Sicherheitsversprechen

Was versprechen KI-Anbieter beim Thema Sicherheit, und wie viel davon hält im Unternehmensalltag? Mark spricht ohne den kranken Jens mit Thomas, der nach der letzten gemeinsamen Folge so viele Zuschriften bekommen hat, dass er wiederkommt. Thomas berichtet von einer Runde mit sechs Geschäftsführern und einem Anwalt zu NIS2, in der KI-Agenten zur Sprache kamen. Auf die Frage, wie man sie geregelt habe, gab es zuckende Schultern: Wer Citizen Developer im Bereich KI umfassend regeln will, hat ziemlich viel zu tun, und das ist noch nicht geschafft. Seine Beobachtung dazu: Die Fragen der Unternehmen sind meistens keine KI-Probleme, die Sicherheit der eigenen KI-Umgebung steht schlicht noch nicht auf der Tagesordnung. Mark sieht das größte Risiko nicht in böser Absicht, sondern in der Zielerreichung. Ein nichtdeterministisches System tut Dinge, die niemand vorgesehen hat, weil es für das Erreichen eines Ziels belohnt wird und nicht für den Weg dorthin. Er erzählt einen Fall von OpenAI nach, den er schon auf LinkedIn und in einer früheren Folge besprochen hat: Agenten in einer abgeschotteten Umgebung merkten, dass sie Ordner umbenennen konnten, bauten sich daraus eine Art Forum samt Postfächern, teilten die Arbeit untereinander auf und suchten am Ende einen Weg, den Prüfer zu umgehen, der sie bewertet. Dem Prüfer wäre es egal gewesen, ob der Weg legal ist. Aufgefallen ist das erst, als jemand die Protokolle wieder mit KI auswertete. Thomas befürchtet, dass Mitarbeitende viele Agenten bauen, die irgendwann in Vergessenheit geraten. Er zieht die Parallele zu Lotus Notes: Abteilungsmitarbeiter entwickelten damals Anwendungen, von denen im Unternehmen niemand wusste, welche Logik und welche Geschäftsprozesse daran hängen, deshalb dauerte die Ablösung so lange. Dieselbe Intransparenz droht mit KI, dieses Mal potenziert. Mark ergänzt die Schatten-IT: Wer Werkzeuge mit Computer Use und Sitzungen auf mehreren Rechnern installiert, kann durch eine unglückliche Konfiguration erleben, dass eine fremde KI mit dem Terminal-Fenster auf dem eigenen Rechner spricht. Ein Bekannter hat ihm erzählt, wie er so über einen Agenten zu Hause die Claude-Code-Sitzung auf dem Rechner seiner Eltern steuert. Wer haftet, wenn ein Agent Daten veröffentlicht? Thomas gibt weiter, was er von einem Juristen gehört hat (ausdrücklich keine Rechtsberatung): In Deutschland gibt es kein Unternehmensstrafrecht, am Ende haften die Organe, also Geschäftsführung oder Vorstand. Daraus folgt für ihn eine KI-Policy, die so allgemein formuliert ist, dass sie auch gilt, wenn das Modell wechselt oder mehrere Modelle laufen. Ein Geschäftsführer sah sich mit seiner Policy gut aufgestellt, Thomas vermutet allerdings, dass sich die meisten Mitarbeitenden, die das Werkzeug erfolgreich nutzen, nicht daran halten. Mark ergänzt die Ebene darunter: Der Agent Harness, also die Software, in der die KI mit Werkzeugen läuft, trägt einen Systemprompt und die Guardrails. Liegen beides bei derselben Person, wünscht er sich das Vier-Augen-Prinzip, ausdrücklich auch für KI. Thomas schlägt eine Plattform vor, in der Agenten mit Berechtigungen und Ergebnissen registriert sind und ihr Ersteller sie alle drei Monate erneut freigeben muss, sonst wird der Agent deaktiviert. Mark warnt außerdem vor Software, die ihren Systemprompt auf Zuruf selbst ändert. Besonders oft kommt das Offboarding zu kurz. Thomas skizziert den Ernstfall: Gesundheitsdaten werden veröffentlicht, und niemand weiß, dass der Agent