- Startseite
- Podcasts
- KI Espresso Podcast
Episoden
Dieser Podcast wird gerade aktualisiert – wir suchen nach neuen Episoden …
8 Minuten
HackerTube sammelt YouTube-Empfehlungen aus dem Forum Hacker News und nutzt laut Projekt Claude, um Kommentare einzuordnen und Videokarten zu erstellen. Marc und Irene gehen einer Karte zu Filterkaffeemaschinen nach: Wie hilft KI dabei, eine eigene Videoliste zusammenzustellen, und welchen Quellen und Auswahlregeln wollen wir vertrauen?
Acht Kommentare, sieben Empfehlende: Eine Verlinkung ist nicht automatisch eine Empfehlung. Ein Originalkommentar zum Video von Technology Connections ist nachvollziehbar; den ganzen Film haben wir nicht angesehen. Wiederkehrende Empfehlungen in verschiedenen Monaten sind bei HackerTube ein Auswahlkriterium, kein Beweis für die Qualität eines Videos.
YouTubes Beschreibung von Zufriedenheitssignalen aus dem Jahr 2021 und Blueskys wählbare Feeds von 2023 helfen beim Vergleich. HackerTube personalisiert ebenfalls. Zum Schluss überlegen wir, wie man mit einer konkreten Frage und ausgewählten Quellen anfangen und die eigenen Regeln anhand der Vorschläge überprüfen könnte. Ein Qualitätsvorsprung gegenüber YouTube wurde hier nicht getestet.
Projekt und Datenerklärung:
https://hackertube.org/about
https://hackertube.org/data
Die Kaffeekarte und ein Originalkommentar:
https://hackertube.org/watch/Sp9H0MO-qS8
https://news.ycombinator.com/item?id=34313980
Historischer Kontext:
https://blog.youtube/inside-youtube/on-youtubes-recommendation-system/
https://bsky.social/about/blog/7-27-2023-custom-feeds
Bericht über den Aufbau des Projekts:
https://the-decoder.de/ki-forscher-andrej-karpathy-filtert-43-millionen-hacker-news-kommentare-zu-einer-kuratierten-video-plattform/
Kapitel:
00:00 Wer empfiehlt uns die Kaffeemaschine?
01:10 Ein Link kann vieles bedeuten
02:31 Was Claude zum eigenen Werkzeug beiträgt
03:55 Was wäre daran besser als YouTube?
05:06 Die Regeln wählen können
06:34 Mit einer überschaubaren Auswahl anfangen
Acht Kommentare, sieben Empfehlende: Eine Verlinkung ist nicht automatisch eine Empfehlung. Ein Originalkommentar zum Video von Technology Connections ist nachvollziehbar; den ganzen Film haben wir nicht angesehen. Wiederkehrende Empfehlungen in verschiedenen Monaten sind bei HackerTube ein Auswahlkriterium, kein Beweis für die Qualität eines Videos.
YouTubes Beschreibung von Zufriedenheitssignalen aus dem Jahr 2021 und Blueskys wählbare Feeds von 2023 helfen beim Vergleich. HackerTube personalisiert ebenfalls. Zum Schluss überlegen wir, wie man mit einer konkreten Frage und ausgewählten Quellen anfangen und die eigenen Regeln anhand der Vorschläge überprüfen könnte. Ein Qualitätsvorsprung gegenüber YouTube wurde hier nicht getestet.
Projekt und Datenerklärung:
https://hackertube.org/about
https://hackertube.org/data
Die Kaffeekarte und ein Originalkommentar:
https://hackertube.org/watch/Sp9H0MO-qS8
https://news.ycombinator.com/item?id=34313980
Historischer Kontext:
https://blog.youtube/inside-youtube/on-youtubes-recommendation-system/
https://bsky.social/about/blog/7-27-2023-custom-feeds
Bericht über den Aufbau des Projekts:
https://the-decoder.de/ki-forscher-andrej-karpathy-filtert-43-millionen-hacker-news-kommentare-zu-einer-kuratierten-video-plattform/
Kapitel:
00:00 Wer empfiehlt uns die Kaffeemaschine?
01:10 Ein Link kann vieles bedeuten
02:31 Was Claude zum eigenen Werkzeug beiträgt
03:55 Was wäre daran besser als YouTube?
05:06 Die Regeln wählen können
06:34 Mit einer überschaubaren Auswahl anfangen
9 Minuten
Nous Research hat Arete als nachtrainierte Version von Qwen veröffentlicht und nennt westliche Werte ausdrücklich als Ziel. Marc und Irene verfolgen an einem veröffentlichten Trainingsfall, wie sich Tatsachenbehauptungen, Antwortverweigerung und politische Rahmung unterscheiden. Was zeigt der Test des Entwicklers, und wer legt fest, was sein Prüfer belohnt?
