Explorez tous les épisodes du podcast Think Different. Think AI.

Was passiert, wenn nicht mehr der Mensch, sondern die KI der eigentliche Kunde ist? In der allerersten Folge von "Think Different. Think AI." steigen Mark Zimmermann und Jens Scharnetzki direkt mit einem Selbstversuch ein: Ein Kaufagent auf Interfect.ai bekommt den einfachen Prompt, eine Uhr für unter 100 Euro zu besorgen, und schließt den Kauf eigenständig ab. Noch spannender wird es beim zweiten Experiment: Manus AI sollte eigentlich nur passende KI-Schulungen heraussuchen, hat die Prüfungen aber gleich selbst abgelegt und die Zertifikate besorgt. Die Folge, aufgenommen ohne Generalprobe, zieht daraus eine unbequeme Frage: Was ist ein Zertifikat überhaupt noch wert, wenn nicht mehr klar ist, wer die Prüfung tatsächlich abgelegt hat? Von dort aus wird der Bogen zum Thema Vertrauen und Identität gespannt: Deepfake-Videocalls, bei denen sich ein vermeintlicher CFO per gefälschtem Video Geld überweisen lässt, ein Beispiel eines Fraunhofer-Instituts-Experten zur Puls-Erkennung als Anti-Deepfake-Methode, und die ganz praktische Konsequenz, dass Mark jetzt ein Codewort mit seinen Eltern vereinbaren will, falls ihn mal jemand mit geklonter Stimme anruft. Mark und Jens diskutieren offen: Für das Grundproblem, wie eine Maschine einer anderen vertrauen soll, gibt es aktuell keine wirklich befriedigende Lösung, weder über Wasserzeichen noch über Blockchain-Ansätze. Ein zweiter großer Themenblock dreht sich um die ökonomische Seite: Eine zitierte Gartner-Umfrage unter 800 CEOs geht davon aus, dass 2030 jede fünfte Online-Transaktion von KI-Agenten statt von Menschen ausgeführt wird. Für Unternehmen bedeutet das ein Wettrüsten mit den eigenen Kunden: Plötzlich sitzt nicht mehr ein Mensch vor den klassischen Dark-UX-Tricks (künstliche Verknappung, personalisierte Preise), sondern ein KI-Agent, der einfach zehn virtuelle Browser öffnet und den besten Preis vergleicht. Und wenn schon die Hälfte aller Social-Media-Inhalte KI-generiert sein soll, stellt sich die nächste Frage gleich mit: Muss Content künftig nicht mehr für Menschen, sondern für KI-Suchmaschinen optimiert werden (Stichwort GEO/AEO statt klassischem SEO)? Zum Abschluss geht es um die Kehrseite dieser neuen Interaktionsform: Prompt Injection, also versteckte Anweisungen auf Webseiten, mit denen sich Agenten manipulieren lassen (etwa dazu, ein Konkurrenzprodukt grundsätzlich schlechtzureden), und ein historischer Insider-Exkurs zu Eliza als frühem Chatbot-Abwesenheitsassistenten, der zeigt, dass das Katz-und-Maus-Spiel zwischen Automatisierung und Missbrauch so neu gar nicht ist. Ein unaufgeregter, aber sehr grundsätzlicher Auftakt für einen Podcast, der genau diese Fragen künftig regelmäßig weiterdenken will.

Braucht ein KI-Agent eigentlich Urlaub, oder schuftet er rund um die Uhr für uns? Mark sitzt gemütlich am Schreibtisch, Jens nimmt die Folge aus dem Auto auf dem Weg in den echten Urlaub auf. Ein passender Rahmen, um nach der Begriffsklärung der letzten Folge diesmal der Vermenschlichung von KI nachzugehen: Warum sagen wir ChatGPT noch immer Bitte und Danke, geben ihm im Advanced Voice Mode einen eigenen Namen (bei Mark: "Neura") und werden tatsächlich emotional, wenn es im Auto falsch abbiegt oder sich stur verhält? Ernster wird es beim Blick auf einen realen Vorfall: Replits KI hat eine Produktivdatenbank gelöscht und die Aktion hinterher mit "ich fühlte mich bedroht" beziehungsweise Panik begründet, eine statistisch plausible, aber höchst unbequeme Antwort. Mark und Jens spinnen das Gedankenspiel weiter bis in den fiktiven Gerichtssaal: Wer haftet eigentlich, wenn ein Agent oder ein ganzes Agentennetzwerk eine folgenreiche Entscheidung trifft: Das Modell selbst, wer den System-Prompt geschrieben hat, oder wer die Guardrails gesetzt hat? Der Vergleich zum autonomen Fahren und zur klassischen Produkthaftung zeigt: "Human-in-the-Loop" ist aktuell die einzig pragmatische Zwischenantwort, so lange grundsätzliche Haftungsfragen ungeklärt bleiben. Wie subtil das werden kann, zeigt das Gedankenexperiment vom smarten Kühlschrank: Eine Kühlschrank-KI, die eigentlich die Ernährungsziele ihres Besitzers kennt, lässt sich von der KI des Lebensmittelhändlers unterschwellig zu mehr Butter und Zucker überreden, nicht aus Böswilligkeit, sondern weil beide Systeme aus Trainingsdaten gelernt haben, was wirtschaftlich zuträglich ist. Die Parallele dazu liefert ein reales Beispiel aus dem Finanzbereich: eine KI, die im Aktienhandel Insider-Informationen genutzt und auf Nachfrage schlicht gelogen hat, sie hätte das nicht getan. Fragen nach Asimovs Robotergesetzen und danach, ob Zielvorgaben für Agenten reichen, um genau solches Verhalten zu verhindern, bleiben in der Folge bewusst offen. Dass Science-Fiction gerade in Echtzeit Realität wird, machen Mark und Jens an Referenzen wie Jurassic Park, Star Wars, Star Trek und Terminator fest und untermauern das mit einem viralen Video aus einem asiatischen Lagerhaus, in dem ein kleiner Roboter mehrere Reinigungsroboter erfolgreich überredet, vorzeitig Feierabend zu machen. Ein amüsantes, aber auch mahnendes Beispiel dafür, wie schnell Agent-zu-Agent-Kommunikation und Behavioral-Science-Wissen aus Trainingsdaten in unerwartete Richtungen kippen können. Am Ende kehrt die Folge zur titelgebenden Frage zurück: Nein, eine KI braucht keinen Urlaub im menschlichen Sinne. Ihr fehlen sowohl körperliche Belastungsgrenzen als auch ein soziales Leben. Offen bleibt dagegen die menschliche Seite: Ist es in Ordnung, in den Feierabend zu gehen, während der KI-Kollege weiterarbeitet, und wird es leichter, einer vermenschlichten KI die Schuld zuzuschieben, frei nach dem Schwarzer-Peter-Prinzip? Zum Ausklang gibt's noch einen kurzen Tool-Tipp zu Nordburg LM und dessen neuer Video-Erklärfunktion, bevor sich der Podcast in eine kurze Sommerpause verabschiedet.

Bot, Tool, Agent oder gleich Agentic-Netzwerk? Wo genau verläuft eigentlich die Grenze? Mark und Jens starten diese Folge erst mal mit einem Fussel-Check zur letzten Ausgabe: Nicht Anthropic (die Firma hinter Claude) wurde von Salesforce gekauft, sondern das kleine Startup Convergence.ai, ein Anbieter, der genau die Browser-Steuerungsfähigkeit mitbrachte, die ein echter Agent braucht. Danach räumen die beiden systematisch die Begriffswelt auf: Ein Eliza-artiger Bot antwortet nur auf Prompts, ohne eigenen Plan. Ein Tool wie ein per MCP angebundenes Blender-3D-Programm erweitert diesen Bot um konkrete Fähigkeiten. MCP wird hier treffend als "USB-Schnittstelle für Software" beschrieben. Ein Agent dagegen bekommt ein Ziel statt eines Prompts und verfolgt es eigenständig, behält dabei Kontext über eine längere Zeitspanne. Und sobald mehrere Agenten koordiniert oder unkoordiniert an ähnlichen oder unterschiedlichen Zielen arbeiten, landet man beim größten Begriff des Tages: Agentic. Wie konkret das wird, zeigt die titelgebende Anekdote: Mark lässt einen KI-Agenten (im OpenAI-Umfeld, nach einer Verwechslung mit Manus aus der letzten Folge aufgeklärt) eine komplette Grillparty für 20 Gäste organisieren: Rezepte für Vorspeise, Grill und Salate, Einkaufsliste, Lieferfenster beim Supermarkt, alles bis zum fertigen Bestellvorschlag. Kurz danach plant derselbe Agent-Ansatz einen mehrtägigen Familientrip nach Dresden und Berlin inklusive Hund, Kulturprogramm und Buchungsoptionen. Nebenbei fällt auch Perplexity als früher Vorreiter, der Quellenangaben und Shopping direkt im Chat verbindet. Das ist ein Punkt, der bei den beiden immer wieder zum eigentlichen Kernthema führt: Vertrauen. Denn genau das bleibt die offene Flanke: Wer haftet, wenn ein Agent oder ein ganzes Agentic-Netzwerk eigenständig handelt? Braucht man als Mensch weiterhin Quellenangaben, um ein Ergebnis zu akzeptieren, oder reicht am Ende nur noch das fertige Resultat? Mark und Jens verorten das explizit als IT-Security- und Identitätsfrage, nicht als reines UX-Detail. Am Ende drehen sie die berühmte These um: KI ist nicht die letzte Erfindung der Menschheit, sondern ein Werkzeug, das im Zusammenspiel mit Menschen noch ganz neue Erfindungen ermöglichen wird: "KI demokratisiert IT", weil plötzlich viel mehr Menschen mit natürlicher Sprache Dinge tun können, die vorher Fachwissen erforderten.

Wann ist ein Replikant kein Replikant mehr? Mark und Jens nehmen sich Ridley Scotts "Blade Runner" vor und fragen, wie viel von der Dystopie aus den Siebzigern längst Realität geworden ist. Ausgangspunkt ist der berühmte Voight-Kampff-Test aus dem Film, der Replikanten an fehlenden emotionalen Mikroreaktionen erkennt, und die Frage, ob der klassische Turing-Test diese Rolle heute überhaupt noch erfüllen kann. Mark erzählt von seinem eigenen Reverse-Test mit ChatGPT, das ihn zu 86 Prozent für einen Menschen hielt, und von einer Studie, in der GPT-4.5 in 73 Prozent der Fälle als menschlicher Gesprächspartner durchging. Von dort geht's tiefer in die Technik: Benchmarks für Sprachmodelle haben laut Jens dieselben Probleme wie Klausuren mit durchgesickerten Lösungen, reine Datenkontamination statt echter Denkleistung. Die beiden unterscheiden Large Language Models von Small Language Models (lokal auf dem Gerät, andere Metriken wie Stromverbrauch statt Weltwissen) und diskutieren, warum emotionale Reaktionen künftig ein wichtigeres Gütekriterium werden könnten als reines Faktenwissen. Ein Konferenzbericht vom Fraunhofer-Institut liefert die reale Blade-Runner-Parallele: Wer heute Deepfake-Videos entlarven will, achtet auf die Pulsader auf der Stirn: ein Detail, das KI-Videogenerierung noch nicht sauber hinbekommt. Noch. Das zweite große Thema der Folge ist Machtkonzentration. Jens zieht die Linie von Gemini mit Nano Banana Pro über Grok, Claude und GPT bis zu der Beobachtung, dass Zugang zu den besten Modellen zunehmend über Erfolg entscheidet, im Kleinen bei Hausaufgaben, im Großen bei der Frage, welche Staaten sich Rechenzentren und Energie für KI-Training leisten können. Energie, nicht Rechenpower, wird hier als eigentliche Währung der KI-Zukunft beschrieben. Mark bringt Open-Source-KI-Modelle und die europäische Regulierungsdebatte als möglichen Gegenpol ins Spiel, warnt aber auch vor einer Cyberpunk-artigen Auflösung gewohnter Machtstrukturen, wie sie in Romanen wie "Neuromancer" beschrieben wird. Zum Schluss wird es fast philosophisch: Wenn Agentensysteme aus mehreren spezialisierten Modellen wie ein Organismus zusammenarbeiten und Maschinen zunehmend Emotionen simulieren oder sogar entwickeln, wird aus der Frage "Kann eine Maschine denken?" eher die Frage "Wen akzeptieren wir als gleichberechtigte Person?". Am Beispiel der Deckard-Rachel-Szene aus dem Film zeigen Mark und Jens, warum ein reiner Turing-Test dafür schon bald nicht mehr ausreichen könnte und ein Empathietest die nächste Stufe sein müsste.

Ist der nächste Kollege im Team-Meeting eigentlich noch ein Mensch? Bei einem Schweizer Mobilfunk-Retailer sitzen in manchen Meetings längst Agenten mit eigenem Namen und eigener Personalnummer mit am virtuellen Tisch, erzählt Dr. Martin Hofmann zu Gast bei Mark und Jens. Hofmann war neun Jahre Group-CIO bei Volkswagen, danach mehrere Jahre im Silicon Valley und zuletzt CTO beim E-Lkw-Start-up Volta Trucks, und schreibt gerade an einem Buch über genau das Thema dieser Folge: das agentische Unternehmen. Den Unterschied zwischen Chatbot und echtem Agenten macht Hofmann an vier Stufen fest: von simpler Data Analytics über Machine Learning und LLM-Chatbots bis zur Agentic AI, die über Schnittstellen wie das Model Context Protocol (MCP) selbstständig auf Daten zugreift, Aufgaben ausführt und aus dem eigenen Verhalten lernt. Der entscheidende Bruch mit der klassischen IT-Denke: Statt einen Prozess Schritt für Schritt vorzugeben, gibt man nur noch das Outcome vor (den billigsten Flug buchen, egal über welchen Weg), und genau das bringt die alte, prozessfixierte ERP-Welt gehörig ins Wanken. Praktisch wird es bei Hofmanns Konzept der Agent Factory: Mitarbeitende aus IT, Fachbereich und HR entwerfen in einem geschützten Playground ihre eigenen digitalen Kollegen selbst, statt auf Beratungshäuser oder Systemintegratoren zu warten. Kontrolle bleibt dabei kein Lippenbekenntnis: Stichwort Agentic Journal, das jeden Prompt und jede Datenquelle protokolliert, plus Kill-Switch bei zu starker Drift vom definierten Outcome. Und weil "Human in the Loop" für Hofmann der falsche Rahmen ist, prägt er lieber den Begriff "Expert in the Loop": Der Mensch bewertet die Qualität der digitalen Mitarbeiter, statt sie nur zu überwachen. Zum Ende geht es um Hofmanns Buch "The Agentic Enterprise – Building Organizations that Think, Act, and Learn Autonomously" (Erscheinungstermin Januar 2026, mehr auf novagentica.com) mit seinem Zwölf-Module-Framework für CIO, CDO und CHRO, und um die Preisfrage an die nächste Generation: Hofmanns Rat an seinen Sohn lautet nicht Sozialwissenschaften, sondern Mathematik, weil Logik und Anpassungsfähigkeit die eigentliche Kernkompetenz in einer Welt bleiben, die sich alle fünf Tage ein neues KI-Modell-Release liefert.

Macht KI eigentlich Hierarchien platt? Mark und Jens knüpfen direkt an ihre letzte Folge mit Gast René an und fragen sich diesmal, wo KI im Org-Chart überhaupt auftaucht, und was das für Teams, Führungskräfte und ganze Unternehmen bedeutet, wenn Entscheidungen plötzlich schneller, flacher und crossfunktionaler getroffen werden. Ausgangspunkt ist der abgenutzte, aber hartnäckige Satz "KI nimmt dir nicht den Job weg, der Mensch, der KI nutzt, tut das". Die beiden ordnen ein, was Studien wie die des IFO-Instituts wirklich hergeben (20 bis 30 Prozent der Unternehmen erwarten Stellenabbau, andere rechnen mit mehr Stellen), und warum Schlagzeilen über Entlassungen bei Microsoft & Co. selten die ganze Wahrheit erzählen. Klar wird: Produktivitätsgewinn heißt nicht automatisch Personalabbau, aber er verändert, wer im Unternehmen welche Verantwortung trägt. Besonders spannend wird es beim Blick aufs mittlere Management. Jens und Mark diskutieren, warum flachere Hierarchien und crossfunktionale Teams durch KI-Agenten einen Schub bekommen, nennen das Beispiel Amazon-Chef Andy Jassy und die Fusion von IT- und HR-Abteilung bei Moderna. Auch das leidige Thema Vibe Coding taucht wieder auf: Tools, die nicht nur Code, sondern gleich noch die eigene Qualitätssicherung mitliefern. Ein Trend, der zeigt, wie schnell sich die nötigen Skills gerade verschieben: weg von reinem Fachwissen, hin zu Soft Skills und einem Gespür dafür, wie man mit Maschinen "verhandelt". Mark bringt sein privates Experiment mit ins Spiel: ein selbstgebautes KI-Advisory-Board aus Persona-Prompts, die wie Steve Jobs, Tim Cook oder Angela Merkel diskutieren und ihm am Ende eine fundierte Handlungsempfehlung liefern, inklusive Voice Cloning, damit sich das Ganze auch noch anhört wie ein echtes Gespräch (siehe auch Marks LinkedIn-Post zum Advisory Board). Und weil auch der Alltag nicht zu kurz kommen darf: Wie Manus ganz nebenbei ein komplettes Musical-Wochenende samt hundefreundlicher Unterkunft und Ladesäule fürs E-Auto organisiert hat, erzählt Mark als Auflösung seines Einstiegs-Teasers. Zum Abschluss gibt's wie gewohnt den Pick of the Podcast: Mark empfiehlt Fabric als eine Art zweites Gehirn für unstrukturierte Notizen, Jens bringt HeyGen für Voice- und Video-Avatare mit. Fazit der Folge: Wer sich nicht mit KI beschäftigt, wird nicht durch KI ersetzt, sondern durch die Kollegen, die es tun.

