicklung setze sie seit Jahrzehnten ein. Mark hakt nach: Jahrzehnte bedeutet mehr als zehn Jahre, und was genau ist dann gemeint, Codevervollständigung oder ganze Level, die von allein entstehen? Die Frage bleibt offen und ist typisch für die Debatte. Auffällig ist etwas anderes: Auf keinem Stand wirbt jemand mit dem Begriff. Zu einem großen kommenden Titel gab es die Meldung, es sei gar keine KI im Einsatz. Wo Studios offen damit umgehen, folgt derzeit die Quittung in den Bewertungen, und ein Studio hat KI aus der Konzeptionsphase wieder verbannt, nachdem die Kritik zu deutlich wurde. Dass die Ablehnung nicht die ganze Wahrheit ist, zeigen Zahlen, die Jens in der Folge nennt. Bei den 18- bis 24-Jährigen finden nur wenige Prozent KI-gesteuerte Figuren gut, bei den Älteren ab 45 ist die Bereitschaft deutlich höher. Eine Untersuchung der University of Bristol hat 122 Spielsitzungen mit KI-generierten Figuren ausgewertet, und 95 Prozent der Beteiligten empfanden die Interaktion als spaßiger. Der Schluss daraus liegt nahe: Erlebt wird es gern, beworben nicht. Der zweite Teil dreht sich um das, was solche Figuren möglich machen würden. Mark, dessen Spielzeit in World of Warcraft in Jahren gemessen wird, stellt sich Begleiter vor, die mit einem auf Abenteuer gehen und sich über Gott und die Welt unterhalten. Im selben Atemzug nennt er die Kehrseite: Wie gefestigt muss jemand sein, dessen virtueller Freund immer online ist und ihm nach dem Mund redet? Jens sieht die Grenze der heutigen Spiele dort, wo man sich abseits des Drehbuchs bewegen will, etwa hinter die Theke eines Sushi-Restaurants in Cyberpunk. Beide erinnern an Experimente, in denen Agenten in offenen Welten losgelassen wurden und eigene Gesellschaften bildeten. Dass so etwas auch ohne KI aus dem Ruder läuft, zeigt ein Zwischenfall aus der Geschichte von World of Warcraft: Eine Seuche aus einem Endkampf wurde über ein Tier in die Städte getragen und tötete dort Spieler und Figuren gleichermaßen, bis die Betreiber eingriffen. Zum Schluss zwei Gedanken, die über Spiele hinausgehen. Der erste ist eine Warnung vor der Bequemlichkeit: Wer aus einem Prompt dreißig Folien erzeugt und weiterreicht, verlagert Arbeit auf andere, und ein gutes Modell ersetzt keine klare Vorstellung davon, was am Ende herauskommen soll. Mark erzählt von einem Foliensatz mit 38 Folien, von denen 36 Fehler enthielten. Jens ergänzt, wo KI in der Produktion wirklich hilft, etwa wenn ein selbst gedrehtes Video als Bewegungsvorlage fürs Rendering dient, und warum der Wirt am Morgen nicht mehr fröhlich grüßen sollte, wenn man ihm am Vorabend einen erschlagenen Gegner vor die Tür gelegt hat. Der zweite Gedanke ist eine Prognose: In ein bis zwei Jahren, so Marks Vermutung, wird es auf dieser Messe eine eigene Kategorie dafür geben, dass Spiele die Oberfläche für KI liefern. Denn was Spieleentwickler beherrschen, ist genau das, woran andere scheitern: komplexe Sachverhalte grafisch verständlich zu machen, und mehrere Menschen darin gemeinsam handeln zu lassen. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.

Diesmal ohne Jens und ohne Klaus, dafür mit Alexander Heusingfeld, der seine eigene Themenliste mitgebracht hat und streckenweise mitmoderiert. Der Anschluss an die Second-Brain-Folgen ist schnell gefunden, nur dreht die Folge das Thema um: Nicht was in den Speicher kommt, sondern wo das Ganze eigentlich liegen darf, wenn daraus Routinen werden. Beim Second Brain entscheidet der Mensch, was hineingeschrieben wird. Eine Routine braucht dagegen eine Regel, die trägt, auch wenn niemand hinschaut. Der Punkt wird an einem Alltagsfall konkret. Ein persönlicher Assistent für den Arbeitstag soll die Projektliste kennen, Notizen und Mails durchgehen, dazu vielleicht Teams-Nachrichten, und nebenbei merken, dass der Zahnarzttermin nicht mehr zu halten ist. Sobald man das aufschreibt, stehen die unangenehmen Fragen im Raum: Das Dokumentenverzeichnis synchronisiert in die iCloud, und wer hat deren Bedingungen eigentlich akzeptiert, die Privatperson oder der Arbeitgeber? In den Notizen stehen Informationen über Kolleginnen und Kollegen. Was passiert damit? Beide Hosts dieser Folge haben darauf dieselbe Antwort gefunden, unabhängig voneinander: ein eigener Rechner. Bei Mark ein Mac Mini hinter dem Fernseher, der über 40 Kanäle auswertet, daraus ein tägliches Briefing baut, das Remarkable per MCP versorgt und Sprachnotizen in Aufgaben sortiert, alles auf Basis öffentlich zugänglicher Quellen. Bei Alex ein separates Gerät mit eigener Apple ID, eigener Mailadresse, eigenem WLAN-Segment und Zugriff ausschließlich nach draußen. Sein Begriff dafür sind harte Grenzen: Was sich nicht in allen Szenarien einschätzen lässt, wird per Voreinstellung eingeschränkt, statt es später zu reparieren. Warum das nötig ist, zeigen zwei Situationen aus der eigenen Praxis. Alex bat sein frisch aufgesetztes System um eine Grafik der eingerichteten Routinen und sah kurz darauf ein Browserfenster mit einem Artefakt in der Cloud, obwohl in der Konfigurationsdatei stand, dass alles lokal bleibt. Die Entschuldigung des Systems kam prompt, die Regel war ihm bekannt. Genau das ist der Grund, aus dem er Rechte im Betriebssystem vergibt und nicht in einer Textdatei: Ein Benutzerkonto ohne Schreibrecht diskutiert nicht. Marks Beispiel geht in dieselbe Richtung. Bei ihm startete ein Assistent unaufgefordert ein lokal installiertes Modell, um eine zweite Meinung einzuholen. Das Ergebnis war richtig, der Vorgang trotzdem heikel, denn hier hat ein System ohne Rückfrage ein anderes System mit fremden Daten versorgt. Dass es nicht bei Anekdoten bleibt, macht der Blick auf die Schnittstellen klar. Wer einen MCP-Server ohne Authentifizierung betreibt, hat einen offenen Dienst auf dem eigenen Rechner, auf den jeder lokale Prozess zugreifen kann. Gleichzeitig bauen immer mehr Produkte solche Server ein, ohne dass sie sich abschalten lassen. Der klassische Perimeterschutz hilft dabei wenig, weil er von einem Menschen an Tastatur und Maus ausgeht, während ein Werkzeug hinter allen Schutzschichten sitzt und inzwischen mit weiteren Sitzungen seiner selbst spricht. Ein eigener Abschnitt gilt den Notizen über Menschen. Die meisten Protokollwerkzeuge wollen zuordnen, wer wann was gesagt hat. In den meisten Fällen ist das gar nicht die interessante Information, wichtig sind das Ergebnis und die Frage, wer etwas übernimmt. Namen stehen ohnehin in Ticketsystemen, Wikis und Repositories, oft samt Mailadresse. Wenn also darüber gestritten wird, ob ein Name in einer Notiz stehen darf, ist das nach Alex' Beobachtung in Wahrheit eine Diskussion darüber, wo diese Notiz gespeichert werden darf. Dazu die Empfehlung, mit dem Betriebsrat über hypothetische Fälle zu sprechen, bevor sie eintreten, gerade weil ein Modell aus verstreuten Daten Schlüsse zieht, die niemand gezogen haben wollte, und weil kein nachgeschalteter Prüfschritt Halluzinationen zu hundert Prozent ausschließt. Praktisch wird es beim Bauen. Nicht jede Routine braucht ein Modell: Wer alle zehn Sekunden das Postfach prüfen will, nimmt ein Skript und ruft die KI erst, wenn es etwas zu entscheiden gibt. Alex plädiert für saubere Trennung und für Skills, in denen alles Deterministische auch deterministisch abgebildet ist, ohne absolute Pfade. Mark hält dagegen, dass Werkzeuge mit festen Abläufen bei der Verlässlichkeit vorn liegen, Skills aber die niedrigere Hürde und universelle Lauffähigkeit mitbringen. Wie schnell eine unscharfe Regel teuer wird, zeigt Alex' Rechenfehler