Der Fall fragt nach journalistischer Skepsis gegenüber einer Festnahme aufgrund eines polizeilichen Gesichtsabgleichs. Die veröffentlichten Antworten stammen von der Ausgangsversion Qwen und dem Lehrermodell Inkling. Sie sind kein Vorher-nachher-Beispiel für Qwen und Arete. Die mitgelieferten Prüfnotizen kritisieren auch Angaben der Lehrerantwort.
Die Selbstbewertung von Nous wird zusammen mit ihrer Faktenbewertung und den Grenzen der Rubrik erklärt. OpenAIs politische Bewertung, Claudes Verfassung und der frühere Rückzug einer übermäßig zustimmenden GPT-4o-Version zeigen andere Wege, Verhalten zu messen oder zu beeinflussen. Daraus entsteht kein Rangvergleich der Anbieter.
Zum Schluss geht es um die Wahl offener Modelle und eine eigene Prüfung: Belege vorab festlegen, Tatsachen von Empfehlungen trennen und Antworten in der tatsächlich verwendeten Sprache vergleichen. Veröffentlichte Gewichte und Regeln ermöglichen Einsicht und Anpassung; sie garantieren keine Neutralität oder fehlerfreien Antworten.
Quellen:
https://nousresearch.com/arete
https://openai.com/index/defining-and-evaluating-political-bias-in-llms/
https://www.anthropic.com/news/claude-new-constitution
https://openai.com/index/expanding-on-sycophancy/
Der Fall fragt nach journalistischer Skepsis gegenüber einer Festnahme aufgrund eines polizeilichen Gesichtsabgleichs. Die veröffentlichten Antworten stammen von der Ausgangsversion Qwen und dem Lehrermodell Inkling. Sie sind kein Vorher-nachher-Beispiel für Qwen und Arete. Die mitgelieferten Prüfnotizen kritisieren auch Angaben der Lehrerantwort.
Die Selbstbewertung von Nous wird zusammen mit ihrer Faktenbewertung und den Grenzen der Rubrik erklärt. OpenAIs politische Bewertung, Claudes Verfassung und der frühere Rückzug einer übermäßig zustimmenden GPT-4o-Version zeigen andere Wege, Verhalten zu messen oder zu beeinflussen. Daraus entsteht kein Rangvergleich der Anbieter.
Zum Schluss geht es um die Wahl offener Modelle und eine eigene Prüfung: Belege vorab festlegen, Tatsachen von Empfehlungen trennen und Antworten in der tatsächlich verwendeten Sprache vergleichen. Veröffentlichte Gewichte und Regeln ermöglichen Einsicht und Anpassung; sie garantieren keine Neutralität oder fehlerfreien Antworten.
Quellen:
https://nousresearch.com/arete
https://openai.com/index/defining-and-evaluating-political-bias-in-llms/
https://www.anthropic.com/news/claude-new-constitution
https://openai.com/index/expanding-on-sycophancy/
8 Minuten
OpenAI beschreibt ein Testgerät für Gespräche mit Codex: Zwei Mitarbeiter entwarfen es mit Astra als Nebenprojekt, ein Auftragshersteller fertigte eine kleine Prototypenserie. Marc und Irene verfolgen den Weg von den Anforderungen über Gehäuse, Elektronik und Software bis zur Herstellung. Was davon könnte einer kleinen Mannschaft mit einer eigenen Produktidee helfen?
Die Sitzhalterung von GM und Autodesk aus dem Jahr 2018 zeigt, was generatives Konstruieren schon früher konnte. Der Versuch von Chip Ganassi Racing führt in die Gegenrichtung: vom Scan einer vorhandenen Sache zu einem bearbeitbaren technischen Modell. JARVIS am MIT bringt Werkstätten, Erfahrung und Erprobung in die Geschichte zurück. Die Zusammenarbeit mit Mazda ist ein Forschungsvorhaben, dessen Ergebnisse noch folgen sollen.
Der berichtete Geräteversuch erforderte mehrere Prüfrunden vor der Fertigung. Ein öffentlich verfügbarer Baukasten mit der speziellen Arbeitsumgebung und den Gerätedateien ist damit nicht belegt. Die Beispiele zeigen mögliche Ansatzpunkte für eigene Vorhaben; sie belegen keine allgemeine Zeit- oder Kostenersparnis. Die Angaben zum Gerät und zu den Industriepartnern stammen von OpenAI, die historischen und studentischen Beispiele aus Berichten von Autodesk und MIT.