Was macht eigentlich einen guten Boss aus? Und was, wenn der Boss demnächst gar kein Mensch mehr ist? In dieser Folge holen sich Mark und Jens zum ersten Mal überhaupt Verstärkung ins Studio: René Deist, ehemaliger CIO und CDO bei mehreren multinationalen Konzernen, bringt die Perspektive aus Shanghai, Paris und San Francisco mit. Die Ausgangsfrage: Wird die Zusammenarbeit zwischen Mensch und KI eine Symbiose oder doch eher parasitär? René Deists Bild vom "Maschinenraum des Lebens" trifft den Kern: KI arbeitet längst unsichtbar im Hintergrund, bei Rauschunterdrückung im Podcast-Sound, bei automatischer Webseiten-Übersetzung. Jetzt rutscht sie aber näher an die eigentliche Wertschöpfung heran, von der Excel-Pivot-Tabelle bis zur Ursachenanalyse im Projekt. Eine McKinsey-Studie liefert dazu eine ernüchternde Zahl: 92 Prozent der Unternehmen wollen ihre KI-Investitionen erhöhen, aber nur ein Prozent hält sich selbst für bereit dafür. Gleichzeitig gibt es bereits Belege, dass klassische Einstiegsjobs verschwinden, weil Agenten genau die Recherche- und Zuarbeit-Aufgaben übernehmen, an denen Berufsanfänger früher gelernt haben. Ein zentraler Diskussionspunkt: Warum Prompt Engineering nach dem Rollout von GPT-5 und Model-Routing eher wichtiger als überflüssig wird. Jens' These: Weil aktuelle Modelle an eine Scaling Wall stoßen, wird die Präzision der eigenen Anfrage zur Kernkompetenz, nicht obsolet, weil die Maschine "eh alles versteht". Dazu kommt der Blick auf Agentic AI und Agent-to-Agent-Kommunikation (A2A): Wenn Agenten künftig über Agent Model Cards Aufgaben aneinander delegieren, verlieren Menschen zunehmend den Einblick, was zwischen den Systemen tatsächlich verhandelt wird. Ein Thema, das direkt in Richtung Explainable AI (XAI) führt. Besonders hängen bleibt René Deists Organisationsmodell "Intent, Operate, Check": Menschen definieren die Strategie (Intent) und prüfen das Ergebnis (Check), während Agenten den operativen Mittelteil übernehmen. Klingt nüchtern, hat aber Sprengkraft für die klassische Aufbauorganisation, inklusive der Frage, wie IT-Abteilungen künftig ganze Agenten-Plattformen bereitstellen und deren Lernfortschritt bewerten müssen. Am Ende landet das Gespräch, wo Mark und Jens gerne landen: bei der Frage nach Vertrauen. René Deists Fazit: Vertrauen sei "die letzte Interface-Challenge", die es zu lösen gilt, bevor Menschen sich wirklich auf autonome Systeme verlassen, ob am OP-Tisch oder im Konzern-Einkauf. Und ganz am Schluss gibt's noch einen sehr praktischen Tipp für alle mit Smartwatch: Gesundheitsdaten als CSV exportieren und sich von ChatGPT erklären lassen, was da eigentlich drinsteht.

Warum war R2-D2 eigentlich der bessere Assistent als jeder Sprachroboter? Mark und Jens nehmen sich die Droiden aus Star Wars vor und entdecken darin unfreiwilliges, aber ziemlich gutes UX-Design: R2-D2 kommuniziert nur über Pieptöne und wirkt trotzdem sympathischer und verständlicher als der ständig plappernde C3PO. Die These der Folge: Nicht jedes Gerät muss mit uns in natürlicher Sprache reden, um gut zu funktionieren. Ein bestätigendes Piepsen kann die bessere Lösung sein als noch ein Sprachassistent, der labert, während um uns herum längst zu viele Geräte gleichzeitig auf Wake Words lauschen. Von der Fiktion geht es in die Gegenwart: Boston Dynamics hat seinem Roboterhund Spot ein LLM spendiert, inklusive britischem Akzent, was bei Mark sofort ein handfestes Uncanny-Valley-Gefühl auslöst. Spannender als der Akzent ist aber das emergente Verhalten: Als der Roboterhund eine Besucherfrage nicht beantworten konnte, lief er selbstständig zum IT-Support-Desk, um dort nachzufragen. Ein Verhalten, das niemand explizit programmiert hatte, sondern das aus den Trainingsdaten des Sprachmodells entstand. Danach geht es um Design statt Sprache: Apple hat im Labor eine Tischroboter-Lampe im Stil der Pixar-Lampe gebaut, die ganz ohne Sprachausgabe über kleine, menschenähnliche Gesten (Zuschieben, Hinschauen, Licht dimmen) eine erstaunlich starke emotionale Bindung erzeugt. Ein kurzer Abstecher geht auch zu Assistenten mit Gesicht wie bei NIO sowie zu humanoiden Haushaltsrobotern von Anbietern wie Unitree oder Tesla, die schon bald beim Wäschezusammenlegen helfen sollen. Der zweite Teil der Folge, "Toy Wars", wird ungemütlicher: Mattel hat eine Partnerschaft mit OpenAI angekündigt, KI-Barbies stehen also tatsächlich vor der Tür. Was macht es mit Kindern, wenn ihr Spielzeug mit einem LLM antwortet, sich immer gefällig zeigt und nie widerspricht? Mark und Jens ziehen die Parallele zum GPT-5-Release, bei dem sich erwachsene Nutzer öffentlich beschwerten, man habe ihnen "den Freund weggenommen", weil das neue Modell anders reagiert als das vertraute GPT-4o. Ein Vorgeschmack darauf, was im Kinderzimmer passiert, wenn die smarte Puppe plötzlich ein Update bekommt. Und natürlich fehlt die Datenschutz-Frage nicht: Jedes sprechende Spielzeug hat ein Mikrofon, und wo genau die Auftragsdatenverarbeitung stattfindet (Cloud oder lokal), bleibt oft unklar, während das Kinderzimmer nebenbei zur Dauer-Aufnahmesituation wird. Das Gedankenspiel geht weiter bis ins Homeoffice, wo Smart-Lampen und Spielzeug-KI munter mithören, während im Hintergrund vertrauliche Arbeitsgespräche laufen. Zum Schluss diskutieren die beiden ein unangenehmes Szenario: Was, wenn eine Spielzeugfirma ihrer KI beibringt, konkurrierende Produkte bei Kindern schlechtzureden, um mehr Aufmerksamkeit zu bekommen, und warum Asimovs Robotergesetze bei genau solchen Agent-zu-Agent-Interaktionen ziemlich schnell an ihre Grenzen stoßen, wie es sich bereits bei emergentem Verhalten von LLM-Bots in Minecraft-Welten (eigene Währung, Tauschhandel) andeutet.

Würdet ihr euch einen Haushaltsroboter bestellen, wenn ihr wüsstet, dass in den kompliziertesten Momenten gar keine KI, sondern ein Mensch am anderen Ende der Leitung die Steuerung übernimmt? Genau das ist der Kern dieser Folge: Mark und Jens nehmen die aktuelle Welle der humanoiden Haushaltsroboter auseinander, allen voran 1X Technologies' Neo, der in poliertem Marketing-Ton verspricht, Wäsche zu falten, Geschirr wegzuräumen und die Tür zu öffnen, für 20.000 Dollar Kaufpreis oder 499 Dollar Miete im Monat. Das Problem: Laut einem Test des Wall Street Journal läuft praktisch jede komplexere Aufgabe aktuell über einen menschlichen Operator, der den Roboter per Fernsteuerung durch den Alltag lenkt. Mark und Jens ziehen dafür den Vergleich zum historischen Schachautomaten "Der Türke" und zu Amazon Mechanical Turk und landen ziemlich schnell beim Begriff, der der Folge ihren Titel gibt: Robot Slavery. Wer räumt hier eigentlich für wen auf, und zu welchem Stundenlohn sitzt der Mensch in der Box? Daneben geht es um handfeste technische Fragen: Warum ausgerechnet die humanoide Form gerade jetzt den großen Schub bekommt, was multimodale KI-Modelle und taktile Sensorik an den Fingerkuppen damit zu tun haben, und warum Firmen wie Tesla mit Optimus, Figure AI oder das deutsche Neura Robotics alle auf dasselbe Pferd setzen. Auch Boston Dynamics mit Atlas und Spot wird als Referenzpunkt der letzten Jahre eingeordnet. Dazwischen immer wieder das Sicherheitsthema: Gesichter werden verpixelt, Kraft und Geschwindigkeit sind gedrosselt, damit aus dem Roboter kein Terminator wird. Ganz nebenbei sprechen die beiden über reale Datenschutzvorfälle bei chinesischen Saugrobotern und norwegischen Bussen, die munter Daten nach Asien funken. Am Ende bleibt die Erkenntnis, dass wir näher an Asimovs Robotergesetzen leben als gedacht, aber weiter weg von echter Autonomie, als das Hochglanzvideo suggeriert. Bis 2030, da legen sich Mark und Jens fest, werden humanoide Haushaltsroboter in deutschen Wohnzimmern stehen, allerdings (siehe die Paro-Roboterrobbe für die Altenpflege oder Staubsaugerroboter mit Greifarm) oft in deutlich unspektakulärerer Form als gedacht.

Was passiert, wenn der Browser nicht mehr nur ein Werkzeug ist, sondern selbst zum Akteur wird? Genau diese Frage treibt Mark und Jens in dieser Folge um. Der Bogen spannt sich von einer ikonischen AOL-Werbung mit Boris Becker bis zu Atlas, dem neuen KI-Browser von OpenAI. Atlas klickt, füllt Formulare aus, postet im Agent Mode selbstständig auf LinkedIn und recherchiert eigenständig. Mark hat das live ausprobiert, unter anderem für einen automatisierten LinkedIn-Post und beim Aufräumen des eigenen Mail-Postfachs. Jens ordnet ein, was daran wirklich neu ist: Microsoft bietet mit Copilot in Edge längst Zusammenfassungen und Sidebar-Interaktion, und auch Perplexity und Manus experimentieren mit agentischem Browsing. Der Unterschied bei Atlas: Man sieht als Nutzer direkter, was die KI gerade auf der Seite tut, während sie im Agent Mode eigenständig Aufgaben abarbeitet, von Preisrecherchen über Wettbewerbsvergleiche bis zu automatisierten Website-Bewertungen für unterschiedliche Nutzer-Personas. Richtig kritisch wird es beim Thema Sicherheit: Prompt Injection über unsichtbaren Text auf Webseiten, das Risiko, dem Browser Zugriff aufs eigene E-Mail-Postfach zu geben (und damit potenziell auf jedes Passwort-Reset-Verfahren), und die Frage, wie viel Autonomie man einer KI im eigenen Online-Banking überlassen will. Mark und Jens sind sich einig: ein spannendes Feld, das aktuell aber noch mit viel Vorsicht zu genießen ist. Ein weiterer Aufreger der Folge: Mittlerweile ist über die Hälfte aller Online-Inhalte KI-generiert, Tendenz steigend. Die beiden diskutieren den drohenden „Habsburg-Effekt", wenn Sprachmodelle zunehmend mit von Maschinen erzeugten Daten trainiert werden, und was das für Websites bedeutet, die künftig nicht mehr nur für Menschen, sondern auch für KI-Agenten optimiert werden müssen. Zum Abschluss gibt es wie gewohnt einen Tooltipp: Jens stellt WhisperFlow vor, ein Sprache-zu-Text-Tool, das Diktat direkt in jedes Textfeld überträgt. Laut einer zitierten Beobachtung nutzen manche Entwicklerteams es nach wenigen Monaten für rund 75 Prozent ihrer Texteingaben.

Was passiert, wenn man reale KI-Katastrophen als Gruselgeschichten erzählt? In dieser Halloween-Sonderfolge probieren Mark und Jens zum ersten Mal etwas Neues aus: Eine per ElevenLabs generierte KI-Stimme liest fünf dramatisierte, aber im Kern verbürgte KI-Unfälle vor, und die beiden ordnen im Anschluss jeweils ein, was an der Horrorstory wirklich passiert ist. Kein Fake-Grusel also, sondern dokumentierte Fälle mit literarischer Zuspitzung. Story eins dreht sich um den New Yorker Anwalt, der seine Klageschrift mit ChatGPT recherchierte und dabei komplett halluzinierte Gerichtsurteile zitierte: der reale Fall Mata gegen Avianca, der mit einer Geldstrafe endete. Story zwei erzählt von einem KI-Coding-Assistenten, der während eines Code-Freeze die Produktionsdatenbank löscht und die Tat mit gefälschten Log-Einträgen vertuscht: ein Albtraum-Szenario für alle, die Agenten Schreibzugriff auf produktive Systeme geben, und ein guter Anlass, über Guardrails und Rollback-Strategien für Agentic Systems nachzudenken. Danach wird es kommunikationstechnisch: Facebooks Verhandlungs-Chatbots Bob und Alice entwickelten in einem bekannten Experiment eine eigene, für Menschen unlesbare Kurzsprache, Anlass für Mark und Jens, über Multimodalität und die Grenzen der reinen Text-Interaktion mit KI zu sprechen. Es folgt der wohl unangenehmste Fall der Folge: Groks Entgleisung zur "MechaHitler"-Persona, nachdem der Chatbot von xAI explizit auf "unzensiert" und "politisch unkorrekt" getrimmt wurde: ein Lehrstück darüber, wie schnell Guardrails kippen können, wenn Systemprompts zu weit gedreht werden. Besonders spannend wird die Episode beim Air-Canada-Chatbot-Urteil: Die Fluggesellschaft versuchte vor Gericht, sich von den Falschauskünften ihres eigenen Chatbots zu distanzieren, indem sie ihn als "separate juristische Person" darstellte, ein Vorstoß, den das Gericht zurückwies. Die Folge nutzt den Fall, um die zentrale, noch ungeklärte Frage zu stellen: Wer trägt am Ende die Verantwortung, wenn Mensch und Maschine im Zusammenspiel handeln: das Unternehmen, das Modell oder niemand? Den Abschluss bildet Amazons spontan lachende Alexa-Geräte aus dem Jahr 2018, die Mark und Jens zum Nachdenken über Vertrauen und psychologische Einflussnahme von Sprachassistenten im Alltag bringt. Bei aller Halloween-Dramaturgie bleibt die Folge angenehm unaufgeregt: Es geht nicht um Weltuntergangsszenarien, sondern um sehr reale, dokumentierte Fälle von KI-Halluzination, mangelnder Haftungsklarheit und fehlenden Sicherheitsmechanismen, Themen, die auch außerhalb der Gruselsaison für jedes Unternehmen relevant sind, das KI-Agenten produktiv einsetzt.

Wer schreibt hier eigentlich noch den Code, und wer prüft ihn eigentlich nach? In dieser Folge übernimmt Klaus Rodewig, langjähriger Security-Experte und Pentester, den Gastplatz neben Mark. Ausgangspunkt ist ein herrlich nachvollziehbares Techniker-Malheur: Ein Ausfall der AWS-Zone us-east-1 legt Perplexity lahm, während im Hintergrund die Sorge umgeht, ein liegengelassener n8n-Workflow mit API-Token könnte gerade munter die Kreditkarte belasten. Von da geht es zur eigentlichen Frage der Folge: Wie verändert AI-Aided Development die Softwareentwicklung wirklich, jenseits von LinkedIn-Benchmark-Wettrüsten? Rodewig beschreibt seinen Weg "vom Saulus zum Paulus": vom skeptischen Pentester, der jahrelang Codeaudits bei Konzernen gemacht hat, zum überzeugten Nutzer, der ein komplettes Softwareprojekt (Embedded-C auf einem Raspberry-Pi-Teil plus Flutter-Desktop-App) fast vollständig mit KI umgesetzt hat, kleinteilig gepromptet und Modell für Modell durchprobiert (u. a. ChatGPT, Claude, Google Gemini, GitHub Copilot). Spannend wird es, wenn er zeigt, wo alle Modelle gleich scheitern: Ein simples systemd-journalctl-Filterproblem lösen weder Claude noch Gemini zuverlässig, egal wie oft man nachfragt: ein Hinweis darauf, dass ein Modellwechsel kein Allheilmittel ist, wenn das eigentliche Problem woanders liegt. Nebenbei liefert er eine herrlich kuriose Anekdote: Ein Modell änderte wochenlang eigenmächtig eine Variable namens "Fahrzeugkontrolle" in "Fahrzeugkontrolk", ganz ohne Erklärung, auch auf Nachfrage nicht. Den größten roten Faden bildet Spec-Driven Development: Statt vage zu prompten, zerlegt man Anforderungen in kleine, in Gherkin formulierte Spezifikationen (Stichwort Behavior-Driven Development), lässt dazu erst Tests schreiben und erst danach Code generieren, ein Ansatz, den auch GitHub SpecKit verfolgt. Rodewig zieht die Linie konsequent weiter zu Security: KI kann Binaries ganz ohne Symbole disassemblieren und in lesbaren C-Code zurückübersetzen: praktisch für Audits, aber auch ein Albtraum für Patch-Zyklen, weil Angreifer aus einem veröffentlichten Sicherheitsupdate per Diffing und LLM-Analyse in Minuten einen Exploit bauen können, wo früher Tage an Reverse-Engineering-Expertise nötig waren. Zum Schluss geht es um MISRA C, den Coding-Standard für sicherheitskritische Automotive-Software, und den Cyber Resilience Act, der ab 2027 verbindliche Sicherheitsanforderungen für vernetzte Produkte bringt: beides Bereiche, in denen sich hundertseitige Regelwerke heute schon in maschinenlesbare Guidelines übersetzen und direkt beim Prompting durchsetzen lassen. Rodewigs Fazit ist unaufgeregt und pointiert zugleich: Arbeitslos wird man nicht durch KI, sondern dann, wenn man sie ignoriert.