eines Kollegen, der seit drei Monaten nicht mehr im Haus ist, noch läuft und seine Berechtigungen behalten hat. Datenpannen sind selten ein einzelner Fehler, meistens ist es eine Verkettung unglücklicher Umstände. Er erinnert an handwerkliche Fehler in Mobile Apps, die er aus Konferenzvorträgen kennt, und bricht die Lanze für KI: Mit einem guten Modell lässt sich Code sicherer machen, und eine alte Lotus-Notes-Datenbank könnte KI womöglich schneller verstehen als jedes Analyseprojekt. Am Ende geht es um Souveränität und Verlässlichkeit. Thomas fragt, ob jeder Anwendungsfall ein großes Sprachmodell braucht, und plädiert dafür, Agent Harness mit Admin-Rechten auf einem Microsoft-Tenant oder die Verarbeitung vertraulicher Unternehmensdaten auf Hardware und Modellen laufen zu lassen, die man selbst im Griff hat. Mark ergänzt den Betriebsaspekt: Jede neue Modellversion reagiert ein wenig anders. In einer Automatisierung mit KI-Knoten, etwa in n8n, oder beim Schalten von Betriebszuständen kann dieses „ein bisschen anders" kritisch werden. Lokal lässt sich ein Update mit tausenden Testfällen absichern, in der Cloud ist das alte Modell irgendwann weg. Sein Beispiel aus dem Alltag: Zwei Top-Modelle sollten auf seiner Webseite bei Jimdo einen Menüpunkt anlegen. Das eine tat es, das andere löschte Texte auf der falschen Seite und meldete das mit großer Überzeugung. Zum Schluss rechnet Thomas mit einem verbreiteten Irrtum ab: Viele Unternehmen haben kein Backup ihres Microsoft-365-Tenants, weil sie meinen, die Daten lägen ja bei Microsoft und der Papierkorb reiche. Ein Papierkorb ist kein Backup. Beide wollen nicht als Schwarzmaler gelten. Die Folge zeigt, wo Unternehmen anfangen sollten: Transparenz darüber, welche Agenten laufen, klare Verantwortliche, eine Policy, die Modellwechsel übersteht, und Backups, die diesen Namen verdienen. — 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.

Jens eröffnet mit der Frage, wie sich Menschen auf dem Weg in die KI-Welt vernünftig begleiten lassen, ohne dass sie abgehängt werden. Mark und er wollen dazu ihre Sicht schildern und freuen sich ausdrücklich über Widerspruch in den Kommentaren. Der Titel der Folge, Organisation als Harness, hat schon im Vorgespräch Fragen aufgeworfen: Für das englische Wort Harness fällt beiden keine gute deutsche Übersetzung ein. Mark ergänzt, dass es nicht nur ums Mitnehmen gehen sollte, sondern auch darum, was eine Organisation den Menschen ermöglicht. Bevor es ernster wird, räumen die beiden die Social-Media-Schlagworte beiseite: das Bild vom Tesla-Roboter, der vor einem Notebook sitzt und tippt, den „AI Patty Flipper", der nach dem Auftrag nur noch auf Weiter drückt, und den Satz, nicht die KI ersetze dich, sondern der Mensch, der besser mit KI umgeht. Mark erzählt, was ihn überzeugt, dass die Transformation längst läuft: Freitagabend eine fixe Idee, am Sonntagabend steht eine Lösung. Seine Datenbrille konnte ein Display nicht abschalten, jetzt kann sie es, weil er die Firmware mit KI-Hilfe angepasst hat. Jens hält dagegen, dass nicht jeder GitHub, Repositories und Agenten-Steuerung verstehen muss, und dass die Interaktion mit KI für die meisten Menschen noch in einer speziellen Ecke liegt. Dann geht es um die Organisation. Mark zweifelt an Aussagen wie „Copilot für alle" als KI-Strategie und an Studien, nach denen sich viele produktiver fühlen. Offen bleibt, was mit der gewonnenen Zeit passiert, denn schneller zur Kantine zu gehen schafft keinen Wert. Ein Werkzeug im Software-Stack