Welche Sache würdet ihr gern verbessern, und welcher erste Entwurf würde euch helfen, über den nächsten Schritt zu entscheiden?
Quellen:
https://openai.com/index/accelerating-engineering-for-the-physical-world/
https://adsknews.autodesk.com/en/news/gm-autodesk-using-generative-design-vehicles-future/
https://news.mit.edu/2026/can-ai-build-jet-engine-jarvis-challenge-tests-ai-copilots-in-tough-tech-engineering-0714
Die Sitzhalterung von GM und Autodesk aus dem Jahr 2018 zeigt, was generatives Konstruieren schon früher konnte. Der Versuch von Chip Ganassi Racing führt in die Gegenrichtung: vom Scan einer vorhandenen Sache zu einem bearbeitbaren technischen Modell. JARVIS am MIT bringt Werkstätten, Erfahrung und Erprobung in die Geschichte zurück. Die Zusammenarbeit mit Mazda ist ein Forschungsvorhaben, dessen Ergebnisse noch folgen sollen.
Der berichtete Geräteversuch erforderte mehrere Prüfrunden vor der Fertigung. Ein öffentlich verfügbarer Baukasten mit der speziellen Arbeitsumgebung und den Gerätedateien ist damit nicht belegt. Die Beispiele zeigen mögliche Ansatzpunkte für eigene Vorhaben; sie belegen keine allgemeine Zeit- oder Kostenersparnis. Die Angaben zum Gerät und zu den Industriepartnern stammen von OpenAI, die historischen und studentischen Beispiele aus Berichten von Autodesk und MIT.
Welche Sache würdet ihr gern verbessern, und welcher erste Entwurf würde euch helfen, über den nächsten Schritt zu entscheiden?
Quellen:
https://openai.com/index/accelerating-engineering-for-the-physical-world/
https://adsknews.autodesk.com/en/news/gm-autodesk-using-generative-design-vehicles-future/
https://news.mit.edu/2026/can-ai-build-jet-engine-jarvis-challenge-tests-ai-copilots-in-tough-tech-engineering-0714
7 Minuten
NVIDIAs Städteüberblick vom 2. November 2026 verbindet KI-Assistenten, gemeinsame Rechenleistung und die Auswertung von Straßenbildern. Marc und Irene verfolgen einen gedachten Weg durch die digitale Verwaltung: Was hilft einem Einwohner bei der Anmeldung zu einem Onlinedienst, und wo braucht er weiterhin den zuständigen Support?
Am Beispiel des katalanischen Verwaltungsverbunds AOC erklären sie die dokumentierte Informationshilfe von GuIA. Der Assistent sucht in offiziellen Hilfeartikeln; er greift nicht auf persönliche Akten zu und trifft keine Verwaltungsentscheidungen. Die Betriebsgeschichte der generativen Assistenten des Verbunds reicht bis 2024 zurück.
Von dort führt das Gespräch zu gemeinsam genutzten Rechnern und einem von NVIDIA als im Aufbau beschriebenen Videoprojekt in Breslau. Es handelt sich um getrennte Anwendungen. Zum Schluss geht es darum, welche Hilfe eine Stadt beauftragen sollte, welche Daten sie dafür braucht und wer Fehler korrigiert.
Die Angaben stammen aus dem NVIDIA-Überblick und veröffentlichten Unterlagen des Betreibers. Der Weg des Einwohners ist eine Illustration, kein eigener Live-Test. Die genannten Supportzahlen belegen keine kürzeren Warteschlangen und isolieren den Effekt generativer KI nicht.
Quellen:
https://blogs.nvidia.com/blog/cities-physical-agentic-ai-applications/
https://www.aoc.cat/projecte-innovacio/xatbots-ia-generativa-aoc/
https://suport.aoc.cat/ca-ES/condicions-us-guia/
https://www.aoc.cat/ia-transparencia-xatbots-amb-ia-generativa/
Am Beispiel des katalanischen Verwaltungsverbunds AOC erklären sie die dokumentierte Informationshilfe von GuIA. Der Assistent sucht in offiziellen Hilfeartikeln; er greift nicht auf persönliche Akten zu und trifft keine Verwaltungsentscheidungen. Die Betriebsgeschichte der generativen Assistenten des Verbunds reicht bis 2024 zurück.
Von dort führt das Gespräch zu gemeinsam genutzten Rechnern und einem von NVIDIA als im Aufbau beschriebenen Videoprojekt in Breslau. Es handelt sich um getrennte Anwendungen. Zum Schluss geht es darum, welche Hilfe eine Stadt beauftragen sollte, welche Daten sie dafür braucht und wer Fehler korrigiert.