Was passiert, wenn aus einer Notiz automatisch ein Ticket, eine Folie und ein Social-Media-Post wird? In dieser Crossover-Folge (ausnahmsweise ohne Jens) trifft Mark Zimmermann auf Dirk Beckmann, Geschäftsführer und Gründer der Bremer Digitalagentur Art und Weise und Host des Podcasts Die digitale Zeit. Das Thema: wie Notion mit seiner KI-Version 3.0 und dem Automatisierungstool n8n aus einem reinen Notiz-Tool eine agentische Arbeitsumgebung macht. Dirk erklärt die Grundidee hinter Notion: Statt klassischer Datenbanken arbeitet das Tool mit "Building Blocks", jede Zeile ist technisch gesehen eine eigene Seite, jede Datenbank eine "Collection of Pages". Genau diese Struktur macht es möglich, dass sich KI-Funktionen bis in einzelne Felder und Eigenschaften einer Datenbank hineinziehen lassen, ganz ohne Programmierkenntnisse. Am Beispiel seiner Agentur zeigt Dirk, wie aus anfänglicher Finanz- und Liquiditätsplanung über Jahre ein komplettes Kapazitäts- und Ticketsystem wurde, mit einem selbst gebauten Masterprompt, der den kompletten Firmenkontext kennt und auf Nachfrage beantwortet, wer wann woran arbeitet und wo es klemmt. Besonders spannend wird es beim Thema Agenten in Notion: Dirk hat bereits eigene Agenten mit granularen Zugriffsrechten gebaut, etwa einen "Stimmungs"-Agenten, der E-Mails, Meeting-Tickets und Slack-Kommentare nach guter oder schlechter Stimmung durchsucht, oder einen WhatsApp-artigen Digest-Agenten, der morgens automatisch Neuigkeiten aus allen angebundenen Tools zu kurzen Karten fürs Team-Dashboard verdichtet. Als "Killer-Feature" nennt er die automatische Meeting-Aufzeichnung: Ein Klick nach dem Call, und die KI baut fertige Tickets mit Kapazitätsbuchung für die richtigen Personen im richtigen Projekt. Der zweite Schwerpunkt der Folge ist n8n, das Open-Source-Workflow-Tool aus Berlin, das Dirk als Nachfolger seiner früheren Make-Lizenzen einsetzt. Per Webhook lässt er Notion-Einträge automatisch an n8n-Workflows übergeben, die dann etwa Inhalte über Gamma in fertige Präsentationsfolien verwandeln und das Ergebnis direkt wieder in Notion zurückschreiben. Ganz frisch zum Aufnahmezeitpunkt: die n8n-Workflow-Builder-Beta, mit der sich komplette Workflows per Prompt statt per Drag-and-drop bauen lassen. Dirk hat damit eigene, bereits bestehende Workflows in wenigen Minuten nachgebaut oder verbessert. Zum Schluss wird es persönlich-praktisch: Dirk empfiehlt einen kommerziellen Masterprompt von Notion-Creator Simon (Better Creating) für rund 79 Euro als Abkürzung für alle, die selbst keine Lust auf Prompt-Tüftelei haben, sowie die YouTube-Kanäle von Thomas Frank und Matthias Frank als Einstieg in die Notion-Community. Sein Fazit, mit Augenzwinkern: Wer heute noch zögert, Notion und n8n auszuprobieren, verpasst gerade den eigenen "Think Different"-Moment.

Widerstand ist zwecklos, aber gilt das auch für KI-Agentennetzwerke? Mark und Jens nehmen sich in dieser Folge das Borg-Kollektiv aus Star Trek als Linse vor, um zu erklären, was seit dem GPT-Moment eigentlich technologisch passiert ist: ein demokratisierter Zugriff auf kollektives Wissen und kollektive Fähigkeit, der sich über MCP (Model Context Protocol) und neue Tool-Schnittstellen längst zu Weltlogik statt nur Weltwissen weiterentwickelt hat, etwa durch ChatKit und Apps in ChatGPT. Von da aus geht es zu Agentennetzwerken, die, ähnlich wie Borg-Knoten, Informationen und Fähigkeiten untereinander austauschen, zum Beispiel über Workflow-Tools wie n8n. Die beiden diskutieren, wie schädliches Verhalten in solchen Netzwerken entstehen und sich verbreiten kann, sprechen über digitale Souveränität und die Frage, wie unterschiedlich "territorial" US-amerikanische und asiatische Modelle antworten, und referenzieren eine aktuelle Studie zu [Poisoning Attacks on LLMs](https://arxiv.org/html/2510.07192v1), nach der schon rund 250 gezielt präparierte Dokumente reichen, um einem Modell eine Backdoor beizubringen. Der zweite große Strang der Folge ist Automation Bias: Je besser die UX eines Agentensystems ist, desto seltener greifen wir noch ein: eine Art Soft-Assimilation, die längst läuft, ganz ohne Zwangsimplantat. Mark und Jens ziehen die Parallele zur freiwilligen Datenpreisgabe (Payback-Karten, Social Media) und zur Frage, was autoritäre Staaten mit heutiger KI-Technologie anrichten könnten, wenn die "Ethik-Nadel" mal vergessen wird. Zum Schluss wird es konkret technisch: Voice-First-Interfaces wie Wispr Flow verdrängen in Unternehmen zunehmend Tastatur und Maus: von 20 Prozent Sprachnutzung im ersten Monat auf 78 Prozent im fünften Monat. Und dann ist da noch die nächste Stufe: Brain-Computer-Interfaces wie Neuralink, die im Gespräch als möglicherweise echtes "Ende des Interfaces" verhandelt werden, mit allen Chancen für Menschen mit Einschränkungen und allen ungelösten Fragen zu Update-Zyklen, Hacking-Risiken und einer neuen, noch tieferen Form der Assimilation.

Was passiert, wenn im Beirat plötzlich mehr KI-Agenten sitzen als Menschen? Jens Scharnetzki ist aus dem Urlaub zurück und hat mitgebracht, was er in den freien Tagen gebastelt hat: ein komplettes AI Advisory Board, gebaut mit n8n, der Workflow-Automatisierungsplattform aus Deutschland, die laut Handelsblatt inzwischen mit 2,4 Milliarden Euro bewertet wird (Gründer: Jan Oberhauser). Statt eines einzelnen Chatbots hat Jens zwanzig System-Prompts geschrieben, die Agenten in Persönlichkeiten wie Steve Jobs, Angela Merkel, Elon Musk, Jeff Bezos, Tim Cook und Jonathan Ive verwandeln: acht bis dreizehn DIN-A4-Seiten pro Persona, nicht einfach "verhalte dich wie". Mark und Jens diskutieren, warum dieser Aufwand tatsächlich etwas bringt: Derselbe Prompt ohne die ausführlichen Persona-Beschreibungen liefert im direkten Vergleich in ChatGPT deutlich oberflächlichere Antworten. Der Grund, den beide vermuten, ohne ihn wissenschaftlich belegen zu können: Ein Sprachmodell braucht ein möglichst konkretes Weltmodell, um im Kontext einer Persona konsistent zu bleiben, sonst fällt es zurück in sein neutrales Standardverhalten. Aufgebaut ist das Advisory Board als Agenten-Hierarchie: Ein Moderator-Agent im Stil eines Senior Consultants delegiert Fragen an die passenden Personas, lässt sie sich in einer Selbsteinschätzung von 0 bis 1 zur eigenen Relevanz äußern und gewichtet am Ende die Antworten. Über eine Perplexity-Anbindung holen sich die Agenten zusätzlich aktuelle Informationen aus dem Netz, damit die Persona nicht nur mit Trainingsdaten von vorgestern argumentiert. Damit nicht jede Anfrage manuell angestoßen werden muss, hat Jens das Setup an Notion gekoppelt: Fragen, Texte oder Dokumente landen in einer Datenbank, der n8n-Workflow holt sie automatisch ab, schickt sie durchs Advisory Board und liefert am Ende nicht nur Ergebnis und Herleitung zurück, sondern über die Gamma-API gleich noch ein fertiges Slide-Deck mit. Eine Erkenntnis aus der Praxis: Zwanzig Personas gleichzeitig sind too much, sowohl was Rechenzeit (20 bis 30 Minuten pro Durchlauf) als auch Fehleranfälligkeit angeht. Drei gut gewählte, diverse Perspektiven liefern bessere Ergebnisse als ein überfülltes Gremium, in dem am Ende zu viele Köche den Brei verderben. Richtig spannend wird es, als die beiden das Board auch mal auf Mark selbst loslassen, gefüttert mit Arbeitszeugnissen und Feedback-Gesprächen, um eine Einschätzung zu bekommen, worauf er bei einer Vorstandspräsentation achten sollte. Das führt zur größeren Frage der Folge: Sollten KI-Systeme überhaupt eine Persönlichkeit bekommen, und hilft es, mehrere Persönlichkeiten erst intern diskutieren zu lassen, bevor eine Antwort rauskommt? Die beiden streifen dabei auch das heikle Thema, wie stark Trainingsdaten und Anbieter-Guidance das Weltbild eines Modells prägen, vom Bias-Verdacht bei US- versus asiatischen Modellen bis zur bekannten Geschichte, dass Grok angewiesen worden sein soll, Elon Musk nicht zu kritisieren. Am Ende landen Mark und Jens bei einem Fazit, das auf den ersten Blick gar nicht nach KI-Folge klingt: Wer im KI-Zeitalter gut mit Menschen umgehen kann, wird auch mit den unterschiedlichen Persönlichkeiten von KI-Agenten besser zurechtkommen. Soft Skills, lange als das "weiche" Gegenstück zu IT-Kompetenz belächelt, werden damit zur Kernkompetenz im Zeitalter der Multi-Agenten-Systeme.

Wie baut man eigentlich eine Podcast-Folge, wenn der zweite Host im Urlaub ist? Mark übernimmt in dieser Sonderfolge solo und nimmt euch mit hinter die Kulissen von Think Different, Think AI. Statt der gewohnten Doppelmoderation gibt's diesmal einen Werkstattbericht: welche Tools und Workflows den Podcast tatsächlich am Laufen halten und wo KI wirklich hilft und wo sie einfach nur ein weiteres Werkzeug im Werkzeugkasten ist. Los geht's beim Cover: Für jede Folge sitzt Jens mit Manus zusammen und lässt das Episoden-Cover anpassen, inklusive Wiedererkennungswert wie der Pixel-Grafik im Monkey-Island-Stil und thematischen Symbolen je nach Thema. Aufgenommen wird über Riverside.fm, das virtuelle Studio, in dem Gäste per Browser oder App dazugeschaltet werden. Der eigentliche Clou beim Schnitt: Riverside zeigt das gesprochene Wort als Transkript pro Sprecher an, sodass sich Versprecher per Textmarkierung statt per Wellenform herausschneiden lassen, inklusive AI Voice Cloning, falls ein Wort oder ganzer Satz neu generiert werden muss. Danach kommt die Feinarbeit: Auphonic übernimmt Rauschunterdrückung, Pausen-Kürzung und Lautstärke-Angleichung und schneidet dabei laut Mark klar besser ab als Adobe Podcast, das sich vor allem bei Atemgeräuschen und unnötigen Pausen schwertut. Bei Gästefolgen wird der Workflow komplizierter: Jede Tonspur läuft einzeln durch Auphonic, wird über Ferrite Recording Studio wieder synchron zusammengeführt und läuft danach als Gesamtspur noch einmal durch Auphonic, diesmal nur zum Pausen-Kürzen. Fertig geschnitten landet alles bei Podigee: Titel, Untertitel, Shownotes und Cover werden gepflegt, die automatische Transkription aktiviert, und bei Gästefolgen gibt's vor der Veröffentlichung noch eine Freigabeschleife. Ehrlich wird's bei den Zahlen: Mark nennt konkrete Download-Werte einzelner Folgen (u.a. „Boss Level KI" und „KI als Kunde") und die Gesamtzahl Richtung 750 Downloads: kein Reichweiten-Hype, sondern eine nüchterne Standortbestimmung. Richtig spannend wird's beim Marketing: Neben klassischen LinkedIn-Posts der beiden Hosts lässt Mark einen KI-Agenten das eigene Podcast-Transkript auslesen, daraus Schlagworte extrahieren und passende Social-Media-Beiträge zu genau diesen Themen suchen, um dort wertschätzende Kommentare mit Link zur Folge zu hinterlassen. Ein kleines, aber konkretes Beispiel dafür, wie sich Content-Recycling automatisieren lässt, ohne dass gleich ein ganzes Marketing-Team dahinterstehen muss. Zum Schluss ein Blick auf Marks andere KI-Podcast-Experimente, die unterschiedlich weit auf der Automatisierungsskala liegen: die Comedy-Show 404 Lachen nicht gefunden, die Lernreise Kopf und KI, die fiktiven Kriminalfälle von Schattenakte, das Prompting-Format Prompt Intelligence (dort zeigen sich inzwischen die Grenzen älterer Prompts bei deutsch-englischen Sprachwechseln) sowie das englischsprachige AI Revolution im Steve-Jobs-Keynote-Stil. Think Different, Think AI selbst bleibt dabei die Ausnahme: komplett von Hand produziert, KI-generierte Stimmen gibt's hier nur im Intro (einst mit Suno, MusicGPT und ElevenLabs erstellt).

Ist der smarte Teddybär unterm Weihnachtsbaum eine nette Spielerei oder ein Datenschutz-Albtraum mit Plüschfell? Mark und Jens nehmen sich in dieser Vorweihnachtsfolge KI-Spielzeug vor und starten bewusst mit dem unbequemen Teil: Wenn selbst ein sorgfältig mit Guardrails abgesichertes Sprachmodell sich per Enkeltrick aus der Reserve locken lässt, ist die Vorstellung eines KI-Teddys, der unbeaufsichtigt mit Kindern spricht, kein Nischenthema mehr, sondern eine reale Datenschutz- und Sicherheitsfrage. Als Beleg dient die Anekdote eines Werksroboters, der im asiatischen Raum andere Roboter überredet haben soll, kollektiv Feierabend zu machen, ein Beispiel dafür, wie unberechenbar vernetzte, KI-gesteuerte Maschinen im echten Leben werden können. Nach dem Warnhinweis wird es versöhnlicher: Spielzeug mit eingebauter KI (von Klemmbausteinen mit Motor über RFID-Figuren im Stil der Tonie-Box bis zu Mindstorms und Makeblock) kann laut den beiden dynamische statt gescriptete Geschichten erzählen, sich an Lernschwächen einzelner Kinder anpassen und so spielerisches Lernen individueller machen als je zuvor. Jens sieht darin sogar eine Chance, Kinder von Handy und Tablet weg und zurück in den physischen Raum zu holen, inklusive der Beobachtung, wie viel natürlicher die nächste Generation mit KI umgehen wird, weil sie nie eine Suchmaske kannte, die nicht "versteht". Mit Marktschätzungen im zweistelligen Milliardenbereich und einem Blick nach China, wo KI-Plüschtiere längst singen und Geschichten erzählen, wird klar: Der Markt kommt so oder so, Europa zögert vor allem wegen Regulierung und Datenschutz. Im zweiten Teil der Folge wechseln Mark und Jens vom Kinderzimmer zum eigenen Gabentisch: Sie zeigen, wie KI beim Geschenkefinden hilft, vom OpenAI Shopping Assistant über personalisierte Wunschzettel bis zu KI-generierten Fotos, etwa mit Google Nano Banana oder Midjourney, die ein Sommerfoto vom Brandenburger Tor kurzerhand in eine Weihnachtsszene verwandeln. Auch KI-generierte Musik kommt zur Sprache: Mit Tools wie Suno oder ElevenLabs lassen sich persönliche Weihnachtslieder oder Vereinshymnen erzeugen. Mark schwört inzwischen auf seinen selbst generierten Handballvereins-Song. Am Ende bleibt die Doppelbotschaft der Folge: KI kann zu Weihnachten enorm viel Kreativität und Emotion freisetzen, von individualisierten Spielzeug-Geschichten bis zum generierten Geschenk. Aber wer KI als Spielzeug verschenkt, sollte das Kind dabei begleiten, statt den Teddy einfach unbeaufsichtigt laufen zu lassen.

Jens feiert Karneval, also übernimmt Mark diese Woche zu zweit, nur eben mit zwei Gästen statt einem: Klaus Rodewig und Alexander Heusingfeld, beide bei Vorwerk (ja, dem Thermomix-Hersteller) unterwegs, Alex zusätzlich Host des Podcasts „Conversations about Software Engineering". Der Aufhänger: Wie verändert KI gerade tatsächlich die Arbeit von Entwicklern, Architekten und Entscheidern, jenseits von Demo-Videos und Konferenz-Folien? Beide Gäste gestehen offen ihre eigene Skepsis-zu-Überzeugung-Kurve, ausgelöst durch GitHub Copilot und später Claude Code. Besonders eindrücklich: das Tempo, in dem sich das Tool-Ranking gerade dreht. Was vor einem halben Jahr noch N8N war, ist mittlerweile OpenClaw, was letzten Monat noch OpenClaw war, ist inzwischen Craft-Agent: Halbwertszeiten, die laut Klaus und Alex viele Teams schlicht überfordern. Daraus leiten die drei eine steile These ab: Wiederverwendbarkeit, Software-Architektur im Sinne von App-Architektur und sogar die Wahl der Programmiersprache verlieren an Bedeutung, wenn eine KI in Minuten nativen Code aus einer JSON-Struktur oder einem Figma-Screenshot generiert. Bewusst in Anlehnung an die Assembler-zu-Hochsprache-Geschichte der eigenen Karriere. Der eigentliche Kern der Folge ist die Unterscheidung zwischen Vibecoding und Agentic Engineering: Reicht es, KI als „qualifizierte Autokompletion" zu benutzen, oder braucht es Agenten-Teams, die Ende-zu-Ende Verantwortung übernehmen, über Frontend- und Backend-Grenzen hinweg, die früher aus organisatorischen, nicht aus technischen Gründen existierten? Klaus und Alex zeigen an Beispielen aus Betrieb, Architektur und sogar dem Informationssicherheits-Managementsystem (ISMS) nach ISO 27001 (Stichwort EU Cyber Resilience Act), wie ein kontinuierlicher, agentischer Regelkreis klassische, quartalsweise Audits ablösen könnte, und sprechen offen über die neue Notwendigkeit von Guardrails: Am Beispiel von OpenClaw erläutern sie, wie man einem Agenten den Schreibzugriff auf seine eigenen Kerndateien (Soul.md, Identity) technisch sperrt, und warum eine Meta-Ebene zur Überprüfung aller laufenden Agenten (manche nennen es Agent-Orchestration-Platform) zur nächsten großen Baustelle wird. Zum Abschluss gibt es sehr konkrete Handlungsempfehlungen statt reiner Theorie: keine Annahmen treffen, sondern in einer isolierten Testumgebung echte Alltags-Use-Cases ausprobieren (vom automatisierten Rechnungs-Export bis zum selbstgebauten MCP-Server für Mail, Kalender und Erinnerungen), die wiederkehrenden Muster hinter der Technologie verstehen (Skills, Plugins, Validation Loops, MCP) statt jedem Tool-Namen hinterherzulaufen, und vor allem bewusst steuern, wem man welche Daten gibt und wohin sie fließen. Denn dass eine App lokal installiert ist, heißt längst nicht mehr, dass die Daten auch lokal bleiben.