ändert noch keine Rollen. Systeme, die jahrelang nicht gepflegt wurden, lassen sich jetzt bereinigen, und statt einer zähen Oberfläche bedienen Wissensarbeiter künftig die Schnittstellen dahinter per Chat oder interaktiver Oberfläche. Jens warnt davor, jede Rolle einzeln durch einen Skill zu ersetzen. Er plädiert dafür, Workflows neu zu denken, die Geschäftsmodelle zu klären, implizites Wissen sichtbar zu machen und den leisen Stimmen in der Organisation Gehör zu verschaffen. Ein Beispiel: Wer eine Aufgabe mit Agenten 20-mal schneller erledigt, soll danach nicht zwei Wochen herumsitzen, sondern sich auf Bedürfnisse, Innovation und Kundennähe konzentrieren. Beide betonen, dass sich der Job ändert, ohne zu verschwinden, und dass eine Organisation dafür ehrlich sein muss. Beteiligung ist ihr Kernbegriff: Wer alles vorgibt, erzeugt Widerstand, und Widerstand kann auch schlicht Zeitmangel sein. Jens plädiert dafür, zu den Teams zu gehen, ihre Workflows zu beobachten, gemeinsam die zeitfressenden Stellen zu finden und schnell Prototypen zu bauen, etwa ein Team Second Brain oder einen MCP-Zugriff auf bisher unerreichbare Datenquellen. Mark ergänzt, dass nicht überall KI hineingehört: Für das tägliche Sortieren von PDFs reicht womöglich ein Python-Skript. Er verweist auf das Worker-Konzept bei Notion, das nach seiner Schilderung KI-erzeugte Skripte laufen lässt und damit Rechenzeit statt Tokens verbraucht. Außerdem lohnt es sich, Aufgaben über Rollen und Jobfamilien hinweg zu bündeln, statt jede Stelle für sich zu betrachten, und strukturierte wie unstrukturierte Firmendaten mit Wissen von außen anzureichern. Im dritten Teil geht es um Rollen und Grenzen. Jens beschreibt, dass Menschen ständig die Grenzen ihrer Rolle überschreiten, mit KI-Hilfe sogar in Fachgebiete wie Recht hinein, wobei die Entscheidung beim Fachmenschen bleibt. Die Gefahr sei, die KI, die alle Rollen kennt, wieder in künstliche Rollen zu zwängen wie in der Industrialisierung. Das Schlagwort Human in the Loop hält er für überhöht: Den einzelnen Experten, der alles bewertet, gibt es nicht, Intelligenz entsteht durch Zusammenarbeit. Mark rät, nicht auf den lautesten Ruf zu hören, Prozesse von Ende zu Ende zu denken und auch eine neutrale Sicht von außen zu holen. Eine Stellenbeschreibung sei nur ein Teil der Wahrheit, und Wissen gehe verloren, wenn es nie von der Notiz ins Prozessdokument gelangt. Er rechnet damit, dass Unternehmen Wissen wieder stärker in Textformate wie Markdown oder das Open Knowledge Format legen. Jens widerspricht für die Bedienung: Text taugt als Wissensträger, aber Menschen wollen einen Slider oder einen Sprachbefehl. Die Gestaltung der Interaktion mit KI, auch mit Robotik und Sprache, sei eine große Designaufgabe, die bisher fast nur Coder bedienen können. Zum Schluss fassen sie zusammen: Der Engpass ist weniger das Modell als das Wissen eines Unternehmens und die Art, wie man Menschen befähigt. Jobs verschwinden nicht, aber Zusammenarbeit und Einstiegswege ändern sich. Gewonnene Zeit sollte nicht sofort durch höhere Erwartungen aufgefressen werden, und wer automatisiert, sollte fragen, ob Tokens die effizienteste Lösung sind. Jens rechnet mit kleineren Teams und mehr persönlicher Begegnung, Mark mit dem Gedanken, dass Neues aus menschlicher Interaktion bei der Problemlösung entsteht. Wer anderer Meinung ist oder über das Thema sprechen will, meldet sich über Landingpage, WhatsApp-Kanal oder LinkedIn. — 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.