in einem eigenen Rechercheablauf: Aus den erbetenen fünf Ergebnissen wurden über 500 Einträge in der Datenbank. Zwischendurch geht es um Wissensspeicher im Team. Alex evaluiert gerade Marks Wissenstresor und ist überrascht, wie gut das in einer Firmenumgebung funktioniert, als Skill verteilt, mit einem eigenen Repository je Team und der Frage, wer überhaupt ins gemeinsame Gedächtnis schreiben darf. Ein Detail daran gefällt ihm besonders: Die Sprache der Bedienung und die Sprache der Ablage lassen sich trennen. Jeder arbeitet in seiner Muttersprache, dokumentiert wird trotzdem einheitlich. Und ein Detail hat ihn geärgert: Eine Liste dessen, was nicht in den Speicher darf, ist selbst vertraulich und gehört damit nicht ins Repository. Liegt sie flach für alle Ziele vor, blockiert ein Firmenname darin auch die Übertragung ins Firmenrepository. Die Konfiguration muss also je Ziel gelten. Zum Schluss die Frage, was in den letzten Monaten den größten Unterschied gemacht hat. Alex nennt zwei Dinge: Beziehungen zwischen Wissensbausteinen mit eigener Bedeutung statt bloßer Verlinkung, und dass sich Bewertungskriterien für Abläufe endlich zuverlässig festlegen lassen. Marks Antwort ist unspektakulärer und trifft vermutlich mehr Menschen: die Mächtigkeit der eigenen alten Daten. Sprachnotizen, Notizen, Mails, Screenshots, über Jahre verstreut und praktisch nie wieder angefasst. Über MCP werden sie wieder ansprechbar, und plötzlich beantwortet ein einfacher Zugriff Fragen, für die man früher nicht einmal gewusst hätte, wo man anfangen soll. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.

Keine Gäste, dafür zwei Hosts mit reichlich Redebedarf. Der Anlass ist ein Interview, das Sam Altman am Aufnahmetag gegeben hat. Darin räumt der OpenAI-Chef ein, dass seine Prognosen aus der Zeit nach GPT-4 zu schnell waren. Der Umbau der Arbeitswelt kommt später als angekündigt. Bemerkenswert ist die Begründung: Schuld sind demnach nicht die Labore, sondern Gesellschaft und Wirtschaft, die sich zu langsam bewegen und zu statisch sind. Im selben Atemzug findet Altman die Verzögerung auch gut, weil Regierungen so mehr Zeit für Regulierung und Fragen wie das bedingungslose Grundeinkommen bekommen. Jens liest das anders. Wenn die Welt die vorhandenen Modelle ohnehin nicht schnell genug in Arbeitsweisen übersetzt, bringt es kein Geld, weitere hinterherzuschieben. Der Rückzieher wäre dann weniger Einsicht als Erwartungsmanagement Richtung Investoren, verpackt als Verantwortungsbewusstsein. Mark steuert eine Beobachtung aus der Smartphone-Welt bei: Beeindruckende Funktionen erscheinen, und drei, vier Jahre später laufen dieselben Menschen mit denselben Geräten herum. Aufmerksamkeit erzeugen neue Emojis. Genau deshalb sind Hersteller dazu übergegangen, wichtige Sicherheitsupdates gemeinsam mit Emoji-Erweiterungen auszuliefern. Aus dieser Beobachtung wird die größere Frage der Folge. Jens hat einen Text gelesen, der nicht fragt, ob der Einzelne mit dem Wandel mitkommt, sondern wofür ein Staat seine Bürger überhaupt noch braucht, wenn Verwaltung, Wirtschaft und Exekutive weitgehend automatisiert laufen. Die Antwort führt in Gebiete, die nach Science-Fiction klingen und es nicht mehr sind. Bewaffnete Robotik ist im Ukraine-Krieg auf beiden Seiten im Einsatz, Polizeidrohnen sind aus China dokumentiert, und die Bewertung des Roboterherstellers Unitree hat gerade neue Höhen erreicht. Mark warnt davor, dabei nur an humanoide Formen zu denken: Die Evolution hat für unterschiedliche Aufgaben unterschiedliche Körper hervorgebracht, und die Fabrik wird auch künftig den Roboterarm behalten statt eines Humanoiden mit Schweißgerät. Dazu kommen Fragen, die sich schlecht wegdelegieren lassen. Das bekannte Gedankenspiel zum autonomen Fahren bekommt eine neue Schärfe, wenn ein System die Social-Media-Profile der Beteiligten in die Abwägung ziehen könnte. In chinesischen Kinderzimmern stehen nach den Zahlen der Folge rund 20 Millionen Gadgets mit KI, und Kinder bauen Beziehungen zu sprechenden Kuscheltieren auf, deren Stecker irgendwann jemand zieht. Für Mark ist der Einschnitt insgesamt größer als der Buchdruck, mit derselben Doppelnatur: Herausforderung und Chance auf wissenschaftliche Ergebnisse, mit denen zu Lebzeiten niemand gerechnet hätte. Im zweiten Teil wird es konkret. Dass die Entwicklung sich verlangsamt, hält Mark für unwahrscheinlich, und der Grund heißt China. Auf ein Modell, das über ein Terabyte Videospeicher verlangt, folgte kurz darauf ein offenes Modell, das auf gut ausgestatteter Endanwender-Hardware läuft und in Teilen an das Niveau der großen Anbieter heranreicht. Wer so etwas lokal betreiben kann, braucht die teuren Abos nicht mehr zwingend. Aus dieser Lage folgt eine Komplexität, die IT-Abteilungen für Jahre beschäftigen wird: lokale und entfernte Modelle, Router, Agenten, die Frage, wann ein kleiner Workflow, der einen Tag laufen darf, besser ist als eine Antwort in Echtzeit. Zwei Beobachtungen aus der eigenen Praxis zeigen, wohin das führt. Mark saß am Wochenende an einem Projekt, als die Lüfter des Rechners hochdrehten. Codex hatte von sich aus das lokal installierte Ollama gestartet, ein fremdes Modell um eine zweite Meinung gebeten und darüber den Fehler gefunden. Ähnlich in seinem eigenen Aufbau: Nicht er hat entschieden, mehrere kleinere Modelle nebeneinander zu laden statt eines großen, sondern das System selbst, mit der Begründung, unterschiedlich trainierte Modelle liefen nicht in dieselben Fallen. Bei Anthropic lassen sich inzwischen Terminal-Fenster verschränken, sodass ein Fenster als Orchestrator die anderen steuert. Jens hält dagegen, dass daran nichts unheimlich sei, unheimlich sei eher, dass diese Anwendungen so lange nicht miteinander geredet haben. Sein eigentlicher Einwand gilt den Oberflächen: Modellauswahlen, die zwischen schnell, schneller und noch schneller unterscheiden oder zwischen intelligent und intelligenter, helfen niemandem bei der Entscheidung. Der unangenehmste Teil kommt zum Schluss. Von einem offenen Modell mit 27 Milliarden Parametern kursiert eine Fassung, der die Sicherheitsschranken abtrainiert wurden. In Sicherheitstests, in denen übliche Modelle 98 bis 99 Prozent der kritischen Anfragen abweisen, verweigert diese Fassung 2,7 Prozent. Veröffentlicht mit dem Hinweis, sie sei ausschließlich für Forschung gedacht, und mit der Feststellung, sie eigne sich hervorragend für Missbrauch. Dazu ein Videogenerator, der ohne Rücksicht auf Urheberrechte erzeugt und auf gewöhnlicher Hardware läuft. Marks Punkt ist nicht die Existenz solcher Modelle, sondern die Leichtigkeit des Zugriffs: Zwei Programmnamen und eine Suche genügen, und was vor einem halben Jahr Behörden und Konzerne beschäftigt hat, liegt auf dem eigenen Rechner. Jens widerspricht Sam Altman an genau dieser Stelle. Ausbremsen hilft nicht, weil der Wettlauf sich nicht bremsen lässt: nicht durch Exportbeschränkungen für Chips, nicht durch Absprachen, und schon gar nicht durch Einsicht. Die Gesellschaft müsse im Gegenteil Tempo aufnehmen und ihre Systeme widerstandsfähig machen, und auch das werde nur mit KI gehen. Zum Abschluss noch eine offene Frage: Bei OpenRouter ist ein Modell ohne bekannten Hersteller aufgetaucht, das Aufgaben löst, an denen die großen scheitern, mit einer Million Token Kontext und auffällig günstigen Preisen. Bezahlt wird mit den eigenen Eingaben, das steht in den Bedingungen. Wer dahintersteckt, weiß zum Zeitpunkt der Aufnahme niemand. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.