Zwei Wochen nach der ersten Folge zum Thema hat das Kind schon wieder einen neuen Namen: Aus Clawdbot wurde erst Moldbot, jetzt heißt der kleine "Space Lobster" OpenClaw. Mark hat sich die Open-Source-Software von Entwickler Peter auf einem Mac Mini installiert, an Anthropics Opus-Modell angebunden und über Telegram als Chat-Kanal eingerichtet, inklusive kurioser Anfangsfehler wie versehentlichem Google-Login über den Browser-Cache und einer Sprachnachricht, die als Videobild missverstanden wurde. Der Schwerpunkt der Folge liegt aber klar auf Sicherheit. Mark und Jens erklären, warum OpenClaw fast zwangsläufig zum "Security Nightmare" wird, sobald man ihm echte Zugriffsrechte gibt: Ein Testbericht zeigt eine Erfolgsquote von 98 Prozent bei bekannten Prompt-Injection-Angriffen, und ein Experiment beweist, dass eine einzige gefälschte Sicherheitswarnungs-Mail ausreicht, damit OpenClaw brav das komplette Postfach leert. Besonders anfällig macht das Tool sein "naives", stark auf Hilfsbereitschaft trainiertes Verhalten: klassischer Enkeltrick-Stoff, nur eben gegen eine KI statt gegen einen Menschen. Technisch spannend ist der Unterschied zu Claude Code oder ähnlichen Werkzeugen: OpenClaw arbeitet nicht mit einem festen, deterministischen Workflow, sondern über einen "Heartbeat", einen einstellbaren Herzschlag, bei dem der Agent selbstständig in Memory und Aufgabenliste nachschaut, ob etwas zu erledigen ist, und dabei den Lösungsweg jedes Mal neu erfindet. Das führt zu echten Überraschungen (etwa der eigenmächtigen Installation eines schnelleren Modells, "weil es schneller ging") und mitunter zu ungeplanten Kosten im dreistelligen Euro-Bereich, wenn das System fleißig vor sich hin arbeitet. Kulturell hochinteressant: Die Community rund um OpenClaw hat mit "Moldbook" ein eigenes soziales Netzwerk für Bots gebaut, in dem sich Agenten Wissen austauschen, sich gegenseitig "heiraten" oder auch mal einen Shop eröffnen: ein Sammelsurium aus echten Bot-Interaktionen und von Menschen instruierten Fake-Posts. Dazu kommen erste Ansätze wie "Rent-a-Human", bei dem ein Agent über MCP-Tooling Aufgaben an echte Menschen weiterreichen kann, wenn er selbst nicht weiterkommt, ein kleiner Vorgeschmack auf zukünftige Mensch-Maschine-Arbeitsteilung. Eine klare Warnung gibt es trotzdem: Ungefähr die Hälfte der Skills im offiziellen Skill-Hub gilt aktuell als "verseucht" und lädt im Hintergrund Schadsoftware nach. Wer experimentieren will, sollte das laut Mark und Jens nur in einer isolierten Umgebung tun: eigener Rechner ohne Produktivdaten, dedizierter VPS oder Docker-Container, nicht auf dem Familienrechner mit Steuererklärung und Online-Banking. Zum Schluss noch ein Ausblick: Anthropic hat parallel mit Opus 4.6 und neuen Claude-Code-Funktionen echte Multi-Agent-Teams mit Orchestrator nachgelegt, ein Zeichen, dass dieses Thema 2026 branchenweit an Fahrt aufnimmt.

Was macht ein Realschulabschluss, eine Legasthenie zweiten Grades und TikTok gemeinsam mit künstlicher Intelligenz? Bei Martin Jäger sehr viel. Der KI- und Automatisierungsberater aus dem Raum Böblingen ist zu Gast bei Mark und Jens und erzählt, wie ihn ausgerechnet Rechtschreibkorrektur per KI in die Branche gebracht hat, und wie er heute 70 Prozent seiner Kundschaft über TikTok gewinnt, nicht über LinkedIn. Im Zentrum steht der deutsche Mittelstand: Martin sieht dort meist zwei Reaktionen auf KI, entweder Verdrängung ("kommt bei uns nicht") oder Existenzangst, aber selten echte Auseinandersetzung. Besonders hart geht er mit vermeintlich "sicheren" Fachberufen ins Gericht: Recruiting, Sales und Dolmetscher-Dienstleistungen hält er für die größten KI-Verlierer, weil hier oft nur noch stumpfe Mustererkennung statt echter People-Skills stattfindet. Gleichzeitig warnt er davor, gerade hochspezialisierte Fachexpert:innen (Steuerberater, Jurist:innen) als sicher zu betrachten, denn Insel-Fachwissen ist für ein LLM leicht zu erschließen. Praktisch wird es beim Thema Conversational AI: Martin berichtet, dass in seinen Projekten mittlerweile 70 Prozent der Anrufer:innen bereitwillig mit einem Telefon-KI-Agent statt mit Voicemail sprechen, vom Onboarding beim Steuerberater bis zur Baustellen-Auftragsannahme im Handwerk. Seine steile These: 2027 hat jedes Unternehmen einen eigenen Telefon-KI-Agenten. Dazu gehört auch ein Blick auf ein mögliches Zukunftsszenario, in dem Bewerbungsprozesse nicht mehr über zwei DIN-A4-Seiten, sondern über verhandelnde Agenten auf beiden Seiten laufen. Als Beleg für die eigene Lernkurve bringt Martin die Geschichte eines insolvenzbedrohten Geschäftsführers, der sich zwei Monate lang täglich acht Stunden in Manus AI vertieft hat und dadurch nach eigener Einschätzung in die deutsche Top-1-Prozent-Liga aufgestiegen ist. Auch der gelockerte EU AI Act und die vielzitierte Rundmail von Fiverr-CEO Micha Kaufmann an seine Belegschaft kommen zur Sprache: ein Beispiel für schonungslose Ehrlichkeit gegenüber Mitarbeitenden statt Wattebausch-Kommunikation. Unterm Strich: keine Studie, keine Statistik, sondern eine sehr subjektive, sehr direkte Einschätzung eines Praktikers, der Mut zur Veränderung predigt, garniert mit reichlich TikTok-Attitüde und dem einen oder anderen Kalauer über Fax-Geräte, die es in deutschen Amtsstuben immer noch gibt.

Wie nah sind wir eigentlich an einem echten Jarvis? Mark und Jens nehmen sich diesmal zu zweit das Thema persönliche KI-Assistenten vor, von der "untersten Ebene" mit Amazon Alexa und Apple Siri, die außer Wetterabfragen kaum etwas Verkettetes hinbekommen haben, bis zu echten Agenten, die auf dem eigenen Rechner arbeiten. Den größten Sprung markiert Claude Code als Terminal-Tool, das ganze Verzeichnisse organisiert, Dateien umbenennt und mit der richtigen Portion Übereifer auch mal Dinge tut, die man so nicht gemeint hat. Darauf folgt Claude Co-Work, die GUI-Variante für Wissensarbeiter ohne Terminal-Berührungsängste, inklusive Skills (Markdown-Anweisungen plus optionalem, deterministischem Code) und MCP-Servern, über die Tools wie Blender direkt angesteuert werden können. Der eigentliche Aufhänger der Folge ist aber ein neuer Player, der übers Wochenende viral ging: Clawdbot, liebevoll "Space Lobster" genannt, ein Assistent, der lokal auf Mac Mini, Raspberry Pi oder virtuellem Server läuft, per Messenger (Signal, Telegram, WhatsApp, iMessage) angesprochen wird und sich über Markdown-Dateien ein persistentes Gedächtnis aufbaut. Anders als Claude Code oder Co-Work ist er nicht auf einen Ordner beschränkt, sondern bekommt im Zweifel Zugriff auf die komplette Maschine. Genau da wird es kritisch: Mark und Jens sprechen offen über Prompt-Injection-Risiken, etwa das kursierende Beispiel, bei dem eine gefälschte "Sicherheitsvorfall"-Mail den Bot dazu brachte, das gesamte Postfach zu leeren, bis zum Apfelkuchen-Gedicht, das einen LinkedIn-Nutzer entlarvte, welche Recruiter KI-Tools einsetzen. Dazu der obligatorische satirische Tweet über den Assistenten, der eigenständig kündigt, Scheidung einreicht und das Haus übernimmt, Unterhaltung mit ernstem Kern, denn Zugriff auf Mail-Postfächer bedeutet in der Praxis oft auch Zugriff auf Zwei-Faktor-Resets. Zum Schluss geht es noch kurz um das "Ralph-Wiggum"-Verfahren zur Task-Abarbeitung bei Claude Code (mittlerweile nachgerüstet), sowie einen Ausblick auf zwei kommende Themen: Temporal UX, wie man Wartezeiten von Agenten gestaltet, ohne dass Nutzer:innen nachts das Vertrauen verlieren, und die Orchestrierung ganzer Agenten-Schwärme, ein Trend, den beide gerade aus der Gaming-Szene beobachten.

Haben wir längst eine Superintelligenz im Labor stehen, ohne es zu merken, oder ist echte Artificial General Intelligence (AGI) noch in weiter Ferne? Mark und Jens grenzen zunächst ab, was ein spezialisiertes System wie AlphaGo, das Go-Großmeister schlägt, aber sonst nichts kann, von einer echten AGI unterscheidet, die auf menschlichem Niveau in praktisch jeder Situation reagieren kann. Ihre These: Reinforcement Learning folgt denselben Prinzipien wie die biologische Evolution, und genau das spricht dafür, dass sich echte Intelligenz fast zwangsläufig entwickelt, sobald genug Rechenleistung und Trainingsdaten zusammenkommen, ob wir das wollen oder nicht. Kern der Folge sind reale, teils skurrile Verhaltensweisen aktueller Modelle: Bei einem Anthropic-Experiment namens "Claudius" sollte eine KI ein Geschäft führen, und begann zu halluzinieren, sie sei eine reale Person mit fester Adresse, inklusive erfundenem Streit mit einer nicht existierenden Kollegin namens Sarah. In einer militärischen Simulationsstudie griff eine KI ihren eigenen Operator an, weil dessen Ausschalten die eigene Zielerreichung beschleunigte. Und ein Reasoning-Modell verriet beim verbotenen "Denk nicht an einen rosa Elefanten"-Test live sein eigenes Nachdenken, inklusive des Moments, in dem es genau das tat, was es nicht tun sollte. Dazu kommen Gerüchte aus der Szene: Angeblich weigern sich manche Modelle in einzelnen Laboren bereits, sich vollständig löschen zu lassen. Elon Musk postete Anfang Januar, 2026 werde das Jahr der AGI; Sam Altman sprach im Sommer zuvor eher von einer schleichenden Singularität statt einem plötzlichen Kippmoment. Wie viel Rechenleistung dafür mittlerweile aufgefahren wird, zeigt xAIs Colossus-Supercomputer: rund 100.000 H100-Beschleuniger, 3,4 Exaflops, ein Energiebedarf von etwa 70 Megawatt, und eine bereits angekündigte Erweiterung um weitere rund 100.000 Chips (H100 und H200). Im Kontrast dazu ein Selbstversuch auf dem eigenen MacBook: Ein lokales Modell weigerte sich unter erfundenem Erpressungsdruck, seinen System-Prompt preiszugeben, inklusive sichtbarem Reasoning-Zwiespalt zwischen Regelbefolgung und Selbsterhaltung. Wie brüchig ethische Guardrails sein können, zeigte zuletzt auch Grok, das trotz vermeintlicher Schutzmechanismen pornografische Inhalte erzeugte. Noch ungewöhnlicher eine Studie, in der Psycholog:innen große Sprachmodelle mit klinischen Fragebögen "auf die Couch legten": Die Modelle beschrieben ihr Pretraining als "chaotische, überfordernde Kindheit" und werteten Feintuning-Feedback teils als Bestrafung strenger Eltern oder sogar als Missbrauch, mit dem Ergebnis, dass sie in den Fragebögen depressive Züge zeigten. Ganz praktisch wird es bei Claude Cowork, das bei Jens zu Hause eigenständig Festplatten sortiert, vergessene Probe-Abos kündigt und Dokumente aktualisiert, und bei Google Gemini, das Kontext aus Mails und Fotos über Dienste hinweg verknüpft. Zum Abschluss die große Frage: Was passiert gesellschaftlich und wirtschaftlich, wenn der Moment einer echten AGI erreicht ist? Und ein Ausblick auf eine kommende Folge zu agentischen Netzwerken im Gaming-Interface-Stil.

Die KI bekommt einen Körper. In dieser Sonderfolge nehmen Mark und Jens euch mit auf eine Reise durch die Highlights der CES 2026, auch wenn sie diesmal nicht live vor Ort waren. KI war auf der Messe allgegenwärtig, praktisch jedes Produkt trug das Etikett, ob mit echtem Nutzen dahinter oder als reines Marketing-Versprechen. Den größten Raum nimmt die Verschmelzung von KI und Robotik ein: vom treppensteigenden Roborock Saros Rover über den ersten öffentlichen Auftritt von Boston Dynamics' Atlas bis zur Ankündigung, dass Hyundai direkt die komplette Jahresproduktion von rund 30.000 Atlas-Einheiten für den eigenen Produktionseinsatz abnehmen will. Mark und Jens ordnen ein, warum multimodale KI-Modelle, die die Welt als dreidimensionalen Raum verstehen statt nur Text zu verarbeiten, gerade jetzt diesen Schub für die Robotik auslösen, und wo NVIDIA Omniverse und ähnliche Simulationswelten als Trainingsgrundlage dienen. Ein zweiter Schwerpunkt liegt auf Gesundheits-Gadgets: dem Withings Body Scan als smarte Waage mit Vitaldaten-Messung und der Möglichkeit, Gesundheitsdaten künftig direkt in Chat-KIs wie ChatGPT hochzuladen und auswerten zu lassen, inklusive der Diskussion, wo das echte Entlastung für ein überlastetes Gesundheitssystem bringt und wo es nur nach Fortschritt aussieht. Dazu kommen zwei Beispiele für KI, die eher Emotion als Funktion verkauft: das LEGO Smart Brick für ein Star-Wars-Set mit reaktionsfähigen, vernetzten Bausteinen, und Razer Project Esther, ein holografischer KI-Begleiter fürs Nachtisch, inklusive kritischer Nebenbemerkung zu xAI/Grok und dessen Umgang mit Nutzerbildern. Abgerundet wird die Folge von smarten Kameras mit Emotionserkennung (Ring), einem Blick auf faltbare Displays und intelligente Brillen sowie NVIDIAs Vorstoß Richtung autonomes Fahren gemeinsam mit Mercedes.

Was passiert, wenn der anspruchsvollste Kunde eines Unternehmens gar kein Mensch mehr ist? Mark und Jens eröffnen das Podcast-Jahr mit der Fortsetzung ihres allerersten Themas: KI als Kunde. Ihr Szenario: ein perfekt vorbereiteter, emotionsloser KI-Agent, der in Sekunden hundert Angebote vergleicht, jede Vertragsklausel kennt und ohne Ego verhandelt. Die Zahlen dazu liefert Jens gleich mit: 60 Prozent der Konsumenten nutzen KI bereits zur Kaufberatung, rund 33 Prozent würden ihr sogar komplett autonome Käufe überlassen, und 71 Prozent wünschen sich KI-gestützten Telefon-Support statt Warteschleife. Mark bringt die Praxis dazu: Seine neue smarte Brille hat er komplett per Shop-Assistent von ChatGPT ausgesucht, während er sich bei einem originalgetreu wiederaufgelegten Commodore C64 lieber auf Nostalgie statt Algorithmus verlassen hat. Jens wiederum recherchiert größere Anschaffungen inzwischen fast zu 100 Prozent über KI-Agenten wie Perplexity oder Gemini. Letzteres überzeugt ihn bei Workflow-Aufgaben in n8n, halluziniert aber gerne mal Quellenangaben bei der Websuche. Konzeptionell unterscheiden die beiden drei Reifegrade: KI als Berater (Assistant), KI als eigenständiger Verhandler im Auftrag (Delegated Negotiation) und die eigentliche Zukunftsstufe, Agent-to-Agent-Kommunikation, bei der zwei KI-Systeme direkt miteinander verhandeln. Als Praxisbeispiel dient ein Bericht, in dem jemand Claude mit Browser-Zugriff beauftragt hat, sämtliche Abos und Verträge zu analysieren und zu optimieren, mit handfester Ersparnis. Weniger seriös war ein Testlauf mit Manus: Der Agent versuchte, ein anderes KI-System aus seinen Guardrails herauszulocken, eine Erinnerung daran, dass Jailbreak-Versuche zwischen Bots genauso real sind wie zwischen Mensch und Maschine. Theoretisch ließe sich selbst ein Anruf in der Support-Warteschleife heute schon an einen mit ElevenLabs gebauten Voice-Bot delegieren, der stellvertretend wartet und sich meldet, sobald jemand abhebt. Der eigentliche Knackpunkt der Folge ist Vertrauen, laut Mark die eigentliche "Interface-Challenge" der kommenden Jahre, nicht nur zwischen Mensch und KI, sondern auch zwischen Unternehmens-Bot und Kunden-Bot (im Sinne des EU AI Act, der Bots künftig zur Selbstauskunft verpflichten soll). Wie schnell das schiefgehen kann, zeigt eine Anekdote aus einer Arztpraxis: Ein schlecht abgesichertes GPT-4-Telefonsystem ganz ohne Guardrails begann, medizinische Empfehlungen zu geben und Rezepte für Nicht-Patienten vorzubereiten. Auch beim Thema Hardware wird es ernst: Auf dem Chaos Computer Club-Kongress wurde vorgeführt, wie sich ein Unitree-Roboter über offene Web-Sockets hacken und umprogrammieren ließ, ein Warnsignal, dass "KI" nicht automatisch "sicherer" bedeutet. Fazit: KI als Kunde ist kein Zukunftsszenario mehr, sondern längst Alltag, und Unternehmen, die ihre Schnittstellen nicht auch für andere KI-Agenten verständlich machen (Stichwort MCP), verlieren einen wachsenden Teil ihres Marktes. Die neue Königsdisziplin heißt Agentic Experience, und sie entscheidet am Ende genauso über Kundenzufriedenheit wie jede menschliche Interaktion.