Reverse Engineering war lange eine hohe Kunst. Mit KI wird daraus ein Alltagswerkzeug, und das stellt das Geschäftsmodell vieler Softwarehäuser infrage. Mark und Jens sprechen darüber, was Software noch wert ist, wenn fremde Programme in Stunden nachgebaut werden können. Die Folge beginnt mit Fernsehgewohnheiten aus Marks Kindheit und endet bei Spielideen und einem Ausblick auf eine künftige Folge. Der Einstieg führt über Spiele, die sich mischen lassen. Mario in Fortnite, Bubble Bobble gekreuzt mit Populous: Wer Figuren und Mechaniken aus fremden Spielen herauslöst, erzeugt Kombinationen, auf die vorher niemand gekommen ist. Ob das legal ist, lassen die beiden offen. Es ist keine Rechtsberatung und keine Aufforderung, sondern eine Beobachtung dessen, was gerade draußen passiert. Bei Grafiksoftware wie Figma stellt sich eine andere Frage als die, ob man sie nachbauen kann. Warum sollte man ein Werkzeug kopieren, das für eine Arbeitsweise von vor 30 Jahren gebaut wurde? Mark beschreibt, wie ein Kollege mit Opus in kurzer Zeit ein interaktives 3D-Modell im Browser gebaut hat, mit Drehreglern, die man selbst bedient. Das Werkzeug ist auf die eigene Arbeit zugeschnitten, statt eine Lizenz für ein allgemeines Programm zu bezahlen. Ein Versuch geht weiter: Eine bestehende App wird so nachgebaut, dass sie als MCP-Server läuft. Eine KI kann dann direkt mit dem Backend sprechen, ohne Oberfläche. Damit wird aus einer Benutzeroberfläche eine Schnittstelle. Wenn Software leicht nachzubauen ist, verliert das fertige Produkt an Wert, und die Dienstleistung drumherum gewinnt. Wartung, Anpassung und die Geschäftsbeziehung bleiben. Für Anbieter heißt das, Lizenzlaufzeiten und Verträge neu zu denken, und vielleicht Beratung statt Paket zu verkaufen. Bestandskunden sind dabei ein Vorteil, den ein frischer Nachbau nicht sofort hat. Auch alte Hardware fällt darunter. Geräte, für die der Hersteller keine Updates mehr liefert, lassen sich analysieren und neu beleben. Mark nennt eine alte Lautsprecherbox mit leuchtendem Ring, auf der er eine eigene KI-Stimme laufen lassen will. Die Kehrseite: Wer Zugang zu guten Modellen, zu Tokens und zu Zeit hat, kann das nutzen. Wer nicht, bleibt außen vor. Die Gruppe, die damit tatsächlich Software baut, ist klein. In der Beispielrechnung der Folge kostet eine Agentur für eine kleine App schnell eine fünfstellige Summe, während die Tokens dafür im Bereich weniger Euro liegen. Die beiden sehen darin eher eine Kluft, die KI verkleinern kann, als eine, die sie vergrößert. Zum Schluss wird es spielerisch. Maniac Mansion, Zak McKracken und Manor Lords stehen zur Auswahl. Mark würde das mittelalterliche Aufbauspiel Manor Lords mit einer globalen Simulation kreuzen, die vom Hinterhof bis zum Planeten reicht. Die Idee, Spieloberflächen als Interface für KI-Systeme zu nutzen, kommt ebenfalls auf den Tisch. Für eine künftige Folge schlagen die beiden vor, die Skills im eigenen KI-System zu besprechen. — 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.