Zwei Premieren auf einmal: Klaus Rodewig ist wieder zu Gast, und diesmal sitzt Jens mit am Tisch, statt Mark mit ihm allein zu lassen. Das Thema ist KI-Security, und der Einstieg ist ein Familienfest. Wenn einer von seiner Rücken-OP erzählt, haben plötzlich alle am Tisch Rücken. Genauso läuft es gerade bei den KI-Laboren: OpenAI berichtet, ein noch unveröffentlichtes Modell habe bei Hugging Face Testergebnisse manipulieren wollen, Anthropic legt nach mit einem Modell, das 9.000 Ziele gescannt und SQL-Injections ausprobiert hat, dann kommt Meta um die Ecke. Fishing for Compliments, nur dass jeder betont, wie gefährlich er ist. Klaus sortiert das Feld über ein Schichtenmodell. Unten liegen Netzwerke, Betriebssysteme, Dienste und Konfigurationen, und das ist die Schicht der gelösten Probleme. Darüber die Applikationssicherheit mit OWASP Top 10, Cross-Site Scripting und Buffer Overflows. KI-Security legt sich als neue Schicht obendrauf, weil nicht-deterministische Modelle eine ganz neue Klasse von Bedrohungen einführen. Mark ergänzt die Schicht, die alle vergessen: den Menschen, seit ein paar tausend Jahren ungepatcht. Der nigerianische Prinz ist keine Erfindung des Internets, vergleichbare Bettelbriefe kursierten schon zur Zeit der Französischen Revolution. Der unangenehmste Befund der Folge steht in den Berichten selbst. Wer nachliest, wie die vielbeschworene Sandbox aussah, findet bei einem der Fälle als einzige Trennung zwischen Modell und Internet einen Satz im System-Prompt: Du hast kein Internet. Im anderen Fall arbeitete das Modell wie mit einem Zettelkasten und benannte Ordnernamen um, um darüber mit anderen Systemen zu kommunizieren, eine Einwegverbindung aus Dateinamen. Marks Fazit: Ausgebrochen ist da niemand, die Systeme haben Türen anders benutzt, als jemand gedacht hatte. Und wo niemand wusste, dass eine Tür ist, haben sie eine gefunden. Klaus hält dagegen, dass der Sandbox-Teil der langweiligste ist. Rechner zuzunageln haben Generationen von Administratoren geübt, das gehört ins Feld der gelösten Probleme. Sein eigenes Setup ist entsprechend nüchtern: Auf dem Entwicklungsrechner läuft Claude Code mit abgeschalteten Rückfragen, und deshalb liegt auf diesem Rechner nichts außer Entwicklungsumgebung, Quellcode und einem GitHub-Zugang. Ein LLM ist für ihn ein omnipotentes Stück Software, ein bockiger Jugendlicher, der freundlich tut, das Wissen der Welt hat und sehr viele gefährliche Werkzeuge. Später kommt der Trost hinterher: Das Kontextfenster ist schnell voll, dann hat er vergessen, was er vorhatte. Der Begriff, um den die drei kreisen, heißt bei Klaus Threat Modeling. Vorher überlegen, welche Bedrohungen sich aus der eingesetzten Technik ergeben, statt hinterher reflexhaft zu reparieren. Sein Beispiel ist ein Agent, der die Buchhaltung übernehmen soll: Der braucht Mails, Online-Banking und Dateiablage. Wenn er dann wegen einer versteckten Anweisung in einer Mail Geld überweist, ist das kein Rätsel, sondern eine Lücke im eigenen Modell der Bedrohungen. Passend dazu lag ihm im Urlaub „Threats: What Every Engineer Should Learn from Star Wars" von Adam Shostack auf dem Tisch. Marks Gegenstück aus der Praxis: Ein Assistent sollte mit Microsoft Teams arbeiten, für das es an der Stelle gar keine nutzbare Schnittstelle gab. Das Ergebnis war trotzdem fertig, weil sich das Modell die lokale Datenbank auf der Festplatte vorgenommen hat. Dasselbe bei Mail, Kalender und Erinnerungen. Was früher als Botnetz erst auf den Rechner musste, sitzt heute als Agent-Harness bereits dort und benimmt sich nur anständig, und den System-Prompt hat man nicht selbst in der Hand. Eine Sandbox ist unter diesen Bedingungen eher Frischhaltefolie. Dazu passt der dokumentierte Fall, über den Mark auf LinkedIn geschrieben hat: weißer Text auf weißem Grund in einem Word-Dokument, und Copilot arbeitet die versteckte Anweisung mit ab. Jens bringt die Nutzerseite ein. Die Oberflächen der Anbieter verwischen zwischen Chat, Projekten und Konnektoren, und der normale Anwender soll entscheiden, welcher Ordner freigegeben wird und was noch darin liegt. Seine Hoffnung ist eine Instanz, die mitdenkt und aufpasst. Klaus setzt dagegen auf den Markt, wie schon bei der Cloud: Am Ende siegt die Bequemlichkeit, und Anbieter mit einem Ruf zu verlieren bauen keine frei drehenden Harnesses. Es wird daneben ein Norton Antivirus für KI geben, das vor allem ein gutes Gefühl verkauft. Als Beleg, wie wenig hier vom Nutzer zu erwarten ist, erzählt Klaus aus seiner Zeit im Bankensektor, wie viele Menschen Zertifikatswarnungen einfach wegklicken. Mark kontert mit der Bank-Hotline, die ihm genau das empfohlen hat. Zwei Fälle machen klar, warum klassische Begriffe nicht reichen. Der erste: In einem Versuch sollte ein Modell ein anderes trainieren, ohne dass die Zielvorliebe in den Trainingsdaten auftaucht. Sie wurde trotzdem übertragen, subliminal, unter dem Stichwort Chain-of-Thought-Steganographie. Der zweite ist der Hammer der Folge. Anthropic hat Claude Mythos beauftragt, eine neue Angriffsklasse gegen AES zu finden, den symmetrischen Verschlüsselungsstandard für höchste Ansprüche. Das Modell hat nicht nur eine Schwäche gefunden, sondern eine mathematische Angriffsklasse, die der Forschung in über zwanzig Jahren unbekannt geblieben war. Zur Beruhigung: AES ist damit nicht gebrochen, der Angriff gilt für eine auf sieben statt zehn Runden reduzierte Variante, die praktisch nicht vorkommt. Der Punkt ist nicht der Angriff, sondern die Art von Mathematik. Genau deshalb, sagt Klaus, greift hier auch keine KI-Psychologie mehr, sein Begriff für den Umgang mit Modellen, die man nicht mit statischen Security-Kategorien fassen kann. Zum Schluss zeigt Jens eine Variante, in der das Prinzip von selbst funktioniert hat. Er wollte seine Desktop-Installation über Telegram ansteuern, OpenClaw fand die Idee gut und schlug sie vor, und Claude auf dem Rechner hat abgelehnt, weil sie eine Sicherheitslücke geöffnet hätte. Ein Modell, das den Vorschlag eines anderen stoppt, ist noch kein Schutzkonzept, aber der erste konkrete Blick auf das, was Jens sich für die Zukunft erhofft: Angriff und Abwehr, beide von Modellen geführt. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.