Die Angaben stammen aus dem NVIDIA-Überblick und veröffentlichten Unterlagen des Betreibers. Der Weg des Einwohners ist eine Illustration, kein eigener Live-Test. Die genannten Supportzahlen belegen keine kürzeren Warteschlangen und isolieren den Effekt generativer KI nicht.
Quellen:
https://blogs.nvidia.com/blog/cities-physical-agentic-ai-applications/
https://www.aoc.cat/projecte-innovacio/xatbots-ia-generativa-aoc/
https://suport.aoc.cat/ca-ES/condicions-us-guia/
https://www.aoc.cat/ia-transparencia-xatbots-amb-ia-generativa/
6 Minuten
Bei Cult.fit hat die Personalabteilung mit Codex einen Ablauf für Mitarbeiterbeurteilungen gebaut, der Planung, Rückmeldungen und die Zusammenführung der Informationen organisiert. Marc und Irene fragen, wie aus dem Wissen eines Fachteams ein verlässliches Werkzeug wird und wann sich Eigenbau gegenüber einem fertigen Dienst lohnt.
Der am 5. November 2026 veröffentlichte Kundenbericht von OpenAI beschreibt mehr als zwanzig interne Anwendungen aus Teams außerhalb der Softwareentwicklung. Cult.fit ist ein indisches Fitnessunternehmen mit Studios und Kursen. Ingenieure unterstützen die Teams durch gemeinsame Entwicklungskonventionen, regelmäßige Sprechstunden und Mitarbeit in ausgewählten Bereichen.
Der HR-Prozess führt durch den Gesprächsverlauf. Fragen zu Zugriffsrechten, Abnahme und späterer Pflege sind unsere Überlegungen für eine eigene Einführung. Die konkrete Umsetzung dieser Punkte bei Cult.fit ist im Bericht nicht beschrieben.
Ein separater Fall zeigt die wirtschaftliche Abwägung. Ein Ingenieur ersetzte eine teurer gewordene Dashboard-Funktion durch eine eigene Anwendung. Cult.fit nennt dadurch vermiedene jährliche Softwarekosten von mehr als $100.000. Eine vollständige Rechnung einschließlich Entwicklung, Infrastruktur und Betreuung liegt im Kundenbericht nicht vor.
Die Angaben stammen von Cult.fit und OpenAI. Quellen und Einordnung:
OpenAI, Cult.fit builds operational muscle with Codex, 5. November 2026
https://openai.com/index/cultfit-builds-with-codex/
Der am 5. November 2026 veröffentlichte Kundenbericht von OpenAI beschreibt mehr als zwanzig interne Anwendungen aus Teams außerhalb der Softwareentwicklung. Cult.fit ist ein indisches Fitnessunternehmen mit Studios und Kursen. Ingenieure unterstützen die Teams durch gemeinsame Entwicklungskonventionen, regelmäßige Sprechstunden und Mitarbeit in ausgewählten Bereichen.
Der HR-Prozess führt durch den Gesprächsverlauf. Fragen zu Zugriffsrechten, Abnahme und späterer Pflege sind unsere Überlegungen für eine eigene Einführung. Die konkrete Umsetzung dieser Punkte bei Cult.fit ist im Bericht nicht beschrieben.
Ein separater Fall zeigt die wirtschaftliche Abwägung. Ein Ingenieur ersetzte eine teurer gewordene Dashboard-Funktion durch eine eigene Anwendung. Cult.fit nennt dadurch vermiedene jährliche Softwarekosten von mehr als $100.000. Eine vollständige Rechnung einschließlich Entwicklung, Infrastruktur und Betreuung liegt im Kundenbericht nicht vor.
Die Angaben stammen von Cult.fit und OpenAI. Quellen und Einordnung:
OpenAI, Cult.fit builds operational muscle with Codex, 5. November 2026
https://openai.com/index/cultfit-builds-with-codex/
In Podcasts werben
Schalte jetzt Werbung in Podcasts.
Über diesen Podcast
KI Espresso ist dein täglicher KI-Podcast für Künstliche
Intelligenz, AI News und Tech News aus Deutschland und der Welt.
In 5 bis 7 Minuten bekommst du die wichtigsten KI-News, klar
eingeordnet und auf den Punkt. Für alle, die verstehen wollen,
wie KI Arbeit, Wirtschaft und Alltag verändert. Neue Folgen von
Montag bis Freitag.
Kommentare (0)
Melde dich an, um einen Kommentar zu schreiben.