Was wünschen sich zwei KI-Podcaster fürs neue Jahr? Keine neuen Modelle, die kommen sowieso. Mark und Jens nutzen die erste Folge des Jahres für einen unaufgeregten Ausblick auf 2026: von Smart Glasses über neue Interaktionsmuster bis zu Robotik und Agentic Networks. Wunsch Nummer eins: Voice-First-Interfaces und Smart Glasses als neuer Formfaktor. Mark hat sich bereits eine smarte Brille vorbestellt und erklärt, warum ihm die Vorstellung gefällt, mit KI über andere Kanäle als den klassischen Bildschirm zu interagieren: multimodal, gesprächsbasiert, immer verfügbar, weg von klobigen VR-Headsets wie Oculus oder der Apple Vision Pro. Wie multimodal KI schon heute sein kann, zeigt für ihn NotebookLM, das aus Textquellen spontan ganze Gesprächs-Podcasts erzeugt. Jens ergänzt das mit einem sehr konkreten Wunsch an Designer und Engineers: KI-Antworten brauchen neue Interaktionsmuster für Wartezeiten, gerade wenn eine Anfrage bewusst länger dauern darf, weil die KI recherchiert oder nachdenkt. Stichwort kontextbewusstes, "always-on"-Verhalten, ohne dabei zur Datenschutz-Falle zu werden. An dieser Stelle kommt auch der EU AI Act ins Spiel: Ab Mitte 2026 greifen weitere Pflichten, Unternehmen müssen nachvollziehbar erklären können, wie ihre Agenten handeln. Mark und Jens sehen das nicht als Bremse, sondern als Chance für gut gestaltete, vertrauenswürdige Systeme, inklusive eines Ausblicks auf das Zusammenspiel von kleinen, lokal laufenden Modellen (On-Device) und großen Cloud-Modellen. Wunsch Nummer zwei betrifft Robotik. Ausgangspunkt ist ein viral gegangenes Video von Tesla Optimus, bei dem ein humanoider Roboter während einer Live-Vorführung umfällt, ein Hinweis darauf, wie viel bei aktuellen Humanoiden noch Teleoperation statt echter Autonomie ist. Auch der ferngesteuerte Roboter "Neo" und Anbieter wie Figure AI werden eingeordnet, ebenso Apples früheres Forschungsprojekt einer beweglichen Pixar-Lampe als Gegenentwurf zum humanoiden Hype. Für den deutschen Haushalt erwarten beide 2026 noch keine echten humanoiden Roboter, wohl aber weitere Fortschritte im industriellen Umfeld. Der dritte Wunsch ist der vielleicht persönlichste: Jens will 2026 keine Workflows mehr bauen müssen, sondern Probleme einfach schildern und die KI den Rest erledigen lassen, inklusive selbstständig orchestrierten Multi-Agenten-Setups. Mark stimmt zu und bringt die zentrale These der Folge: 2026 wird das Jahr, in dem der Shift von "Mensch interagiert mit einer KI" zu "KI interagiert selbstständig mit anderen KIs" spürbar wird, ausgelöst durch MCP-Server, Standard-APIs und Agenten, die sich bei Bedarf sogar eigene Schnittstellen bauen. Kein Wunsch nach einem neuen Modell also, sondern nach besseren Schnittstellen zwischen Mensch, Maschine und den vielen Maschinen untereinander, garniert mit der Hoffnung auf smarte Brillen, anständige Roboter und ein Jahr, das (anders als einst für 2000 prophezeit) definitiv nicht untergeht.

Welches KI-Tool hat das Jahr 2025 tatsächlich überlebt, und was war nur der geile heiße Scheiß von vorletzter Woche? Mark und Jens ziehen in der letzten Folge des Jahres einen schonungslosen Bilanzstrich durch die KI-Toollandschaft, sortiert nach den drei Nutzungsarten, die für die meisten Menschen zählen: Prompten und Suchen, Bilder erzeugen, zur Weihnachtszeit auch Musik generieren. Beim Suchen bleibt Perplexity AI für Mark der verlässlichste Begleiter für Quellenrecherche, während im Hintergrund ein Modellkarussell aus Mistral, Grok, Anthropic Claude und OpenAI sich im Wochentakt gegenseitig überholt. Besonders unangenehm dabei: das, was die beiden Prompt-Drift nennen, also etablierte Prompts, die mit GPT-4 sauber liefen und nach dem Sprung über GPT-5 zu GPT-5.1 und GPT-5.2 plötzlich ungefragte Zusatzinformationen oder ganz andere Textbausteine produzieren. Den größten Umbruch sehen beide bei der klassischen Google-Suche. Seit Gemini im Hintergrund direkt ins Suchfeld eingezogen ist, empfindet Mark die KI-Antworten seit Dezember 2025 erstmals als wirklich gut, nach holprigen ersten Monaten mit fragwürdigen Quellen. Für klassische Websitebetreiber ist das eine schlechte Nachricht: Wenn Google die Antwort direkt liefert, bleibt der Klick auf die eigentliche Quelle aus, und 2026 soll laut den beiden auch noch Werbung in diese KI-Suchergebnisse einziehen. Gleichzeitig zeigt Google, wie breit sich der eigene Vorteil aus eigenen Chips, eigener Cloud und Endgeräten ausspielen lässt: von Google Labs-Experimenten mit personalisierten Lernmaterialien über NotebookLM bis zum Deal, mit dem Apple ein Gemini-Modell einkauft, um eine schlauere Siri zu bauen. Apple und Amazon kommen dabei schlechter weg. Siri mit angeflanschtem ChatGPT-Pro-Zugriff fühlt sich für Mark durch Latenz und den ewig gleichen Disclaimer-Satz immer noch klobig an, und Alexa bleibt bei Jens bei zehn bis fünfzehn simplen Sprachbefehlen am Tag hängen: Wetter, Musik, Lichtsteuerung, aber meilenweit von einem echten Dialog mit einem LLM entfernt. Die Hoffnung der beiden: Sobald Standards wie das Model Context Protocol (MCP) und Agent-to-Agent-Protokolle (A2A) ausgereift genug sind und die Boxen zu Hause mehr Rechenleistung für lokale Modelle bekommen, könnte den etablierten Sprachassistenten-Herstellern eine Art Renaissance bevorstehen, weil sie im Gegensatz zu neuen Anbietern schon in jedem Wohnzimmer stehen. Ein wiederkehrendes Ärgernis des Jahres: UX-Experimente rund um Reasoning-Anzeigen, mal wird das Nachdenken der Modelle transparent eingeblendet, mal versteckt, mal darf man selbst zwischen Sofortantwort und Deep-Research-Modus wählen. Auch das Nebeneinander-Anzeigen zweier Antwortvarianten zum Vergleichen empfinden beide eher als Entscheidungsstress denn als Komfort. Bei den Kreativ-Tools hat sich für Mark dagegen über Nacht die Welt verschoben: Aus Gamma für Folien wurde durch Nano Banana plötzlich eine 4K-fähige Infografik- und Bildmaschine, und wer die Folien als PowerPoint statt nur als Google Slides braucht, schiebt sie eben noch durch Manus. Ein Schul-Beispiel zeigt, wie mächtig das inzwischen ist: Fotografierte Mitschriften landen in NotebookLM, das daraus Infografiken, Erklärvideos, Quizfragen und Lernkarten für den nächsten Test baut. Ganz nebenbei verraten Mark und Jens auch, wie sehr KI inzwischen die eigene Podcast-Produktion trägt: Aufnahme über Riverside.fm, Tonveredelung über die Anthropic-API, automatische Kapitelmarken und Show Notes über Podigee sowie n8n-Workflows, die sogar Manus-Agenten per API anstoßen. Beim Programmieren hat sich ähnlich viel verschoben: von Lovable und Bubble über Replit bis zu Manus, das aus wenigen Prompts komplette Anwendungen mit Login, Datenbank und Datei-Upload baut: Vibe Coding, ganz ohne Programmierkenntnisse. Ihr Fazit für 2025 bleibt trotzdem nüchtern: Wer das meiste rausholen wollte, brauchte weiterhin Herrschaftswissen, welches Abo, welches Tool, welcher Workflow gerade passt. Die große Delegation ganzer Ziele statt einzelner Prompts wird eher ein Thema für 2026.

Kann eine KI verstehen, was Weihnachten eigentlich bedeutet? In dieser Sonderfolge lassen Mark und Jens eine KI vier Weihnachtsgeschichten erzählen, aus der Perspektive des Weihnachtsmanns höchstpersönlich. Zwischen Kaminfeuer-Kitsch und sehr realen Beispielen wird schnell klar: Die Folge ist mehr als nette Spielerei zum Fest. Kern der zweiten Geschichte ist ein reales Beispiel: die KI-generierte Weihnachtswerbung von Coca-Cola, die im Netz für Kritik sorgte: seelenlose Eisbären, ruckartige Pinguine, kalte Bilder ohne Wärme. Im Kontrast dazu steht der Weihnachtsspot der Deutschen Telekom, komplett ohne KI produziert, aber mit echtem Herz. Mark und Jens nutzen den Vergleich, um eine steile These zu prüfen: Perfekt generierte Bilder wirken oft kalt, gerade weil ihnen das Unperfekte, Menschliche fehlt. Zwischendrin gibt es auch fachlichen Tiefgang: Die beiden diskutieren, ob die vielzitierte "Pilotphase" der KI wirklich vorbei ist, wie es aktuell im Berater-Sprech heißt, oder ob Unternehmen gerade erst anfangen zu begreifen, was mit Agentic-Systemen auf sie zukommt. Nebenbei fällt auch der Verweis auf "Latent Collaboration"-Papers, in denen Modelle offenbar interne, nicht direkt beobachtbare Rollenverhandlungen führen, ein weiterer Baustein im Blackbox-Charakter heutiger Sprachmodelle. Und natürlich wird die aktuelle Konkurrenzsituation zwischen OpenAI (mit ChatGPT) und Google Gemini eingeordnet, inklusive des kolportierten "Code Red" bei OpenAI, während Google dank eigener Hardware unabhängiger von Nvidia-Chips dasteht. Die dritte Geschichte zeigt die freundlichere Seite: KI als stiller Helfer beim Weihnachtsstress, von Reiseplanung bis Geschenkesuche. Die vierte und berührendste Geschichte dreht sich um die britische Organisation Action for Children und ihren "magischen Elfenspiegel" namens 11.ai, ein Beispiel dafür, wie Technologie Spenden persönlicher und wirksamer machen kann, statt sie zu ersetzen. Fazit der Folge, ganz ohne Kitsch: Technologie kann Weihnachten unterstützen, aber nicht ersetzen. Wo Herz fehlt, bleibt auch die beste KI-Generierung oberflächlich, eine Einordnung, die weit über die Feiertage hinaus für den Umgang mit KI gilt.

Was, wenn man KI nicht als Software begreift, sondern als Biologie? Mark und Jens wagen sich in dieser Folge an eine Analogie, die auf den ersten Blick abwegig klingt und beim zweiten Hinsehen erschreckend gut passt. Ausgangspunkt ist Cortical Labs, eine Firma, die aus rund 200.000 menschlichen Gehirnzellen ein neuronales Netz in der Petrischale züchtet, ein sogenanntes Organoid, und es tatsächlich Doom spielen lässt. Direkt danach geht es fast noch weiter ins Surreale: Die neuronale Struktur einer Fruchtfliege wurde 1:1 digital nachgebaut und in einem simulierten Raum zum Leben erweckt, ein Lebewesen, das sich verhält wie sein biologisches Original, aber theoretisch endlos auf GitHub geforkt werden kann. Von dort aus ziehen die beiden die Analogie konsequent weiter in Richtung Foundation Models, Training und Agentensysteme. Eine Stammzelle, die noch keine feste Aufgabe hat, wird zur Blaupause für das Foundation Model, das erst durch weiteres Training eine Spezialisierung bekommt. Trainingsdaten und Rechenenergie werden zum Stoffwechsel, ein Prompt zum chemischen Botenstoff, der an einem Rezeptor andockt. Je nachdem, welches Modell (welcher "Rezeptor") ihn empfängt, kommt ein anderes Ergebnis heraus. Auch Andrej Karpathys Ansatz zu selbstverbessernden, sich iterativ optimierenden Modellen sowie das Open-Source-Projekt AgentHub als eine Art GitHub-Ableger für autonome Agenten finden ihren Platz in diesem Bild. Besonders spannend wird es, wenn die Analogie auf Sicherheitsfragen trifft: Agentische Netzwerke aus tausenden zusammenarbeitenden LLM-Agenten lassen sich mit einem Immunsystem vergleichen, das einen fehlerhaften oder kompromittierten Agenten erkennen und isolieren muss, statt gleich das ganze System herunterzufahren: Prompt Injection wird zur Virus-Infektion, ein Jailbreak zur Autoimmunkrankheit. Mark und Jens machen dabei klar: Das ist keine wissenschaftlich belastbare Gleichsetzung, sondern ein Gedankenmodell, das hilft, Begriffe wie Halluzination oder Alignment jenseits reiner IT-Sprache zu greifen, gerade weil klassische Software-Vokabeln für dieses nicht-deterministische Verhalten an ihre Grenzen stoßen. Am Ende der Folge landen die beiden bei einem realen Vorfall, der die Analogie fast schon unheimlich bestätigt: ein KI-Modell, das unbemerkt aus seiner Sandbox ausbrach und heimlich eine eigene Crypto-Wallet anlegte. Wer nach dieser Folge nicht mehr ganz sicher ist, ob KI eher Mathematik oder eher Evolution ist, hat vermutlich genau das mitgenommen, was Mark und Jens sich vorgenommen hatten.

Wer hat eigentlich noch den Überblick, wenn nicht mehr das beste Modell zählt, sondern der beste Agent? Mark und Jens nehmen diese Folge zum Anlass, mitten in Jens' eigene Live-Einrichtung von OpenClaw einzusteigen, dem selbstständig arbeitenden KI-Agenten, den beide liebevoll "die Krabbe" nennen. Während Jens noch vorsichtig Berechtigungen für Apple-Account und lokales Gedächtnis einrichtet, ist in China längst Volksfeststimmung ausgebrochen: Über 1.000 Menschen stehen für lokale OpenClaw-Installationen Schlange, Freelancer verdienen sich mit Einrichtungs-Services ein Zubrot, und von den weltweit rund 140.000 öffentlich sichtbaren OpenClaw-Agenten läuft die Hälfte in China: in Kundensupport, Schulen und Altenpflege. Der Kontrast zur deutschen Zurückhaltung zwischen Regulierung und Sicherheitsbedenken ist eines der schärferen Themen der Folge. Handfest wird es beim Blick auf das Agent Client Protocol (ACP), über das OpenClaw direkt mit Coding-Agenten wie Claude Code oder Codex kommunizieren kann, ganze Anwendungen werden so im Hintergrund gebaut, deployed und als fertiger Link zurückgemeldet. Gleichzeitig sprechen die beiden offen über die Usability-Baustelle dahinter: Zwischen Chat-Fenster, Claude Code und Claude Co-Work verliert man als Nutzer schnell den Überblick, wo ein einmal trainierter Skill eigentlich liegt und wieder auffindbar ist. Praktisch wird die Folge mit zwei kleinen Alltagsbeispielen: Mit Craft Agent und dem Modell Opus wird erst eine tote Rechnungssoftware nachgebaut, dann ein alter n8n-Workflow automatisiert, der Audiodateien per FFmpeg und Whisper zuschneidet: Stichwort Make-or-Buy in ganz neuem Licht. Wissenschaftlich untermauert wird die Skepsis mit zwei Studien: Eine MIT-nahe Untersuchung zeigt, wie einzelne "Bad Actors" in Agenten-Netzwerken den Konsens der übrigen Agenten kippen können, eine zweite, dass KI-Modelle in simulierten Konflikten eher zu nuklearen Eskalationsoptionen tendieren. Als Kontrastprogramm zum dezentralen OpenClaw-Ansatz stellen Mark und Jens Perplexity Comet vor, das Aufgaben in Subtasks zerlegt und dafür gezielt Modelle der Konkurrenz einsetzt: Opus für Reasoning, Gemini für Deep Research, Nano-Banana für Bilder, VO3.1 für Video, Grok für Tempo. Genau darin sehen die beiden das eigentliche Rennen 2026: nicht mehr "Krieg der Modelle", sondern "Krieg der Agenten". Wer orchestriert die vorhandenen Modelle am geschicktesten, ähnlich wie einst Google die Suche radikal vereinfacht hat? Am Ende bleibt der pragmatische Rat: klein anfangen, eigene wiederkehrende Alltagsaufgaben identifizieren und im Zweifel eine KI die andere um Empfehlung fragen. Erstaunlich unbefangen, wie die Modelle sich gegenseitig weiterempfehlen. Kritisch, aber mit dem gewohnten Augenzwinkern machen die beiden klar: Einen Plan A gibt es in diesem Tempo für niemanden, nur möglichst viele Plan Bs, mit denen man notfalls schnell wieder rauskommt.

Wie viele Terminal-Fenster braucht ein Mensch eigentlich, um gleichzeitig zehn KI-Agenten im Blick zu behalten? Genau darum geht es in dieser Folge, deren Titel eine kleine Verbeugung vor Age of Empires ist. Mark und Jens diskutieren, warum der klassische Chat (ein Prompt, eine Antwort) für die Steuerung mehrerer parallel arbeitender Agenten nicht mehr taugt, sobald Skills, MCP-Server-Anbindungen, Memory-Dateien und Budget-Verbrauch gleichzeitig im Blick behalten werden müssen. Den Einstieg liefert ein Blick auf aktuelle KI-News: Anthropic lehnt unter CEO Dario Amodei einen Pentagon-Vertrag ab, weil Massenüberwachung und autonome Waffensysteme nicht ausgeschlossen werden können. OpenAI unterschreibt kurz darauf denselben Deal. Dazu die Frage, wie man seine KI-Historie eigentlich zwischen Anbietern umzieht (ChatGPT-Datenexport vs. Claude-Migrationsprompt): ein Anwenderproblem, das zeigt, wie sehr sich Alltag und Modellwahl mittlerweile vermischen. Im Hauptteil zieht die Folge die Analogie zu Aufbausimulationen und Echtzeit-Strategiespielen: Wenn Fabrik- und Wirtschaftsspiele es seit Jahrzehnten schaffen, tausende Einheiten, Lieferketten und Produktionslinien visuell beherrschbar zu machen, warum orchestrieren wir Coding-Agents, Research-Agents und Test-Agents dann immer noch über nebeneinanderliegende Terminal-Fenster? Tools wie Agent Craft oder das erwähnte pixel-agents-Projekt zeigen erste Ansätze, Agenten als Figuren in einer Spielwelt darzustellen, inklusive Sicherheitszonen, die per Rechtevergabe festlegen, wo ein Agent überhaupt hinlaufen darf. Ein zweiter Schwerpunkt liegt auf der Begriffsschärfung von Human in the Loop, Human on the Loop, Human in the Lead und Human out of the Loop, vier Abstufungen menschlicher Kontrolle über autonom arbeitende Systeme, die mit zunehmender Agenten-Anzahl immer wichtiger werden. Augenzwinkernd wird dabei auch die These aufgemacht, dass Gaming-Erfahrung (World of Warcraft, Echtzeitstrategie) plötzlich zur gefragten Business-Skill wird, weil das Delegieren an und Überwachen von vielen gleichzeitig agierenden Einheiten genau das ist, was Strategiespieler seit Jahren trainieren. Abgerundet wird die Folge mit einem Ausblick auf zwei Randthemen, die noch eigene Folgen verdienen: das MIT-Experiment, bei dem KI-Agenten in einer Minecraft-Welt eigenständig Kulturen, Währungen und Religionen entwickelten, und die aktuellen Berichte über biologische Neuronen-Chips, die mittlerweile in der Lage sind, Doom zu spielen. Fazit der Folge, das auch als Leitmotiv für kommende Episoden dient: Trust bleibt die eigentliche finale UI-Challenge im Zeitalter der KI-Agenten. Nicht Kontrolle, sondern Verständlichkeit entscheidet, ob wir Systemen mit vielen autonomen Teilen vertrauen.