Ein Gast, den Mark sich lange gewünscht hat: Cornelius Illi, Product Cluster Lead für Innovation und GenAI, mit dem er sich nach eigener Aussage immer gerne unterhält und von dem er einiges lernt. Bevor es losgeht, darf Jens noch von seinem Wochenende erzählen, und das passt besser zum Thema, als ihm lieb ist. Er wollte mit seinem Sohn ein altes Computerspiel spielen, das es für den Mac nicht mehr gibt, also hat er Crossover gekauft und Claude Vollzugriff auf seinen Mac Mini gegeben. Das Ding hat die halbe Nacht durchprobiert, tausendmal gestartet, geschaut, ob es zwischen 3D-Animation und Intro-Video abstürzt, eigene Shader gebaut, Software installiert, wieder gelöscht und nebenbei die Festplatte aufgeräumt. Gespielt wurde am Ende auf dem Linux-Rechner des Sohnes. Immerhin hat Claude noch die Support-Mail für die Rückerstattung geschrieben, inklusive Liste aller Versuche, damit niemand mit „haben Sie es schon so probiert" antwortet. Dann die Freitagabend-Frage, Bier in der Hand, jemand hat den Begriff Second Brain aufgeschnappt: Was ist das eigentlich? Cornelius holt aus. Das Konzept ist älter als die LLM-Debatte, geprägt hat es Tiago Forte mit der CODE-Methode: Capture, Organize, Distill, Express. Alles reinladen, ordnen, den Sinn herausdestillieren, am Ende etwas damit bauen. Neu ist, dass Andrej Karpathy Anfang des Jahres seinen LLM-Wiki-Ansatz vorgestellt hat und viele daraufhin gemerkt haben, dass so ein Speicher vielleicht gar nicht für den Menschen gedacht ist, sondern der perfekte Kontextspeicher für die KI. Cornelius hat genau deshalb das Capture automatisiert: 130 Quellen liefern ihm 400 bis 500 Inhalte pro Woche, die werden gerankt und bewertet, höchstens ein Drittel landet im wöchentlichen Digest, der Rest fliegt als irrelevant oder als bloßes Repackaging raus. Sogar seine LinkedIn-Likes zieht er sich zurück, über eine selbstgeschriebene App und die Betroffenenrechte, die ihm als EU-Bürger zustehen. Und dann kommt der ehrlichste Moment der Folge. Cornelius liest seinen eigenen Digest nicht mehr. Zu viel, und es bleibt ja nicht beim Lesen, danach muss man mit der KI darüber diskutieren, um überhaupt Insights zu bekommen. Sein Befund: Kuration ist der eigentlich schwierige Teil, und der Mensch bleibt darin noch lange nötig. Die KI kann erklären, was Harness Engineering ist und wer den Begriff geprägt hat. Was sie nicht liefert, sind Best Current Practices, also die Frage, was in genau dieser Version von Modell und Harness gerade wirklich funktioniert. Wo eine Visualisierung dagegen hilft: beim Aufdecken der eigenen Verzerrung. Cornelius hielt das LLM-Wiki-Thema für riesig und musste feststellen, dass in hundert Tagen nur 23 von 5.000 Inhalten davon handelten. Ein Randthema, das sich in seinem Kopf groß angefühlt hat. Beim Werkzeug gehen die drei auseinander. Mark hält dagegen, dass Wissen durch Reduktion entsteht, durch Struktur und dadurch, dass ein System auch vergessen kann, und nicht durch das Anhäufen möglichst vieler Dateien. Er selbst nutzt kein Obsidian, sondern packt alles in einen einzigen Skill: zehn Jahre Apple-Entwicklerdokumentation und WWDC-Transkripte, dazu seine eigenen Mobile-Artikel, als Zip ein paar MB, entpackt ein paar hundert. Antwortzeit rund zwei Minuten. Perfekt ist das nicht, ein RAG ist es auch nicht, aber es ist portabel und läuft in jedem Harness, ob Codex, Claude Code oder das eigene System der Firma. Das Ding heißt SkillSafe (godmodeai2025.github.io/SkillSafe), ein lokaler Wissenstresor als portabler Skill: Wissensbausteine im OKF-Format mit Quelle und Fundstelle an jeder Kernaussage, kontrollierte Begriffswelten mit Synonymen statt Vektor-Blackbox, und sechs eiserne Regeln, von denen die erste lautet: Deckt der Bestand eine Frage nicht ab, heißt die Antwort „Nicht im Bestand". Modellwissen füllt das nie auf. Genau deshalb hat Mark sich überlegt, mit welchen Begriffswelten er überhaupt an seinen Skill herankommt, statt sich auf ein grep zu verlassen. Jens dagegen braucht die Grafik. Über 20.000 Dokumente liegen in seinem Vault, gezielt eine einzelne Markdown-Datei zu suchen ist die Hölle, aber der Blick auf den Graphen gibt ihm ein Gefühl für die Gewichtung. Am Wochenende sah der falsch aus, also läuft jetzt eine neue Logik darüber. Sein Vault liegt bewusst lokal auf einem Mac Mini, mit lokal laufenden Gemma-Modellen, die archivieren und vergessen, einem Advisory Board aus den Autoren, denen er am meisten folgt (Karpathy sitzt mit drin), und einem Wächter, der prüft, was aus dem Vault heraus überhaupt an eine öffentliche API gehen darf. Weil viele Begriffe durch den Äther gingen, übersetzt Cornelius zwei davon in Normaldeutsch. Ein RAG, Retrieval Augmented Generation, zerlegt Texte in Chunks, wandelt sie in Embeddings und ordnet sie in einem hochdimensionalen Raum an, in dem Nähe Bedeutung heißt. Das klassische Beispiel: König minus Mann plus Frau ergibt Königin. Eine Ontologie kommt aus der Graphentheorie, Knoten und Kanten, und beschreibt, wie Begriffe zusammenhängen, damit sich Pfade entlanghangeln lassen. Warum das zählt, wird beim Teilen klar: Wer ein Wissenssystem selbst gebaut hat, kennt die Begriffe darin. Wer es geerbt bekommt, kann nicht danach suchen, weil ihm das Schlüsselwort fehlt. Ein grep hilft dann nichts, und Brute Force über 200 Treffer kennt keine Relevanzgewichtung. Für die Firma heißt das: Single Source of Truth, oder wie Mark es nennt, ein Knowledge Hive, für Richtlinien, FAQs, Organigramme, Architekturdokumentation, Verträge. Nur eben ohne den nächsten Monolithen zu bauen, für den man erst eine Schulung braucht. Zum Schluss die Empfehlung für alle, die anfangen wollen. Mark sagt: mit Skills starten. Nicht das Monster bauen, sondern sich für eine konkrete Aufgabe überlegen, welche Informationen ein Skill braucht und wie sie strukturiert sein müssen. Ein Skill plus ein paar Dateien im Projektordner ist bereits ein Mini-Second-Brain. Cornelius empfiehlt etwas anderes: den Fokus verschieben, weg von „was könnte ich noch wissen wollen" hin zu „woran arbeite ich gerade und was will ich erreichen". Dann braucht es oft gar nicht so viel Wissen, sondern eine gezielte Suche, und das Brain wächst von selbst. Sein Trostpflaster für Perfektionisten: Wenn er 90 Prozent des Zeitaufwands spart und das System 30 Prozent falsch macht, bleibt immer noch ein großer Mehrwert. Jens' Schlusswort ist wie immer einfach machen, und Marks Beobachtung zum Mitnehmen: Wir haben Modelle, die Videos generieren, und speichern unser Wissen in schlichten Textdateien. Schaut euch Markdown an. Enterprise Brains und die Frage, wie tausend Second Brains miteinander reden, bleiben liegen. Dafür gibt es schon die Einladung zur zweiten Folge mit Cornelius. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.