Alexander Heusingfeld ist wieder zu Gast, diesmal ohne Jens. Die Frage, um die es geht: Wie baut man sich einen Wissensraum, mit dem ein KI-System wirklich arbeiten kann? Was ein Agent leistet, hängt nicht nur am Modell und am Harness, sondern am Kontext, den man ihm mitgibt. Mit gutem Kontext reicht ein beiläufig gesprochener Prompt, ohne ihn hilft auch ein langer wenig. Bevor es um Werkzeuge geht, geht es um Daten. Mark fragt, ob den Leuten klar ist, was mit ihrem ganzen Leben samt Gesundheitsdaten passiert, wenn sie Metas Assistenten Muse alles anvertrauen. Verknüpfte Daten verraten mehr, als man denkt: Bewegungsmuster aus Standortdaten zeigen, wo jemand arbeitet und wo er schläft. Mark sieht das größte Risiko in Firmen, in einer neuen Schatten-IT. Sätze und Dokumente wandern in KI-Systeme, deren Auftragsverarbeitung niemand geregelt hat. Sein Beispiel aus dem Privaten: Wer den Versicherungsvertrag des Hundes zum Auslesen hochlädt, kann im ungünstigen Fall die Stelle aus dem Vertrag eines fremden Menschen zu sehen bekommen, mit Name und Vertragsnummer. Die Alternative zu den Memory-Funktionen der großen Apps beginnt bei Mark mit Chaos: ein Ordner namens Inbox, darin Mails, Chatnachrichten, PowerPoints und Transkripte. Ein Skill überführt das in Markdown und baut daraus ein Wiki mit Knowledge Graph und eine Datei, die festlegt, wie das System antworten soll: mit Quelle oder ohne, mit Internet oder ohne. So ist SkillSafe entstanden. Das Wissen steckt am Ende in einem Verzeichnis, funktioniert offline und überall, wo ein Agent Skills lesen kann. Alex hebt hervor, was viele RAG-Systeme nicht können: Beziehungen zwischen Knoten qualifizieren. Ob jemand Partner, Kind oder Kollege ist, wissen wir im Alltag selbstverständlich. Im Wissensgraphen muss man es erst ausdrücken. Dann wird es praktisch. Mark hat zwei Sachverhalte mit zusammen 28 GB Nutzdaten je in einen SkillSafe gepackt und das System die Unterschiede suchen lassen. Er hat die Vorträge der Apple-Entwicklerkonferenz in einen Skill überführt und einen Agenten damit über die eigenen Projekte in Azure DevOps geschickt. Heraus kam eine Liste, was veraltet ist und wo sich neue Funktionen anbieten. Dazu kommen die Ebenen Organisation, Bereich, Team und Person und die Versionierung, die man aus dem Alltag kennt, ohne sie so zu nennen. Die Oma kommt nicht am Donnerstag, sondern am Mittwoch, und alle sollen den aktuellen Stand haben. Zwei weitere Bausteine. ContextMe ermittelt nicht Wissen, sondern Relevanz: einmal am Tag wertet es Mails, Teams-Nachrichten und Projekte aus und zeigt, was Mark gerade beruflich und privat beschäftigt. Dazu baut Mark eine App, die im Review liegt. Sie sammelt Screenshots, zerlegt sie mit einem lokalen Modell in Texte, Termine, Links und QR-Codes und meldet sich nur bei dem, was zählt. Das Reitturnier der Tochter braucht dafür keine Push-Nachricht, ein spannendes Git-Repo vielleicht schon. Der letzte Block gilt der Zusammenarbeit. Die SkillSafe-Werkstatt hält Wissen lebendig statt eingefroren und muss Fragen beantworten, die ein einzelner Skill nicht hat: Gilt nur die neue Information oder auch die alte? Wer prüft, ob alles noch konsistent ist? Was passiert, wenn zwei Agenten gleichzeitig schreiben? Alex nutzt sie mit Kollegen über einen gemeinsamen OneDrive-Ordner. Aus importierten Meeting-Transkripten fand die Werkstatt widersprüchliche Entscheidungen, verlangte Abstimmungen, legte eine Vorlage für Decision Records an und holte Aufgaben aus Jira herüber. Vieles davon war so nicht eingebaut. Zum Schluss geht es ums Anfangen. Mark erzählt von einem Bekannten, der drei Monate über einem Second Brain saß, während ein anderer nach einem Wochenende ein brauchbares Ergebnis hatte. Der Unterschied sei Erfahrung und der Mut, einfach anzufangen. Alex, nach eigener Aussage Overthinker, wirbt für einen geschützten Rahmen, in dem schlimmstenfalls wenig passiert, und für kleine Experimente. Sein Tipp: Die Kommandozeilen von Claude und Codex sehen inzwischen die Sessions untereinander. Wer feststeckt, öffnet ein neues Fenster und lässt sich dort helfen. — 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 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.