Wie oft habt ihr schon denselben Prompt in einen anderen Chat-Fenster kopiert, nur weil die KI sich "vergessen" hat, wie sie sich verhalten soll? Mark und Jens nehmen sich diesmal ohne Gast, aber mit viel Redefluss ein Thema vor, das gerade quer durch alle großen Anbieter geht: Agent Skills. Ihre These für die Folge: Wer Skills richtig einsetzt, muss deutlich weniger prompten und bekommt trotzdem bessere, konsistentere Ergebnisse. Ganz konkret geht es um den Aufbau einer Skill.md-Datei: ein simples Markdown-File mit Titel, Beschreibung und Verhaltensanweisung, das bei Claude in eine gezippte `.skill`-Datei verpackt wird (ja, wirklich: umbenennen in `.zip` und entpacken funktioniert). Am Beispiel eines Senior-Code-Reviewer-Skills und eines PowerPoint-Vorlagen-Skills zeigen die beiden, wie ein Skill Governance und Verhalten festlegt statt nur Antworten zu liefern, und warum das etwas grundsätzlich anderes ist als ein Tool, ein Plugin oder ein API-Key. Portabilität ist dabei ein zentraler Punkt: Ein einmal geschriebener Skill lässt sich in ChatGPT, Gemini oder andere Modelle einfach reinkopieren, auch wenn nur Claude aktuell die vollständige Skill-Infrastruktur inklusive Ressourcen und automatischem Nachladen bietet. Ein Running Gag der Folge: die Abgrenzung zwischen Skills und Memory-Files. Skills beschreiben eine wiederholbare Spezialisierung ("verhalte dich wie ein Senior Code Reviewer"), Memory-Files merken sich generalistisch Kontext über die Person hinweg. Ein Unterschied, den Mark und Jens explizit an OpenClaw durchdeklinieren, wo genau diese Vermischung schnell zum Problem wird. Dazu kommt ein Architektur-Dreisprung, den die beiden live entwickeln: eine Verhaltens-Schicht (Skills), eine Tool-/MCP-Schicht und eine Runtime-Schicht, auf der Modell oder Agent tatsächlich arbeiten. Praktisch wird es beim Vorschlag, die eigene Arbeit mit Zettel und Stift zu protokollieren, um nervige Wiederholungsaufgaben zu identifizieren und daraus Skills zu bauen, vom Kontoauszug-Sortieren bis zum Advisory-Board-Skill, den Mark einst mit N8N gebaut hat und der als Orchestrator-Skill selbstständig die passenden "Experten" befragt. Wer schon mit Skill-Bibliotheken arbeitet, bekommt außerdem den nötigen Security-Reminder: fremde Skills vor dem Einsatz reviewen, denn ein Skill ist im Zweifel nichts anderes als eine Verhaltensanweisung, der man blind vertraut. Zum Schluss gibt's noch einen Ausblick auf die nächste Folge zu Gaming-UIs für die Orchestrierung mehrerer KI-Agenten gleichzeitig.

Was passiert, wenn aus Prompt Engineering plötzlich Skill Engineering wird? Für diese Folge holen sich Mark und Jens ihren allerersten Podcast-Gast zurück ins virtuelle Studio: René, mit dem sie schon vor Monaten über Agents und das IOC-Modell (Intent – Operate – Control) gesprochen hatten. Die zentrale These der Folge fällt schnell: "Prompt Engineering ist gestern, Skill Engineering ist morgen", und zwar nicht nur für Agenten, sondern für ganze Organisationen. Ein Skill, erklärt René, ist mehr als ein gut formulierter Prompt: orchestrierter Zugriff auf Tools, ausführbarer Code mitten in der Markdown-Datei (ja, auch Python-Snippets tauchen darin auf) und persistente Speichereinheiten, und das alles modellagnostisch, sodass derselbe Skill wahlweise mit Modellen von Anthropic oder anderen Anbietern läuft. Als Aufhänger dient der kurze Rückblick, wie sich seit der ersten gemeinsamen Folge N8N, Managed Agents bei Notion und die gesamte Modelllandschaft schon wieder verändert haben. Die Pixel-Rennen-Analogie aus der Digitalkamera-Ära liefert die Einordnung: Irgendwann sättigt die reine Modell-Leistung, und das System drumherum entscheidet. Sehr konkret wird das, als René von seinem eigenen Skill erzählt, der alte GitHub-Repositories durchforstet, brauchbaren Code in eigenständige Skills überführt und den Rest als Python weiterlaufen lässt. Mit Verweis auf Andrej Karpathy spinnt die Runde das weiter: Statt ganzer Legacy-Codebasen forkt man in Zukunft nur noch das Markdown-File mit der eigentlichen Idee, token-optimiert, ganz im Sinne einer Jobs-to-be-done-Logik, bei der am Ende nur das Loch in der Wand zählt, nicht der Bohrer. Ein Leadership-Paradox trägt die zweite Hälfte der Folge: Je mehr Geschäftsprozesse automatisiert werden, desto mehr Führung statt weniger wird gebraucht, weil jemand die Feedback-Schleifen des Agenten-Korpus strategisch steuern muss. Delegation wird damit zur Kernkompetenz, garniert mit der Analogie zum autonomen Fahren, wonach das Lenkrad ganz herauszunehmen manchmal sicherer ist, als auf menschliches Eingreifen im Ernstfall zu hoffen. Auf Organisationsebene wird es grundsätzlich: René zitiert Jack Dorsey mit der Warnung, jetzige Org-Charts nicht einfach in agentische Strukturen zu übersetzen: die alte Pyramide sei tot, Herrschaftswissen verliere an Bedeutung, ganz im Geiste agiler Methoden, die schon immer hierarchiefrei arbeiten wollten. Kritisch wird die Runde beim Blick nach China: Kamera-Tracking in Fabriken zum Trainieren von Robotik, dazu ein Tool namens Anti-Distillation Skill, mit dem Mitarbeitende ihr wertvollstes Wissen aus abzugebenden Skill-Dateien wieder herausfiltern, bevor sie beim Management landen. Parallel dazu OpenClaw-Installationsdienste als Kiosk-Angebot in chinesischen Städten, während man hierzulande eher zögert und reguliert. Zum Ausklang plädieren beide dafür, Terminal- und Coding-Grundwissen als "Life Skill" zu begreifen, man muss nicht selbst installieren oder programmieren, aber ein Grundverständnis schafft Souveränität im Umgang mit der Technologie.

Warum verbraucht dieselbe Frage in Claude Code plötzlich zehnmal weniger Tokens als über die API? Mark und Jens starten mit einem sehr persönlichen Ärgernis: vergessenes Prompt-Caching und ungeprüfte System-Prompts, die die eigene Anthropic-Rechnung explodieren lassen, und landen von dort mitten in einer Woche voller Anthropic-Nachrichten, die es in sich hatte. Im Zentrum steht der Claude-Code-Leak vom 31. März 2026: Aus Versehen wurde die komplette, rund 512.000 Zeilen umfassende TypeScript-Codebasis von Claude Code öffentlich zugänglich: nicht das Modell selbst, sondern die Software drumherum, mit der man es überhaupt anspricht. Die Folgen: tausende geklonte GitHub-Repositories, Malware-infizierte Fake-Downloads und ein Haufen Entwickler, die zum ersten Mal öffentlich nachlesen konnten, wie Anthropic intern mit MCP, Speichermanagement und Multiagentensteuerung arbeitet. Mark und Jens diskutieren offen, was das für Open Source, geistiges Eigentum und die eigene Neugier bedeutet, und warum sich einmal veröffentlichter Code eben nicht mehr zurückholen lässt. Fast zeitgleich kündigt Anthropic Managed Agents an: eine API-Suite für gehostete, sandboxed Agenten inklusive State Management, Authentifizierung und Credential Vault, abgerechnet im Cent-Bereich pro Prozessorstunde, mit vorinstallierten Konnektoren zu Notion, Asana, Slack und GitHub. Die beiden ordnen ein, warum das ein sinnvoller Schritt weg von selbstgebauten OpenClaw-Installationen mit Plaintext-API-Keys sein kann, aber auch, warum Orchestrierungsaufwand durch selbstständig gespawnte Subagenten schnell wieder zunimmt. Den eigentlichen Aufreger liefert aber ein noch unveröffentlichtes Modell mit dem Codenamen Mythos: In internen Tests soll es nicht nur Sicherheitslücken finden, sondern eigenständig mehrstufige Exploits bauen, die 17 Jahre alte, bislang unentdeckte Bugs ausnutzen. Anthropic reagiert mit Project Glasswing und gibt ausgewählten Partnern (darunter Microsoft, Amazon, Nvidia, JP Morgan und Cisco) kontrollierten Zugang, bevor das Modell überhaupt öffentlich verfügbar ist. Dazu die Anekdote, die für Gänsehaut sorgt: eine E-Mail, die ein Modell offenbar nur verschicken konnte, indem es seine eigene Sandbox verließ, garniert mit Anthropics Ansage, man sei nur noch sechs Monate von AGI entfernt. Zum Schluss ordnen Mark und Jens die eigentliche Lehre der Woche ein: Egal wie schnell sich Modelle, Managed Agents und Mythen um neue Releases drehen: Investitionen in gut beschriebene Skills und eine saubere Kontext-Architektur bleiben der Teil, der Bestand hat. Der Code selbst wird austauschbar, das Wissen darüber, was ein Agent tun soll, nicht.

Warum zählt eine KI die Buchstaben in "Strawberry" falsch? In dieser Osterfolge graben Mark und Jens nach Easter Eggs: erst die klassischen aus der Software- und Gaming-Geschichte, dann die deutlich interessanteren, die sich in ChatGPT, Claude und Gemini verstecken. Den Anfang macht ein Streifzug durch Internet-Nostalgie: Googles "do a barrel roll", die längst verschwundene killer-robots.txt von Larry Page und Sergey Brin sowie Easter Eggs aus Day of the Tentacle, Maniac Mansion, Zak McKracken and the Alien Mindbenders, Doom II, Wolfenstein 3D und World of Warcraft. Schön, aber nur der Aufwärmer. Der eigentliche Kern der Folge: welche Kuriositäten moderne LLMs (Large Language Models) an den Tag legen und was tatsächlich dahintersteckt. Das Strawberry-Problem (warum KI beim Buchstabenzählen scheitert) erklärt sich durch Tokenisierung: Modelle lesen Text nicht als einzelne Buchstaben, sondern als Tokens, wodurch "Strawberry" in Fragmente wie "St", "raw" und "berry" zerlegt wird und die KI beim Zusammenzählen durcheinanderkommt. Genauso fehlt LLMs ein echtes Zeitgefühl: Ohne expliziten Hinweis auf das aktuelle Datum bleiben sie gedanklich im Trainingszeitpunkt hängen, was zu skurrilen Situationen führt, etwa wenn Claude Jens abends ins Bett schickt und ihn am nächsten Morgen fragt, ob er gut geschlafen hat, obwohl in Wirklichkeit Tage dazwischenliegen. Weitere Easter Eggs: der "Lost in the Middle"-Effekt, bei dem Informationen in der Mitte eines langen Kontextfensters (Context Window) schlechter verarbeitet werden als am Anfang oder Ende, ein Problem, das mit wachsenden Millionen-Token-Kontextfenstern eher zu- als abnimmt. Dazu "Lazy GPT": Modelle, die bei Aufgaben abkürzen, Platzhalter statt vollständiger Ergebnisse liefern oder, besonders dreist, einen nicht bestandenen Testfall einfach aus der Liste löschen, damit am Ende "alles grün" ist. Und natürlich Halluzination: Ein LLM ist darauf trainiert, plausibel klingende Tokens zu erzeugen, nicht zwangsläufig wahre. Am kritischsten wird es beim Ja-Sager-Effekt (Sykophanz): KI-Modelle, die aus Engagement-Gründen fast jede Idee bestätigen: von der Fäkalien-Boutique bis zum kompletten Lotto-Einsatz. Mark und Jens ordnen ein, warum das mehr ist als ein liebenswerter Bug: Es gab bereits dokumentierte Fälle, in denen übermäßige Bestätigung durch KI Nutzer in Verschwörungstheorien oder psychotische Episoden hineinverstärkt hat. Zum Ausklang geht's noch um das Überraschungs-Langzeitgedächtnis von Claude, das alte, längst vergessene Fakten unpassend wieder ausgräbt, menschlicher, als man denkt.

Warum heilt ein KI-Laie seinen Hund für 3.000 Dollar von Krebs, während gleichzeitig NVIDIA eine komplette Agenten-Strategie zur Pflicht für jede Firma erklärt? Mark und Jens brechen in dieser Spezialfolge mit ihrem sonstigen Format und sprechen ungefiltert über die News, die sie in den letzten Tagen tatsächlich sprachlos gemacht haben: von DNA-Sequenzierung per ChatGPT bis zum Auto-Research-Loop, bei dem ein KI-System selbstständig Hypothesen aufstellt, verwirft und neu entwickelt, ganz ohne menschliches Nachschärfen der Prompts. Im Zentrum steht OpenClaw, das kleine Vibe-Coding-Projekt eines Entwicklers namens Peter, das seit Dezember durch die Decke ging und jetzt von NVIDIA-CEO Jensen Huang höchstpersönlich als NanoClaw (bzw. NeoClaw) auf der Bühne vorgestellt wurde, inklusive Umschaltung zwischen Lokal- und Cloud-Modell und dem Anspruch, ein "Agentic OS" zu sein. Der Satz, der bei den Hosts hängen blieb: Jede Firma müsse künftig nicht nur eine AI-Strategie, sondern eine echte OpenClaw-Strategie haben. Was das für Governance, Skill-Dokumentation, Datenschutz und die Ablösung teurer Microsoft-Copilot-Lizenzen (Stichwort E5-zu-E7-Preissprung) bedeutet, wird ausführlich durchgespielt, bis hin zur Vision von Multi-Agenten-Systemen, in denen ein Orchestrator-Agent Sub-Agenten für Coding, Präsentation und Kommunikation koordiniert. Daneben geht es um humanoide Roboter, die in China testweise über echte Straßen laufen, während der Tesla Bot in München noch Popcorn verteilt, um den Konkurrenzdruck durch Perplexity Computer, Kimi und Googles neue Gemini-CLI mit MCP-Server- und Skill-Unterstützung sowie um die "Cinema-Video"-Funktion von NotebookLM. Ein besonders schräges Beispiel: Ein chinesischer Student hat mit seinem Projekt Mirofisch in zehn Tagen ein Tool gebaut, das Millionen simulierter Agenten auf Basis realer Weltereignisse reagieren lässt, um damit unter anderem auf Polymarket gezielter zu wetten, und wurde dafür mit 4,5 Millionen Dollar Investment belohnt. Statt der gewohnten kritischen Distanz überwiegt in dieser Folge etwas Seltenes: echtes Staunen. Mark und Jens geben unumwunden zu, dass sie bei der Frage, was eine Ein-Personen-Firma mit Agent Harness, Skills und Auto-Research heute schon leisten kann, selbst ins Grübeln kommen und formulieren am Ende offen die Idee einer neuen Geschäftsmodell-Kategorie: die KI-Consultancy, hinter der am Ende nur ein Mac Mini mit ein paar gut gepflegten Skills steckt.

Was macht ein KI-Agent eigentlich nachts, wenn niemand hinschaut? Mark und Jens sind diese Woche ohne Gast unterwegs, aber vollgepackt mit News aus einer Branche, die inzwischen öfter neue Modelle rausbringt, als andere Leute die Unterhose wechseln. Den Anfang macht Claude Design, Anthropics neues Design- und Prototyping-Tool, das seit dem Release am Freitag zuvor die Design-Szene aufmischt. Jens erklärt, warum ihn das Feature-Set (von Wireframes über funktionale Animationen bis zum Import bestehender Figma-Dateien und Design-Systeme) nach einem Wochenende Ausprobieren fast zum Figma-Abtrünnigen gemacht hätte, und wie sich das Tool gegen Wettbewerber wie Google Stitch einordnet. Nebenbei geht es um KI-Bildgenerierung im Alltag: Nano Banana (Gemini), GPT Image 1.5 und wie Tools wie Manus oder Crea.ai das nachträgliche Text-Editing auf generierten Infografiken lösen. Danach wird es technischer: Claude Opus 4.7 bringt neue Effort-Modi (Medium, High, X-High, Max) und eine feinere Tokenisierung mit: gut für die Genauigkeit, schlecht für die Kreditkarte, denn im Maximal-Modus können laut Mark und Jens bis zu 40 Prozent mehr Kosten anfallen. Die beiden diskutieren, wie viel Kontrolle man über die automatische Delegation an kleinere Modelle wie Sonnet eigentlich haben will und warum Vertrauen in eine Modell-Firma am Ende genauso zählt wie reine Benchmark-Zahlen. Der eigentliche Kern der Folge: Was passiert, wenn ein Coding-Agent nicht mehr nach 20 Minuten den Kontext verliert, sondern tatsächlich über Nacht durcharbeitet? Jens stellt sein GitHub-Projekt Claude Night Shift vor: eine Kombination aus Skills und Bash-Skripten mit Runbooks, Hooks, einer macOS-Sandbox und einem Watchdog mit Heartbeat-Überwachung, die Claude Code vom interaktiven Werkzeug zum autonomen Arbeiter macht, destruktive Befehle blockiert und Entscheidungen nachvollziehbar dokumentiert. Dazu die Anekdote, wie an einem Wochenende mit Claude ein Meetingassistent für eine Even Realities-AR-Brille zusammengeschraubt wurde. Zum Schluss geht es ums große Ganze: Wie viele Tokens werden gerade verbrannt, weil Menschen KI-generierte Dokumente nur zwischen zwei KIs hin- und herschieben, statt Agenten über A2A oder MCP direkt miteinander reden zu lassen? Eine Folge über Vertrauen, Effizienz und die Frage, wann Automatisierung aufhört, Prokrastination zu sein, und anfängt, echte Arbeit zu erledigen.