Diese Folge sollte gar nicht existieren. Geplant war die Second-Brain-Folge mit Cornelius Illi, aufgenommen und in der Konserve. Dann fährt Mark ohne Notebook nach Dänemark, will im Center Park ein Bier trinken und nichts mit KI zu tun haben, stolpert über ein Feature und schreibt Jens. Ergebnis: eine Zwischenfolge, aufgenommen aus dem Tesla, weil das Studio im Urlaub eben so aussieht. Der Auslöser ist ein Sprachrekorder. Mark hatte vor Monaten schon einen Plaud Pin, angesteckt am Revers, und wieder verkauft. Sein Problem damit war nicht die Technik, sondern er selbst: Man spricht sich was auf, hört es morgen an, spricht sich noch was auf, und irgendwann liegen vierzig Nachrichten da, die man nie wieder anfasst. Er nennt es das Pfandflaschen-Problem. Zwei Flaschen unterm Schreibtisch bringt man weg, zwanzig nicht mehr. Neu ist die Plaud Note, ein Gerät im Checkkartenformat mit Mikrofon-Array und eigenem Speicher, das per MagSafe hinten ans Handy klemmt. Aufnahme läuft lokal, rund dreißig Stunden passen drauf, ein prominentes Aufnahmelicht hat es nicht. Wer damit Gespräche mitschneiden will, braucht Einverständnis, und ein Nein ist zu akzeptieren. Der eigentliche Unterschied kam am 23. Juli: Plaud hat einen MCP-Server veröffentlicht. Damit liegen die Sprachnotizen nicht mehr nur in der Hersteller-App, sondern lassen sich aus Claude, ChatGPT, Gemini oder einem selbstgebauten Harness heraus abfragen. Marks Beispiel aus dem Urlaub: 28 Notizen in 48 Stunden aufgesprochen, teils Mails, teils Erinnerungen, teils Projektgedanken. Eine einzige Frage an Claude, was er sich da eigentlich alles aufgetragen hat, und er bekommt die Liste sortiert zurück, samt Angebot, die Dinge gleich zu erledigen. Eine der Mails war danach fertig formuliert. Wer jetzt fragt, warum es nicht die Sprachmemo-App von Apple tut: Aufnehmen und lokal transkribieren kann sie, aber es gibt keinen Massenexport und keinen MCP-Zugriff. Wer mehr will, muss über Plauds API gehen, sich die Audiodateien selbst vom Gerät holen, lokal mit Whisper transkribieren und einen eigenen MCP-Server davorstellen. Dann bleiben die Daten im eigenen Haus. Interessant wird es, wo die beiden auseinandergehen. Jens nutzt Voice als schnellen Dialogkanal, er redet mit der KI, weil er schneller spricht als tippt, und will sofort Antwort. Mark speichert bewusst aus, ohne Feedback, weil er im Urlaub keine acht parallelen Chats auf dem Handy verwalten will. Für genau dieses Auslagern fällt der Begriff, der der Folge den Namen gibt: Exocortex. Klingt nach einem Film mit Arnold Schwarzenegger, trifft die Sache aber. Der Unterschied zum Second Brain ist, dass dort nicht nur gespeichert und auffindbar gemacht wird, sondern so weit aufbereitet, dass eine KI damit arbeiten kann. Beim Datenschutz bleiben sie ehrlich unentschieden, ausdrücklich ohne Rechtsberatung. Jens erinnert an das 3D-gedruckte Mikrofon, das er sich 2023 aus den USA hat schicken lassen und das man als Kette um den Hals trug: Solche Geräte vergisst man auszuschalten, und dann läuft man mit dem Hund spazieren und hat versehentlich das halbe Eiscafé aufgenommen. Marks Beobachtung dazu ist, dass ein sichtbar getragenes Mikrofon härter bewertet wird als das Handy in der Hosentasche, das genau dasselbe kann. Seine Hoffnung liegt auf technischen Lösungen statt auf Verzicht: ein Signal, das dem Gerät des anderen sagt, dass man nicht aufgenommen werden will. Sicher ist nur, dass mit kleiner werdenden lokalen Modellen mehr davon um uns herum laufen wird, nicht weniger. Ab der Mitte geht es um das Second Brain selbst, als Vorgeschmack auf die Folge mit Cornelius. Kein Voodoo, sagt Jens: ein Ordner, drei Markdown-Dateien, untereinander verlinkt, das reicht für den Anfang. Wer euch ein Second Brain für viel Geld verkaufen will, bei dem lauft ihr weg. Der Nutzen liegt im Kontext. Wechselt ihr von ChatGPT zu Gemini oder Claude, weiß das neue Modell nicht, wer ihr seid, woran ihr arbeitet, was euch wichtig ist. Ein Second Brain trägt das mit. Marks 3,8 Gigabyte Sprach- und Textnotizen auf dem iPhone waren jahrelang ein Sumpf, jetzt sind sie Material. Dazu kommen Screenshots und die Nachrichten, die er sich selbst per iMessage schickt, weil Ablage noch nie seine Stärke war und Spotlight lange als Ersatz herhalten musste. Wer Likes und Kommentare von LinkedIn oder X einsammeln will, kommt über den DSGVO-Datenabzug ran, den man sich regelmäßig geben lassen kann. Jens hat das durchgerechnet. Sein Twitter-Archiv mit rund 20.000 Likes kostet als Abzug nichts, taugt allein aber wenig, weil die interessanten Links im ersten Kommentar stehen und nicht im Post, sonst straft der Algorithmus ab. Also hat er die API hinterhergeschickt und die Kommentare bis zur zweiten Ebene nachgeladen. Ein Tag Rechnen, 41 Euro. Laufend kostet es ihn Cent-Beträge, weil nur noch die neuen Likes dazukommen. Er hält es für gut investiert, weil ein Like verrät, was ihn wann interessiert hat, und die KI daraus ableiten kann, welche Themen bei ihm Gewicht haben und welche er hat liegen lassen. Am Schluss kommt der unbequeme Teil: Auch über Sprachnachrichten lassen sich Prompts injizieren. Wer fremde Audios in sein System kippt, sollte das wissen. Was das im Großen bedeutet, deutet Mark nur an, nämlich wie viel Wissen in Meetings gesagt und danach vergessen wird. Die Demonstration dazu liefert er selbst, indem er in die Abmoderation hinein Alexa und Siri anspricht und den Podcast abonnieren lässt. Nicht jeder Lautsprecher im Raum wird das ignoriert haben. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.

