• Token Budget
    Nov 14 2026
    Wie viel darf KI kosten, und woran erkennt man, dass sich der Verbrauch lohnt? Mark und Jens sind wieder vollständig am Tisch, Jens ist nach einer Krankheit zurück. Sie sprechen darüber, wie schnell Abo-Kontingente aufgebraucht sind, warum der Umstieg auf die API-Abrechnung teuer werden kann und weshalb der Verbrauch allein noch nichts über die Qualität eines Ergebnisses sagt. Ein Thema ist der Begriff Token Maximizing, mit dem Entwickler am Verbrauch gemessen wurden, und das Wechseln zwischen mehreren Abos, sobald eines leer ist. Berichten zufolge haben manche Konzerne die Tagesbudgets für ihre Entwickler gesenkt. Ist ein Token teurer geworden, oder leisten die Modelle schlicht mehr? Welche Aufgabe braucht wirklich das größte Modell? Schnelle Varianten kosten mehr, und nur weil einem ein Ferrari in die Garage gestellt wird, fährt man nicht effizient. Der zweite Teil dreht sich um Apple. Mark hat auf seinem iPhone einen eigenen Agenten namens Hermes gebaut, mit einem notizbuchartigen Interface statt eines Chatfensters, Morgenbriefings aus Kalender und Mails und einer Frage an Apples Private Cloud Compute: Wie weit trägt der Datenschutz? Ob die kostenlosen Kontingente bleiben, ist offen. — 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.
    Show More Show Less
    57 mins
  • Sicherheitsversprechen
    Nov 8 2026
    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 ...
    Show More Show Less
    52 mins
  • Organisation als Harness
    Nov 1 2026
    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 ...
    Show More Show Less
    50 mins
  • Software Ade
    Oct 24 2026
    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.
    Show More Show Less
    50 mins
  • Wissensraum
    Oct 18 2026
    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.
    Show More Show Less
    1 hr and 21 mins
  • Virtuelle Freunde
    Oct 10 2026
    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.
    Show More Show Less
    34 mins
  • KI Effizienz
    Oct 4 2026
    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.
    Show More Show Less
    1 hr and 32 mins
  • JEV Moment
    Sep 26 2026
    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.
    Show More Show Less
    59 mins