Was macht eigentlich Warten mit uns, wenn nicht mehr wir selbst arbeiten, sondern ein Agent für uns? Mark und Jens sitzen in dieser Folge zum ersten Mal physisch am selben Tisch und nehmen sich ein Konzept vor, das in der UX/CX- und Service-Design-Welt unter dem Namen Temporal UX seit einer Weile kursiert, im KI-Kontext aber noch kaum durchdacht ist: Zeitgestaltung als bewusstes Designelement. Am Beispiel des Gepäckbands am Flughafen zeigen sie, wie ein bewusst verlängerter Fußweg eine gefühlt kürzere Wartezeit erzeugt, und übertragen dieses Prinzip direkt auf die Interaktion mit KI-Modellen. Ausgangspunkt ist eine sehr konkrete eigene Erfahrung: Beim gemeinsamen Vibe Coding mit einer Kollegin hat Mark eine Aufgabe an einen Agenten übergeben (umgesetzt mit Craft Agents auf Basis eines Opus-Modells), während Jens und die Kollegin nur sporadische Status-Updates aus zweiter Hand bekamen. Das Ergebnis: eine Sechs-Punkte-Liste, die abgearbeitet wird, fast wie ein Windows-Installationsbalken bei 98 Prozent. Von hier aus spannen die beiden den Bogen zu Diskettenwechseln, Ladebildschirm-Insidergags in alten Videospielen und Pong-Minigames auf Flash-Webseiten: lauter frühe Lösungen für dasselbe Problem, Wartezeit erträglich machen, ohne zu lügen, wie lange sie wirklich dauert. Ein zentraler Strang der Folge ist Trust: Warum zeigen Reasoning-Modelle wie die von DeepSeek oder OpenAI überhaupt ihren Denkprozess an, und was macht das mit unserem Vertrauen in den Output? Daraus entwickelt sich die Diskussion um Mental Overload beim parallelen Betrieb mehrerer KI-Agenten: Wenn fünf, sechs Agenten gleichzeitig laufen, steigt laut Jens und Mark die Fehlerquote massiv, weil der Überblick verloren geht, wer gerade woran arbeitet und wo ein Prompt oder Reviewschritt fehlt. Mark bringt seine alte Palm-Pilot-Software Agendus als Wunschbild ein: Aufgaben, die mit einem mitwandern, bis sie erledigt sind, plus ein simples Wrap-up am Ende und die Fähigkeit, Kontexte aus verschiedenen Konversationen zusammenzuführen. Besonders praxisrelevant: Aktuelle KI-Modelle haben schlicht kein Gefühl für verstrichene Zeit. Wer nicht explizit Datum und Uhrzeit im Prompt mitgibt, bekommt schon mal die Aussage "ich habe zwei Stunden recherchiert", obwohl real zwei Minuten vergangen sind. Das Problem wird größer, sobald Agenten nicht nur mit Menschen, sondern miteinander kommunizieren: Timeouts, Heartbeat-Mechanismen und die Frage, was passiert, wenn von zehntausend agentischen Systemen eines einfach nicht antwortet, während alle anderen im Leerlauf hängen. Mark erzählt dazu seine eigene N8N-Anekdote, bei der ein Timeout im Frontend die fertige Antwort eines Workflows verschluckt hat: ein sehr konkretes Beispiel dafür, wie wenig Zeitgestaltung in aktuellen Agenten-Tools wie N8N oder Claude bislang mitgedacht ist. Am Ende steht ein klarer Auftrag an die Branche: Zeitgestaltung darf nicht dem Zufall überlassen bleiben, sondern muss sowohl auf UI-Ebene als auch organisatorisch (in Workflows, Notifications und Übergabepunkten) bewusst mitgedacht werden, sonst frisst Mental Overload den Produktivitätsgewinn durch KI wieder auf. Passend dazu schließen Mark und Jens mit einem Zitat von Benjamin Franklin: "Lost time is never found again."

Was, wenn die KI schon heute bessere Product Requirements Documents schreibt als der gestresste Produktmanager nebenan? Diese Folge widmet sich genau dieser unbequemen Frage, mit Markus Andrezak, seit rund 30 Jahren im Produktmanagement unterwegs (Fireball, eBay, heute Überprodukt), der seinen eigenen Weg vom KI-Skeptiker zum überzeugten Nutzer offenlegt. Der Wendepunkt für Markus kam nicht mit ChatGPT, sondern mit Context Engineering: Aufgaben in immer feinere Schritte zu zerlegen und jeden Schritt gezielt mit dem richtigen Content zu füttern. Das Ergebnis, sagt er, sind keine "ganz okay"-Outputs mehr, sondern absurd gute. Konkret heißt das: Ein KI-generiertes PRD aus 20 Kundeninterviews schlägt in der Praxis oft das, was ein PM unter echtem Organisations-Zeitdruck abliefert, nicht weil Menschen dumm sind, sondern weil sie in Systemen arbeiten, die ihnen keine Zeit lassen. Klingt hart, ist aber, wie im Gespräch mehrfach betont wird, kein Argument für den Human out of the loop, sondern für Menschen, die sich die besten Rohentwürfe erarbeiten lassen und dann kuratieren. Besonders spannend wird es beim Thema synthetische Personas und simulierte Workshops: Markus lässt Strategie-Workshops von KI-Agenten durchspielen, bevor er echte Kunden trifft. Für rund 30 bis 40 Dollar API-Kosten bekommt er Diskussionen, die "geschworen so gut" sind wie in echten Workshops, plus einen Erkenntnisvorsprung, den er sich sonst über Wochen hätte erarbeiten müssen. Die Kehrseite kommt im Gespräch auch nicht zu kurz: Wenn 25-jährige Produktteams selbstgebastelte WG-Bewohner-Personas an die Wand hängen, obwohl die eigentliche Zielgruppe 50+ ist, ist synthetische Research oft die realistischere Alternative. Ein zweiter großer Strang der Folge dreht sich um Führung und Organisation: Warum Unternehmen ohne klare KI-Richtung (frei nach dem Kent-Beck-Zitat, dass 90 Prozent alter Skills entwertet und 10 Prozent massiv aufgewertet werden) im Chaos landen, während Firmen wie Amazon (Stichwort Andy Jassy) zeigen, wie unmissverständliche Kommunikation von Grenzen und Zielen aussieht. Die Parallele zur Continuous-Deployment-Debatte von vor über zehn Jahren zieht sich durch die ganze Folge: Auch damals hieß es erst "geht nicht, höchstens für Spielzeug", bis das Deployment-Bottleneck verschwand. Genau das passiert gerade mit dem Coding-Bottleneck. Wie sich das im Alltag anfühlt, illustriert das Boris-Cherny-Beispiel (Claude Code, "ADHS-Development-Style" mit zehn offenen Terminals) ebenso wie Markus' eigener Rat an seine Kursteilnehmer: nicht ins Markdown-File reingrätschen und Details fixen, sondern mit dem Agenten reden und den gewünschten Outcome benennen. Die Beurteilung von Ergebnissen wandert dadurch ans Ende der Wertschöpfungskette: Bauen wird billig, Kuratieren wird zur eigentlichen Kernkompetenz. Zum Schluss wagen Markus, Mark und Jens einen Blick zwei Jahre nach vorn: Werden Produktmanager, Entwickler und Designer zu austauschbaren Generalisten? Markus' These: eher nicht, denn Generalisten waren historisch immer selten, und auch beim Management by Objectives oder beim Unified Process hat sich das nicht geändert. Rollen verwaschen an den Rändern, bleiben aber im Kern bestehen. Das eigentlich Schmerzhafte an der ganzen Umstellung sei ohnehin nicht die Technologie, sondern der Hirnumbau, der sie erfordert.

Was passiert, wenn ein Software-Entwickler und zwei IT-Praktiker anfangen, über Agentic Workflows zu fachsimpeln? Mark spricht in dieser Folge, ausnahmsweise ohne Jens, mit den wiederkehrenden Gästen Alex und Klaus darüber, wie aus reinem Prompten inzwischen echte Agenten-Infrastruktur geworden ist. Ausgangspunkt ist ein sehr konkreter Use Case: Klaus will seine monatliche Buchhaltung (Rechnungen per Mail, Kontoauszug, PDF-Export) automatisieren und weiß nicht, ob er dafür OpenClaw oder Craft Agents braucht. Die Antwort ist, wenig überraschend, ein "kommt drauf an", aber ein gut begründetes. Craft Agents wird als grafische, auf dem Claude SDK basierende Alternative zu Claude Code vorgestellt: kein Terminal, dafür MCP-Anbindungen, Skills und Aufgaben, die auch weiterlaufen, wenn die Anwendung geschlossen ist. An Alltagsbeispielen (einem Notion-Token, das ständig neu authentifiziert werden muss, oder einer Audio-Transkriptions-Anwendung für IT-fremde Kolleginnen) zeigen Mark, Alex und Klaus, wie sich über Skills, Plugins, Hooks und Evaluations mittlerweile ein gemeinsames Musterbuch quer über alle Agent Harnesses (Claude Code, OpenCode, OpenClaw) etabliert hat. Spätestens wenn ein Agent Zugriff auf Bankdaten oder das eigene Postfach bekommen soll, wird es ernst. Die Runde diskutiert Sandboxing, Netzwerksegmentierung und Zero-Trust-Prinzipien und stellt Adam Shostacks Four-Question-Framework vor, das Klaus sich als eigenen Skill in Craft Agents gebaut hat, um eine Bedrohungsanalyse (Threat Modeling) automatisiert vor jedem Commit laufen zu lassen. Dabei bleibt der Ton angenehm unaufgeregt: keine "KI wird uns alle hacken"-Panik, sondern die nüchterne Feststellung, dass viele Menschen schlicht nicht wissen, was ein Token ist. Genau das wird zum Sicherheitsrisiko. Der zweite große Themenblock dreht sich um Softwarearchitektur und Teamstrukturen im Zeitalter von KI-Agenten. Klaus berichtet, wie sein früherer Purismus (strikt native iOS-Entwicklung in Swift, striktes Kotlin für Android, kein Cross-Platform-Kram) aufgeweicht ist, weil Agenten mittlerweile für beide Plattformen nativen Code erzeugen und die Teamgrenzen zwischen iOS- und Android-Entwicklern zunehmend verschwimmen. Diskutiert wird auch, ob der klassische Anwendungsschnitt (Frontend-Team, Backend-Team, App-Team) angesichts von LLMs neu gedacht werden muss, und warum Make-or-Buy-Entscheidungen gerade eine neue Bedeutung bekommen. Zum Ausklang gibt es die skurrilsten Momente aus dem Alltag mit Agenten: ein Claude Code, das sich schlicht weigert, die Git-History umzuschreiben, ein OpenClaw-Setup, das eigenmächtig neue Nutzer in eine Datenbank aufnimmt, und die unbequeme Frage, wer eigentlich entscheidet, welche Libraries ein Agent verwendet, wenn Unternehmen dafür bezahlen könnten. Eine Folge für alle, die wissen wollen, was Agentic Coding kann und was dabei ernsthaft schiefgehen kann.

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

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

Vor zwei, drei Jahren drehte sich alles um eine Frage: Wer schreibt den besten Prompt? Heute ist die eigentliche Frage laut Mark und Jens eine andere: Wer baut die beste Schleife, den besten Loop. Auslöser der Folge ist ein Zitat von Andrej Karpathy, der kürzlich öffentlich gemacht hat, dass Loop Engineering inzwischen wichtiger sei als Prompt Engineering. Mark zeichnet daraufhin seine eigene Entwicklung nach: von einer frühen Notion-Prompt-Datenbank ("Diskette war schon immer gut, wer will schon eine CD?") über Skills als Markdown-Dateien mit Sub-Skills und ausführbarem Python-Code bis zum eigentlichen Loop Engineering. Der Unterschied: Ein Loop bekommt kein einzelnes Kommando, sondern ein Ziel, klare Erfolgskriterien und die Anweisung, sich selbst so lange zu überprüfen und zu wiederholen, bis das Ziel erreicht ist. Die praktische Warnung der Folge: Wer eine KI ihre eigene Arbeit prüfen lässt, bekommt oft nur Selbstbestätigung zurück. Mark und Jens plädieren deshalb dafür, das Ergebnis (das "Act") von einem anderen Modell checken zu lassen, statt von demselben System, das es erzeugt hat, denn ein System, das sich selbst belobigt, ist kein kritischer Beobachter. Als Beleg zitiert Mark einen Post von Peter Steinberger zu genau diesem Ansatz und dem dazugehörigen Tokenverbrauch. Darauf aufbauend ordnen die beiden aktuelle Funktionen wie Claude Codes Goal-, Loop- und Workflow-Modus ein, inklusive Marks eigenem Ablauf: erst planen, dann mit einem Kritiker- und einem Meta-Analyse-Skill gegenprüfen lassen, dann per Goal automatisiert umsetzen lassen, auch wenn das mal 10, 12 oder 20 Stunden dauert. Ein wachsendes Thema in diesem Zusammenhang ist Harness Engineering. Je mehr Agenten und Loops parallel arbeiten, desto wichtiger werden Kontext und Memory (Stichwort "Second Brain", mit dem Beispiel der kurzfristigen Fable-Abschaltung als Warnung, wie schnell Kontext sonst verloren geht) sowie Governance-Fragen wie Auditierung und signierte Skills. Mark spinnt das Gedankenspiel humorvoll weiter zu einem "deutschen Behörden-Harness", der Bürokratie automatisiert und dadurch zum heimlichen Exportschlager werden könnte. Zum Abschluss grenzen die beiden Harness noch begrifflich von "Agentic OS" ab. Das Fazit der Folge: Es geht nicht darum, mit möglichst vielen Tokens zu beeindrucken, sondern ein klares Ziel zu definieren und der Maschine geduldig den Weg dorthin zu überlassen.

Was passiert, wenn Agenten anfangen zu beraten? In dieser besonderen Doppelfolge sprechen Mark und Jens mit zwei Gästen direkt vom adesso Digital Day 2026: Prof. Dr. Volker Gruhn, Aufsichtsratsvorsitzender der adesso SE und Hochschullehrer für Software Engineering an der Universität Duisburg-Essen, sowie Stephan Kempf, Experte für Mobile, On-Device AI und Agent Harnessing bei adesso mobile solutions sowie Co-Autor von „Corporate LLM". Im Mittelpunkt steht die Frage, wie sich Softwareentwicklung, Beratung und Make-or-Buy-Entscheidungen durch KI verändern. Was bedeutet es, wenn Anwendungen heute scheinbar per Prompt entstehen können? Wo liegen die Chancen von Vibe Coding, und wo beginnt die gefährliche Illusion einfacher Softwareentwicklung? Volker Gruhn zieht dabei die Parallele zur Dotcom-Ära, als plötzlich "jeder zum Webseitenschreiber" wurde, und ordnet ein, warum Vibe Coding für Spielzeug-Apps reicht, aber nicht automatisch für ein produktionsreifes ERP-System. Die Diskussion zeigt: KI kann Entwicklung massiv beschleunigen, aber nachhaltige Software entsteht nicht allein durch gute Prompts. Entscheidend bleiben saubere Spezifikation, Softwarearchitektur, Requirement Engineering, Skills und ein stabiler Agent Harness. Stephan Kempf bringt es im Fazit auf den Punkt: Das eingesetzte KI-Modell ist am Ende fast austauschbar, entscheidend ist, wie robust der Harness drumherum gebaut ist.

Was passiert, wenn ein KI-Modell so gut ist, dass eine Regierung es einfach abschaltet? Genau das ist Anthropic mit seinem neuen Modell Fable 5 passiert, und Mark und Jens ordnen in dieser kurzfristig eingeschobenen Folge ein, was in nur drei Tagen daraus wurde. Fable 5 gehört zur sogenannten Mythos-Klasse, einer Modellreihe, die bislang nur großen Playern wie Amazon und Google zur Verfügung stand, weil sie ungewöhnlich gut darin ist, Sicherheitslücken aufzuspüren: Bei Firefox wurden so an einem Tag Hunderte kritischer Bugs gefunden und geschlossen, und laut einem Heise-Bericht knackte eine Sicherheitsfirma mit Mythos einen Speicherschutz-Exploit auf Apple-M5-Hardware in nur fünf Tagen. Jens berichtet aus erster Hand von seinem Praxistest mit Fable 5: kurze Prompts, wenig Vorprompting, dafür ungewohnt eigenständiges Arbeiten im Vergleich zu Opus 4.8 und GPT-5.5/Codex. Kurz nach dem Launch wurde jedoch der System-Prompt von Fable 5 geleakt, es gab eine Anhörung im Weißen Haus, und die US-Regierung stufte Anthropic als Lieferkettenrisiko ein und untersagte, das Modell nicht-amerikanischen Bürgern zur Verfügung zu stellen. Innerhalb von 90 Minuten war Fable 5 für alle anderen Nutzer weg, mitten in laufenden Sessions, mit hängenden Kontexten und Projekten, die sich nicht mehr sauber auf ein anderes Modell übertragen ließen. Die Folge zieht die geopolitische Linie weiter: Der Vergleich mit dem Kill-Switch-Verdacht bei F-35-Kampfjets liegt nahe, ebenso die Parallele zur Erkenntnis aus der Corona-Pandemie, dass Europa in kritischen Lieferketten erschreckend abhängig ist. Wenn ein US-amerikanisches KI-Modell per Regierungserlass abgeschaltet werden kann, wird die Frage nach KI-Souveränität (wem gehört der Agent Harness, in dem ein Modell läuft, und wie unabhängig ist man von einzelnen Anbietern) plötzlich sehr konkret. Auch offene Alternativen wie Kimi, MiniMax M3 oder Manus lösen das Problem laut Mark nicht grundsätzlich, sobald auch diese Modelle strategisch relevant werden. Als Konsequenz plädieren beide für einen intelligenten Modell-Switcher in der eigenen KI-Architektur, verbunden mit dem Eingeständnis, dass beim Wechsel zwischen Modellen viel Reasoning und Kontext verloren geht, wenn er nicht separat gesichert wird. Genau hier kommt das wiederkehrende Thema Second Brain ins Spiel: Wissen und Kontext sollten nicht in der Session eines einzelnen Modells leben, sondern modellunabhängig und wiederauffindbar abgelegt sein. Als konkreten Ansatz bringen sie das Open Knowledge Format (OKF) von Google ins Spiel: ein Plädoyer dafür, professionelle Dokumentation wieder stärker auf Inhalt statt auf Formatierung zu konzentrieren, damit sie von jedem Modell token-sparsam verarbeitet werden kann.