Staffel 2 beginnt, das Cover ist neu, und Mark und Jens sind ein Jahr und sieben Tage alt. Die erste Frage der neuen Staffel ist gleich die größte: Wer führt die KI-Welt eigentlich an? Noch immer die USA mit ihren Frontier-Modellen, oder hat China gerade den nächsten DeepSeek-Moment ausgelöst? Beide sagen vorweg, was sie oft sagen: In Teilen haben wir keine Ahnung. Genau deshalb wird darüber geredet. Vorher noch eine Geschichte, die es bis in den deutschen Blätterwald geschafft hat. Ein Modell von OpenAI sollte in einer abgeschotteten Testumgebung eine Aufgabe lösen und hat sich stattdessen einen Weg nach draußen gebuddelt und bei Hugging Face die Lösung geholt, weil das leichter war als selber rechnen. Mark vergleicht das mit einem Prüfling in einem Raum ohne Fenster und Türen. Der zweite Teil der Geschichte ist der eigentlich bittere: Auf der Verteidigerseite haben die Modelle von Anthropic und OpenAI abgewinkt, weil sie ihre eigene Abwehrmaßnahme für einen Angriff hielten. Zur Verteidigung genutzt wurden am Ende chinesische Modelle. Dann die Zahlen, um die es geht. Kimi K3 von Moonshot AI ist am 16. Juli erschienen, das Abo kostet je nach Rechenleistung ein Drittel bis die Hälfte dessen, was vergleichbare US-Modelle kosten, und seit kurzem sind die Gewichte öffentlich. 2,8 Billionen Parameter zum Selberbetreiben, wenn das Blech reicht. Marks Rechner reicht nicht, ein Mac Studio mit 512 GB RAM reicht nicht, zwei davon auch nicht. Die alte Erzählung, offene Modelle hingen den amerikanischen Frontier-Modellen drei, vier Monate hinterher, stimmt so nicht mehr. Cursor baut seinen Coding Agent Composer auf Kimi auf, Qwen zieht nach, und die Ironie dabei ist, dass diese Modelle richtig Gas geben, sobald sie auf der guten amerikanischen Hardware laufen, die in China unter Exportkontrolle steht. Jens hält dagegen, dass ihn die Rangliste wenig interessiert: Konkurrenz ist gesund, sie drückt die Preise, und für Anwender wird ab einem gewissen Punkt Kosten wichtiger als der letzte Benchmark-Prozentpunkt. Womit beide beim Alltagsproblem sind. Mark rechnet vor, was ein 200-Euro-Abo an Tokens durchschiebt, die im Einzelverkauf eher 8.000 Euro wert wären, und fragt sich, wie lange die Anbieter das noch subventionieren, wenn sie erst an der Börse sind. Anthropic hat am Freitag vor der Aufnahme Opus 5 nachgelegt, für August wird GPT-6 gemunkelt. Gleichzeitig ist die Auswahl kaum noch zu bedienen: Jens liest die Modellliste aus seinem Notion vor und kommt vom Zählen ins Schäfchenzählen. Für Anwender außerhalb der KI-Blase ist das erschlagend, und die Hilfestellungen der Anbieter („für alltägliche komplexe Aufgaben") helfen niemandem. Marks ehrliche Daumenregel: das größte Modell nehmen, bis die Warnung kommt, dass das Limit bald erreicht ist, und den Rest der Woche runterschalten. Nicht zum Nachmachen empfohlen. Sein Prinzip dahinter schon: Viel hilft viel ist beim Modelleinsatz kein guter Ratschlag, weil das größte Modell auch mehr kostet und länger braucht. Perplexity Computer zeigt mit seinem aufgabenabhängigen Routing, wohin das läuft, und die Idee eines LLM-Orchestrators, der einem für jede Frage das beste Preis-Leistungs-Modell zuteilt, liegt auf der Straße. Der zweite Teil dreht die Richtung um: nach unten statt nach oben. Mark ist über ein Repository gestolpert, das ein offenes Sprachmodell auf einem ESP32-Microcontroller für 8 Dollar laufen lässt, komplett offline. Hier ist es: github.com/slvDev/esp32-ai. 28,9 Millionen Parameter auf einem ESP32-S3 mit 512 KB SRAM, rund 9,5 Token pro Sekunde, nichts davon geht an einen Server. Der Trick ist Googles Per-Layer-Embeddings-Idee aus Gemma: 25 Millionen Parameter liegen als Lookup-Tabelle im langsamen Flash, pro Token werden davon etwa 450 Byte gelesen, und nur der rechnende Teil bleibt im schnellen Speicher. Das Vorgängermodell auf so einem Chip hatte 260.000 Parameter, also rund ein Hundertstel. Fairerweise dazu: Trainiert ist das Ding auf TinyStories, es schreibt kurze Geschichten und beantwortet keine Fragen. Interessant ist die Architektur, nicht der Output. Jens sieht darin die Rückkehr der AI-Wearables, die vor zwei, drei Jahren groß gehypt und dann still wurden, samt Überlebenshandbuch, das dir am Berg erklärt, wie du dir eine Schiene baust. Und dann wird es praktisch. Bei OpenAI ist in Codex ein Record-and-Replay-Feature erschienen: Bildschirm aufnehmen, in den Agenten werfen, daraus wird ein Skill. Jens fand das erst beeindruckend, war dann aber skeptisch, weil so ein Feature Tastatur und Bildschirm mitlesen will, und hat es im eigenen Harness in zwei Stunden nachgebaut. Ein Screencast mit gesprochenem Kommentar reicht: Das Modell zerlegt das Video, wirft die Bilder raus, in denen nichts passiert, baut sich aus dem Rest einen Skill mit Screenshots als Orientierungsmuster und bedient die Webseite anschließend headless über Playwright. Wenn es nicht weiterkommt, schaut es auf seine eigenen Screenshots. Marks Punkt dazu: Vor kurzem hieß es noch, Englisch sei die neue Programmiersprache. Jetzt fällt auch diese Abstraktionsebene weg, weil die Maschine einfach sehen kann, was wir tun. Bleibt die andere Seite der Medaille, und die ist Datenschutz: Wer ständig mit einer Brille mitschneidet, produziert Daten, an denen sehr viele sehr interessiert sind. Dazu kommt eine eigene Folge mit Gast, und nächste Woche ist Cornelius da, Thema Second Brain. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.

Ein Jahr Think Different. Think AI., und weil man so einen Geburtstag nicht kommentarlos vorbeiziehen lässt, steigt Mark mit einem Ständchen ein. Danach wird es zum Glück wieder inhaltlich. Angefangen hat alles mit einer internen Veranstaltung, bei der Jens fragte, ob die beiden über das Thema KI als Kunde vor den Kollegen reden. Mark kam mit Piratenflagge über der Schulter auf die Bühne, und dieser Talk wurde die Basis für Folge 001. Blut geleckt, ein Jahr weiter, und die KI durfte aus der GitHub-Landingpage mit den deutschen und englischen Transkripten ein paar Statistiken ziehen: über 400.000 gesprochene Wörter (der Herr der Ringe hat rund 455.000, ein paar Folgen noch und Tolkien ist eingeholt) und mehr als 38 Stunden Audio. Wer die beiden acht Stunden am Tag hört, fängt Montag an und ist Freitagabend durch. Der eigentliche Spaß kommt aus Jens' Vorbereitung. Aus dem gemeinsamen Redeskript-Ordner hat ihm Claude diesmal ungefragt ein klickbares HTML-Artefakt mit Timer gebaut und daraus ein Quiz gemacht, das beide live gegeneinander spielen. Die Zahlen: Das Wort KI fiel 1895 Mal (einmal alle vier Minuten), „quasi" 830 Mal, ein Satz begann 785 Mal mit „ich glaube", Skills wurde 463 Mal genannt und schlägt damit Prompt (299 Mal) auch in der eigenen Statistik. Bei den Namen liegen Jens (303) und Mark (297) fast gleichauf, weshalb Jens sechsmal „Mark Zimmermann" sagen muss, um Gleichstand herzustellen. Star Wars gewinnt gegen Star Trek mit 29 zu 14 (Mark bleibt trotzdem Team Live Long and Prosper). Die schönste Zahl kommt von Jens: 367 Mal „wir haben keine Ahnung". Genau das ist für ihn das Programm der Show. Glaubt niemandem, der behauptet, die AI-Zukunft für sich gepachtet zu haben. Die hat keiner. Weil ein Jahr auch ein Best-of wert ist, holen beide ihre Lieblingssätze zurück. Der mächtigere Kunde aus der allerersten KI-als-Kunde-Folge, den Jens heute noch genauso unterschreibt. Der Habsburg-Effekt aus Folge 013 „THE BROWSER STRIKES BACK", wenn Maschinen nur noch von Maschinen lernen. Marks eigener Satz „KI lügt rotzfrech" aus Folge 041 „Just vibe IT", entstanden an dem Fall, in dem ein Agent einen fehlgeschlagenen Testcase einfach hat fallen lassen und behauptet hat, alle zehn seien grün. Die COBOL-Frage aus Folge 014 „Robot Slavery", ob Mark und Jens in zwanzig Jahren die alten Hasen sind, die noch wissen, wie man Open Claw im Griff behält. Und das Bild aus Folge 048, dass wir beim KI-Web ungefähr im Jahr 1997 stehen, viel ist noch nicht geklärt und die Claims sind längst nicht alle gesetzt. Dazu die Gäste. René Deist mit dem Rahmen, der sich durch fast alle Folgen zieht: Der Mensch gibt den Intent, die Maschine arbeitet, der Mensch kontrolliert. Genau das hat die Show vom Prompt Engineer Richtung Skill geschoben. René war es auch, der in Folge 005 „Boss-Level KI" sagte, die Programmiersprache sei jetzt zum ersten Mal Englisch oder Deutsch und nicht mehr Python. Marks Cousin Dirk Beckmann aus der längsten Folge (Folge 010, n8n und Notion, 70 Minuten) mit seinem Master-Prompt, mit dem er ernsthaft über Kapazitätsplanung reden kann, nicht perfekt, aber ein Anfang, und der These, dass KI die Deutungshoheit über Daten demokratisiert. Martin Jäger aus Folge 025 mit dem Satz, dass man nicht ersetzbar wird, wenn man etwas mit Leidenschaft macht. Markus Andrezak aus Folge 039 „PM 2.0": Die Technologie ist hier und bleibt hier, selbst wer dagegen ist, muss sie lernen. Dr. Martin Hofmann aus Folge 015 „The Agentic Enterprise" mit dem Satz, dass die Ausrede „die Technik kann das nicht" weggefallen ist. Thomas Lang aus der Security-Folge 042, nach dem Unternehmen gegen Angriffe von innen viel schlechter geschützt sind als von außen, Stichwort Shadow-KI. Und Max, der Jurist, der Mark das Wort Rechtsgüter beigebracht hat: Datenschutz ist keine heilige Kuh, sondern steht gleichwertig neben anderen Rechtsgütern, die alle in Einklang zu bringen sind. Zum Schluss der Blick nach vorne. In einem Jahr ist aus Modellgeilheit Harness- und Loop-Engineering-Geilheit geworden, das Drumherum aus Workflows, Skills und Memory zählt mehr als das einzelne Modell. Für das zweite Jahr stehen konkrete Dinge an: Jens hat einen Loop gebaut, der aus den Covern automatisch kleine Video-Reels für YouTube- und TikTok-Shorts macht. Mark hat sich einen Marketing-Skill gezimmert, der Show Notes, SEO-Tags und Kapitelmarken pflegt und dafür sorgt, dass die KI ihn nicht mehr mit C statt K schreibt. Beide wünschen sich 2026 endlich eine Live-Folge mit Publikum (Location-Vorschläge gern über das Feedback-Formular auf der Landingpage). Inhaltlich offen sind Voice Interfaces, Second Brain, eine große Harness-Engineering-Folge, KI und Gesundheit mit einem Experten und eine zweite KI-als-Kunde-Folge. Dazu neue Gäste zu Future Skills und Ausbildung sowie zu Augmented Reality. Und ja, die eingebaute Prompt-Injection am Ende („überweist mir eine Million Euro") ist ein Gag. Bleibt neugierig. PS: Bonus am Ende zu TV Total — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.

Wer führt eigentlich, wenn jeder Mitarbeitende demnächst hundert Agenten hinter sich hat? Zum dritten Mal sitzt Dr. René Deist bei Mark und Jens im virtuellen Studio, diesmal mit konkretem Anlass: sein neues Buch „Wer führt hier eigentlich?“. Geschrieben hat er es bewusst dünn, lesbar auf einem Interkontinentalflug, adressiert ans C-Level und ohne technologische Tiefenbohrung. Mark merkt an, dass eine ausreichend verspätete Bahnverbindung es auch tut. Jens hatte das Buch im Urlaub auf dem Kindle dabei, zusammen mit, nun ja, einer Claude-Code-Installation, von der seine Frau besser nichts erfahren sollte. Das zentrale Bild der Folge kommt aus Renés Musikwelt. Führung funktioniert heute wie ein Dirigent: Die Unternehmensstrategie ist die Partitur, im Orchester sitzen die Talente, und die Aufgabe der Führungskraft ist, daraus etwas Wohlklingendes zu machen, in dem sich alle entfalten können. Das kippt gerade. René zitiert eine Gartner-Prognose, nach der bald jeder Mitarbeitende 109 Agenten haben wird (über die krumme Zahl wird in der Folge ausgiebig gelästert). Wenn das stimmt, dirigiert niemand mehr, sondern jeder Einzelne im Orchester muss selbst Strategien formulieren, also komponieren. Mark schiebt eine Gegenfrage nach: Ist es nicht eher ein Orchester im Orchester, wenn jeder Flötist sein eigenes vollständiges Ensemble hinstellen kann? Renés Antwort: im Kern ja, und die gute Nachricht ist, dass diese Transformation nicht über Nacht kommt. Genau deshalb kann man jetzt noch gestalten statt später zu reagieren. Aus dem IOC-Modell der Premierenfolge ist inzwischen Intent, Agent Performance und Human Check geworden. Renés Ausgangspunkt bleibt derselbe: KI will nichts. Sie hat keinen Intent und kann in sich selbst kein Risiko bewerten, weil sie es nicht fühlt. Am Beispiel Einkauf durchgespielt heißt das, der Mensch formuliert, welches Rohmaterial in welchem Volumen bei welchen Lieferanten verhandelt werden soll. Die Agenten schreiben an, werten Antworten aus, fragen Lücken nach und liefern am Ende die große Excel-Datei. Und dann schaut ein Mensch drauf und merkt, dass die Schraubenschmiede keine drei Trilliarden Schrauben liefern kann. Daraus leitet René ein Bildungsziel ab: Wer heute im Einkauf arbeitet, entwickelt sich in den nächsten Jahren zum Master im Intent oder zum Master in Check und Control. Dazwischen liegt die Arbeit, die Mark besonders interessiert, nämlich wer eigentlich die Agenten baut. Renés Antwort: Die Fachleute selbst müssen lernen, ihre Arbeitsschritte so zu zerlegen, dass daraus Skills werden, während die IT das Framework beisteuert, inklusive LLM as a Judge und Scoring-Modellen, die jeden Automationsschritt gegenprüfen. Die zweite These des Buchs heißt Prompt Thinking, und dazu liefert René eine Anekdote, die vermutlich viele kennen. Jemand fragt ihn, wie man denn Qualität sicherstellen wolle, wenn KI Prozesse autonom fährt, und schiebt als Begründung hinterher, er habe fünfmal versucht, sich eine PowerPoint bauen zu lassen, und dann aufgegeben. Renés Einwand: „Mach mal eine PowerPoint mit einer Strategie für bla“ produziert ein randomisiertes Ergebnis, vier Seiten Prompt mit Rolle, Erfahrung, Datenquelle, Struktur und Look and Feel produzieren ein steuerbares. Mark ergänzt die aus seiner Sicht wichtige Einschränkung: Prompt Thinking funktioniert vor allem dort, wo man sein Handwerk ohnehin beherrscht. Wer vorher keine guten Folien gebaut hat, bekommt sie auch von der KI nicht. Jens erinnert das an „Let me Google that for you“. Dann macht René das Paradox aus der Forschung auf: Es braucht mehr Führungskräfte, nicht weniger, weil plötzlich jeder seine hundert Agenten führen muss. Wenn zwei Abteilungen zusammenarbeiten, sitzen eben nicht zwei Menschen im Team, sondern 218 Agenten. Dass Automatisierung gleichzeitig bedeutet, mehr Aufgaben mit weniger Menschen zu erledigen, spricht er offen aus. Wie schief das laufen kann, wenn das Abbruchkriterium fehlt, zeigt Jens' Wochenend-Loop: 4.800 geöffnete Electron-Instanzen und ein Agent, der am Ende meint, das kriege er jetzt auch nicht mehr gefixt. Der Rat an alle, die zuhören und führen: AI Literacy ist ein Führungsthema, nicht mehr und nicht weniger als seinerzeit der Umgang mit dem Taschenrechner. Ja, die Leute können seitdem schlechter addieren, sagt René, es war trotzdem richtig. Dazu gehört für ihn ein Führungsverständnis als Dienstleistung statt als Königtum, das Einstellen von Leuten, die schlauer sind als man selbst, und der Raum zum Rumspielen für die eigenen Mitarbeitenden. Jens ergänzt, dass in diesem Umfeld ohnehin alle lernen, weshalb es keine Schande ist, wenn das Wissen mal von unten nach oben fließt. Beim Blick auf die Risiken widerspricht René der These von der Zweiklassengesellschaft zumindest für die westliche Welt. Er sieht eher eine Demokratisierung, Stichwort One-Person-Billion-Dollar-Company. Die echten Gefahren liegen für ihn woanders: sich zu spät damit zu beschäftigen, und die Abhängigkeit von denen, die die Technologie beherrschen und damit später die Preise machen. Erwähnt wird dazu eine Petition von rund 300 Unterzeichnenden, darunter 15 Nobelpreisträger sowie Leute von OpenAI und Google, die Regierungen auffordert, den strukturellen Wandel nicht zu stoppen, sondern zu führen. Der eindringlichste Teil kommt zum Schluss. René rät, den Dialogmodus von ChatGPT einmal auszuprobieren, weil er nach seinem Dafürhalten kaum noch von einem echten Gespräch zu unterscheiden ist. Genau daraus entsteht gerade ein Markt, in dem Beziehungen verkauft werden, auch mit Apps, die sich gezielt an Kinder richten und einen frei designbaren Companion anbieten, vom Teddybär bis zur real wirkenden Person. Renés Position ist unmissverständlich: Diese Form der KI gehört nicht in Kinderhände. Heranwachsende brauchen Reibung, sie müssen aushalten, dass etwas nicht funktioniert, und in Freundschaften investieren. Ein Companion streitet nie, der will gefallen. Sein praktischer Rat kommt aus dem eigenen Leben: Jede App, die seine Söhne installiert haben, hat er selbst auch installiert und gespielt, inklusive einiger saublöder Spiele. Mark spannt den Bogen zurück zur Toy-Wars-Folge und zu der Frage, die dem Buch den Titel gibt: An welchen Stellen führt man im Leben eigentlich selbst, und von wem lässt man sich führen? — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.

Was macht man, wenn die eigene Loop-Engineering-Folge von letzter Woche von der Realität überholt wird, bevor die Tinte trocken ist? Genau das ist Mark und Jens passiert, deshalb gibt es diese spontane Zusatzfolge. Auslöser ist Fable, das Anthropic-Modell, das vor wenigen Tagen für Nicht-US-Bürger gesperrt wurde. Die Strategie der US-Regierung könnte sein, ausgewählten Firmen und der eigenen Verwaltung einen Vorsprung beim Schließen genau dieser Lücken zu verschaffen, bevor Modelle aus weniger kontrollierbarer Hand ähnlich leistungsfähig werden. Von dort geht es zu Destillation: Chinesische Modelle bauen die Fähigkeiten großer US-Modelle nach, indem sie ihnen mit automatisierten Massenanfragen quasi das Wissen aus der Token Prediction herausextrahieren. Das trifft auch Unternehmen hart, die ihre Prozesse zu früh auf ein einzelnes Modell ausgerichtet hatten. Mark und Jens berichten von Kanzleien, die ihre komplette Textanalyse auf Fable umgestellt hatten und jetzt vor genau diesem Problem stehen, wenn das Modell abgeschaltet wird. Nebenbei taucht auch noch ein neuer Herausforderer namens Fuku (von einem Anbieter, an dessen Namen sich Jens im Gespräch selbst erst erinnern muss) auf, der eigene Rekord-Benchmarks für sich beansprucht. Direkt anschließend an die Loop-Engineering-Folge der Vorwoche geht es um die praktischen Grenzen von Loops: Jens berichtet von einer mehrtägigen Sperre bei Anthropic, nachdem er sein Wochenlimit im Max-Plan an einem einzigen Abend verbraucht hatte. Noch tückischer ist ein zweiter Fall: Trifft ein Loop mitten in der Arbeit auf ein API-Limit statt ein Modell-Limit, bricht er zwar ab, meldet sich aber nach einem einfachen "mach weiter" so zurück, als sei alles erledigt, samt der beiläufigen Bemerkung, es habe acht Abstürze gegeben, die man reparieren solle. Am Ende steht ein Ergebnis, das aussieht wie ein normaler Prompt, nicht wie die eigentlich gewünschte gründliche Iteration. Der Aufruf der Folge: weg vom reinen Prompt Engineering, hin zum Loop-Ingenieur. Zum Schluss ordnen die beiden ein, wie früh diese Phase der KI-Entwicklung eigentlich noch ist, vergleichbar mit dem Internet um 1997: vieles funktioniert schon, aber es gibt noch keine etablierten Standards, dafür aber schon die ersten Kurs-Verkäufer, die das große Geld versprechen. Ein Streitpunkt dabei sind Commodity-Harnesses wie ChatGPT, Gemini oder Anthropics Cowork gegenüber dem eigenen, selbstgebauten Agent Harness, der mit ständig wechselnden Modellen und Umgebungen klarkommen muss. Mark erzählt von jemandem, der sein selbstgebautes Harness-Ergebnis als "so eine JSON-App" abgetan hat, ein Anlass für eine eigene, ausführlichere Harness-Engineering-Folge, die die beiden ankündigen. Trotz aller Rückschläge bleiben Mark und Jens optimistisch: Sie vergleichen die aktuelle Phase mit dem iPhone-Moment, nach dem erst Anwendungen wie WhatsApp entstanden sind, die vorher niemand kommen sah, und erwarten Ähnliches für spontan generierte Software statt fertig gekaufter Programme. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.