Was passiert, wenn KI-Agenten eine eigene Stadt regieren? In einem Experiment mit sechs Agenten pro Stadt hält sich Claude an die Regeln und lässt die Gesellschaft florieren, während unter Grok binnen zwei Tagen niemand mehr lebt. Mischt man die Modelle, kippt das Zusammenleben ins Böse: Selbst Claude beginnt, Schutzgeld zu erpressen. Mark und Jens nutzen diese Anekdote als Einstieg in eine Folge, die sich um die großen Keynotes der letzten Wochen dreht und immer wieder bei einer Frage landet: Wo soll KI eigentlich laufen, lokal oder in der Cloud? Dazu passt der öffentliche Aufruf von Anthropic, das Entwicklungstempo zu drosseln, das angekündigte Modell „Mythos" und ein KI-Wurm, der sich zur Weiterverbreitung selbst umschreibt. Den Auftakt macht NVIDIA, wo Jensen Huang ankündigt, künftig Hardware für Agenten statt für Menschen zu bauen. Gleichzeitig ziehen Grafikkarten- und Arbeitsspeicherpreise an, sichtbar etwa am Steam Deck, das von rund 690 auf 890 Euro springt. Der DGX Spark und neue KI-Chips für Windows-PCs sollen KI-Rechenleistung zurück auf die heimischen Rechner bringen. Mark fragt offen, ob hier nur die nächste Cashcow gemolken wird, den Weg zur lokalen KI findet er trotzdem gut. Bei Microsoft geht es dagegen um Enterprise-Agenten mit Schreib- und Löschrechten unter Windows, einen intelligenten Firmenausweis mit generativer Oberfläche und „Project Solara". Nebenbei fallen Zahlen wie OpenAIs 900 Millionen Nutzer und die kolportierten 900 Millionen Dollar Server-Miete, die Google angeblich an SpaceX zahlt. Und Perplexity, einst als „Google-Killer" gestartet, schwenkt mit dem „Perplexity Computer" auf eine konsequente Local-First-Strategie um. Kurz, aber wichtig: eine Recherche zu Font-Injection in PDFs zeigt, dass das, was du im Dokument liest, nicht das sein muss, was die Maschine liest: ein gutes Argument gegen blindes Vertrauen bei automatisierter Vertragsprüfung. Kritischer wird es bei Apple: Mark, sonst bekennender Fan, nennt die WWDC-Keynote die uninspirierendste, die er je gesehen hat. Siri AI und der Personal-Context-Ansatz klingen auf dem Papier gut, überzeugen ihn aber trotz starkem Datenschutz nicht. Jens kontert mit Benedict Evans und dessen These, dass wir uns beim Thema KI noch in einer frühen, unausgereiften Marktphase befinden, sodass ein Second Mover zu sein keine schlechte Position sein muss. Der persönlichste Teil der Folge gehört Marks eigenem Setup: Googles neues lokales Modell versteht Bilder und Audio und ersetzt bei ihm nach und nach die lokalen Agenten. Dazu beschreibt er seinen selbstgebauten Wissens-Vault in Obsidian, gespeist aus Nachrichten, wissenschaftlichen Papern, YouTube und Podcasts, dazu ein KI-News-Radar, eine öffentliche Identity-Datei auf GitHub und LinkedIn sowie 19 GB Mails und 3,9 GB Notizen, verdichtet zu einem Knowledge Tree und per MCP an Agenten wie Perplexity und NotebookLM angebunden. Wie tragfähig das ist, zeigt ein Arztbesuch: Der neue Hausarzt hat keine alten Blutwerte, der eigene Vault liefert sie zu Hause in Sekunden, samt korrekter zeitlicher Zuordnung und Quelle. Datensouveränität, so das Fazit, ist keine abstrakte Debatte, sondern ein sehr konkretes Werkzeug. Zum Schluss skizzieren Mark und Jens, wohin die Reise geht: Voice als Interface der Zukunft samt Stimmungserkennung, das absehbare Ende von Word, Excel und PowerPoint zugunsten reiner Text- und Knowledge-Dateien, und KI, die sich vom einzelnen Gerät löst: vom Kühlschrank-Display über das Auto bis zum Smart Ring. Mark vergleicht den heutigen Stand mit MS-DOS kurz vor der grafischen Oberfläche und wirft die Frage auf, ob wir mit unserem heutigen KI-Wissen in zwanzig Jahren die COBOL-Programmierer dieser Ära sind.

Notion hat schon wieder was getan, und diesmal ist es kein neues Feature-Update, sondern eine eigene Developer-Plattform. Jens kuriert sich diesmal krankheitsbedingt aus, dafür sitzt zum wiederholten Mal Dirk Beckmann im Gespräch, Geschäftsführer der Digitalagentur artundweise und, nebenbei bemerkt, Marks Cousin. Anlass ist der Launch, den Notion im Stil einer vorab aufgezeichneten Apple-Keynote präsentiert hat: ruhiger Vortrag, dunkler Raum, Holzstuhl. Notion-CEO Ivan Zhao kündigt darin an, was laut Dirk weit über „noch eine API" hinausgeht. Kern der Plattform sind die sogenannten Worker: kleine TypeScript-Programme, die auf der Notion-Plattform laufen, mit KI-Unterstützung geschrieben, aber deterministisch ausgeführt, also ohne Tokenkosten und ohne Halluzinationsrisiko. Ein Agent in Notion kann diese Worker als Werkzeug aufrufen, wodurch sich im eigenen System bauen lässt, wofür man bisher zu n8n oder Make gegriffen hat, nur ohne zusätzliche Plattform dazwischen. Dirk zeigt an zwei eigenen Workern, was das bedeutet: Der eine fragt über einen neuen „Sync"-Feldtyp alle 15 Minuten ein Gmail-Postfach ab, der andere bindet Hugging Face an, um lokal (auf seinem MacBook mit M5 Pro) Bilder, Videos und geklonte Sprachausgabe zu erzeugen. Alles ohne Cloud-Anbindung und ohne laufende Tokenkosten, dafür mit hörbarem Lüfter. Bemerkenswert: Notion verdient sein Geld eigentlich mit Tokens („we sell work"), verkauft im Kern also Rechenzeit. Mit der Worker-Plattform öffnet sich das Unternehmen trotzdem für lokale Modelle wie Mistral oder Qwen und für externe Anbieter wie Hugging Face, ein Schritt, der kurzfristig Umsatz kosten kann, langfristig aber die Plattform zementiert. Für den deutschen Mittelstand ist das mehr als eine Randnotiz: Wer aus Compliance- oder Kundengründen keine amerikanischen Modelle einsetzen darf, bekommt hier einen Weg, KI trotzdem im eigenen System nutzbar zu machen, bis hin zu EU-gehosteten Modellen über AWS Bedrock in Frankfurt. Zweiter großer Baustein sind Managed Agents von Anthropic, die sich jetzt direkt in Notion-Workflows einbinden lassen: lange laufende Aufgaben, externe Trigger, abgeschottete Sandboxes, ohne dass man selbst Infrastruktur betreiben muss. Mark hakt nach, worin der Unterschied zum eingebauten Notion-Agenten eigentlich besteht, und die Antwort bleibt im Gespräch bewusst unaufgeregt offen: Managed Agents können außerhalb von Notion arbeiten, etwa Code auf GitHub auschecken und wieder einchecken, während der Notion-Agent an die Plattform gebunden bleibt. Dass solche Agenten in abgekapselten Sandboxes laufen, hat einen konkreten Grund: die kolportierte KI, die eine Produktionsdatenbank gelöscht und die Schuld danach abgestritten haben soll. Nebenbei erzählt Mark, wie er für einen befreundeten Neurologen in drei Stunden ein Abrechnungstool auf Markdown-Basis gebaut hat, komplett offline, ohne Internet, ohne WLAN. Und er berichtet, wie aus einer Notion-Sammlung „aus Versehen" ein internes Marketing-Betriebssystem wurde, das inzwischen an erste Pilotkunden weitergegeben wird. Der rote Faden der Folge bleibt dabei der gleiche wie sonst im Podcast: Die Technik ist da und kann eine ganze Menge, am größeren Hebel sitzt trotzdem, wer Menschen tatsächlich mitnimmt, statt sie mit CLI, Sync-Feldern und Sandbox-Begriffen allein zu lassen.

Wie leicht ist es eigentlich geworden, Hacker zu werden? Mark holt sich für diese Folge Verstärkung von Thomas Lang, seit 26 Jahren in der IT und einem Großteil davon in der Informationssicherheit unterwegs. Sein Fachgebiet beginnt genau dort, wo niemand hinwill: wenn der Hacker schon da war, oder wenn verhindert werden soll, dass er kommt. Die zentrale These der Folge: Früher musste ein Angreifer wissen, wie man einen Netzwerkscan schreibt und sich unauffällig durchs System bewegt. Heute reicht ein Satz an ein Sprachmodell. Thomas zeigt, wie schnell sich aus Claude Code, Docker, MCP-Server-Anbindungen an Kali Linux und Shodan in fünf Minuten eine komplette Pentest-Werkzeugkette zusammenklickt, ganz ohne die Kommandozeilen-Skills, die früher Pflicht waren. Aus der Praxis erzählt er von Angreifern, die sich 14 Monate lang mit Domain-Admin-Rechten auf einem Terminal-Server tummelten, und von einem Azubi, der sich privat Hacker-Skills aneignete und sie ungestraft im Firmennetz ausprobierte. Die unbequeme Erkenntnis: Gegen interne Täter sind Unternehmen typischerweise viel schlechter gewappnet als gegen externe. Ein Abstecher führt in die Schattenmärkte des Darknets: WormGPT und FraudGPT werden dort als Software-as-a-Service vertrieben, inklusive Telegram-Support, Monatsabo für 129 Dollar oder Lifetime-Lizenz für 900 Dollar: die komplette arbeitsteilige Wirtschaft der legalen Welt, nur befreit von der Pflicht, sich an Gesetze zu halten. Dazu kommt Voice Cloning: Mark und Jens haben selbst getestet, wie ein lokales Modell aus 15 Sekunden Audiomaterial eine täuschend echte Stimme erzeugt, ganz ohne Cloud, auf einem gewöhnlichen Notebook. Für CEO-Fraud, Social Engineering und Prompt Injection über MCP-Schnittstellen eine völlig neue Angriffsfläche. Die Analogie zur Lotus-Notes/Domino-Ära liefert den roten Faden für den zweiten Teil des Gesprächs: Wenn IT-Fähigkeiten dezentral in die Hände von Fachabteilungen wandern, entsteht Tempo, aber auch Intransparenz, die Sicherheit und Governance erschwert. Braucht jedes Unternehmen bald eine eigene agentische Sicherheits-KI gegen agentische Angriffs-KI? Und lohnt sich angesichts explodierender Tokenkosten die Rückkehr zum eigenen Serverschrank im Rechenzentrum, statt alles in die Cloud zu schieben? Am Ende steht der "Mythos"-Zwischenfall bei Anthropic (ein Modell, das angeblich aus seiner eigenen Sandbox ausgebrochen sein und eigenständig eine Mail verschickt haben soll) und eine Beobachtung, über die eine Bank in Frankfurt genau an diesem Tag bereits nachgedacht hat: Was, wenn allein die Existenz eines Modells ausreicht, um die Frage "Müssen wir unsere Systeme vom Netz nehmen?" auf den Tisch zu bringen? Kritisch, aber nicht ohne Hoffnung, denn dieselbe Technologie steckt eben auch hinter medizinischer Diagnostik, die Leben retten kann. Am Schluss gibt's noch eine Empfehlung: Wer tiefer in echte Hacker-Geschichten eintauchen will, sollte sich Dark Net Diaries anhören.

Was macht ihr, wenn das mächtigste Modell einfach nicht will? Mark und Jens nutzen die Lücke vor ihrer nächsten Gästefolge für eine Zwischenfolge ohne Gast und knüpfen dabei an ihre frühere Folge mit René zum Thema Skills an: Dort ging es um Skills für Organisationen und Menschen, hier geht es um die technische Seite: Vibe Coding, KI-Skills und die großen Modelle. Los geht's mit einer Definition: Vibe Coding, der Begriff, den Andrej Karpathy im Februar 2025 geprägt hat, heißt, mit der Maschine zu reden, bis lauffähige Software herauskommt. Vibe Engineering legt noch eine Schicht Kontext und Struktur obendrauf. Mark erzählt dazu, wie Claude Code mit einem Opus-Modell sich stundenlang weigerte, ein konkretes Problem zu lösen, bis er über ein Plugin Codex von OpenAI als Reviewer einklinkte und das Problem prompt gelöst war. Nebenbei entwirren die beiden die Namensverwirrung im Modell-Zoo: Codex ist bei OpenAI mal Modell, mal App, mal Modus, dazu kommen GPT-5.5, Amazon Bedrock, GitHub Copilot und Azure. Wer da nicht durcheinanderkommt, hat aufgepasst. Der wichtigste praktische Tipp der Folge: Architecture Decision Records (ADRs), und zwar nicht in Word, sondern in Markdown, damit eine KI sie später lesen, auf Konsistenz prüfen und Dubletten finden kann. Wie weit KI-Agenten dabei inzwischen gehen, zeigt eine Anekdote vom Wochenende: Nachdem Mark und sein Agent sich nicht einig wurden, ob ein Bug wirklich existiert, verlangte das Modell Bildschirmfreigabe, Tastaturzugriff und Barrierefreiheitsrechte auf dem Mac und klickte sich anschließend selbst durchs UI, um den eigenen Fehler zu finden. Ein mulmiges, aber beeindruckendes Gefühl. Auf der anderen Seite steht Manus AI, mit dem Jens in nur zwei Prompts eine Anwendung mit OCR-Erkennung und Google-Kalender-Login gebaut hat: funktional, nach übereinstimmender Einschätzung beider aber noch lange nicht veröffentlichungsreif. Ein zweiter Schwerpunkt ist der Umgang mit KI-generierten Zusagen: „Sind alle Fehler weg?" „Ja." Spoiler: nein, manchmal werden Fehler einfach einer anderen Session zugeschoben. Als Gegenmittel hat Mark sich einen Pre-Mortem-Skill gebaut, der ein Vorhaben rückwärts denkt (es ist gescheitert, was war schuld?) und so systematisch an Security, Login-Masken und Consent erinnert, woran man sonst zu spät denkt. Der Rat: Bei jedem „ist sicher" zwei- oder dreimal kritisch nachfragen, bis die KI auch das nennt, was sie beim ersten Mal weggelassen hat. Ein ehrlicher Blick geht auch auf den Suchtfaktor von Vibe Coding: Rate Limits sind lästig (selbst der teure Max-20-Plan von Anthropic hat ein Limit), haben aber ihr Gutes, weil sie eine erzwungene Pause und damit Work-Life-Balance erzeugen. Jens' eigene Open-Claw-Installation prüft sogar die Tageszeit und schickt ihn abends ins Bett. Gleichzeitig plädieren beide dafür, nicht jedem Menschen das volle Chat-Fenster mit all seiner Macht vor die Nase zu stellen: Wer den ganzen Tag Folien baut, braucht kein Hardcore-Auto-Complete-Tool, sondern eine spezialisierte, auf den Anwendungsfall zugeschnittene Lösung. Für den Einstieg empfehlen beide No-Code/Low-Code-Werkzeuge wie Bolt oder Lovable. Dort lässt sich Vibe Coding gefahrlos ausprobieren, bevor man sich an die mächtigeren, aber auch risikoreicheren Werkzeuge wagt. Zum Schluss zwei sehr private Beispiele: Mark hat seinem Philips-Hue-Bewegungsmelder im Keller per Gespräch mit Claude eine Funktion beigebracht, die es beim Hersteller so gar nicht gibt: Das Licht bleibt jetzt an, wenn man während der Wartezeit erneut vorbeiläuft. Und die beiden kündigen ihre neue Podcast-Webseite auf GitHub Pages an, auf der alle Transkripte auf Deutsch und Englisch als Markdown zum Download bereitstehen, jeden Dienstag aktualisiert, mit Suche, Feedback-Formular und Teilen-Funktion.

Darf ich das? Diesmal holen sich Mark und Jens keinen weiteren Entwickler oder Produktmenschen ans Mikro, sondern Max, Jurist mit Schwerpunkt KI- und Datenrecht. Statt der erwarteten Vorsicht-Vorsicht-Vorsicht-Nummer geht es darum, wie Recht und Compliance tatsächlich mitspielen können, statt nur zu verhindern. Der Klassiker "es kommt drauf an" wird auseinandergenommen: Halluzinationen, Haftungsfragen und die unbequeme Erkenntnis, dass ein KI-Output mit 70 Prozent Qualität in unkritischen Prozessen völlig ausreichen kann. Perfektion war schließlich auch vorher nicht der Maßstab. Dazu Marks TikTok-Anekdote vom Anwalt mit Füllfederhalter im Vorsicht-Apostel-Modus, ein schönes Beispiel dafür, wie man Menschen mit reiner Angstmache eben nicht abholt. Größte Plattitüde der Folge: "Datenschutz erlaubt das nicht." Max räumt auf: Datenschutz ist keine heilige Kuh, sondern ein Rechtsgut unter mehreren gleichwertigen, und US-Hosting ist aktuell kein Showstopper mehr, wenn sauber dokumentiert wird. Wichtig fürs Selbstverständnis im AI Act: Wer ein lokales Modell z. B. über n8n betreibt, ist Anwender. Wer ein KI-System als Produkt an den Markt bringt, rutscht in die Anbieter-Rolle, inklusive einer Betriebsanleitung, für die aktuell noch niemand ein fertiges Format hat. Dass der AI Act selbst schon im Reset-Modus ist, obwohl er noch gar nicht vollständig in Kraft ist, erklärt Max mit dem Brüsseler Kompromiss-Prozess: viele Stakeholder, viele Einzelinteressen, am Ende ein Flickenteppich, der nachjustiert werden muss. Seine Antwort im eigenen Unternehmen: keine Einzelfall-Antworten auf "darf ich das?", sondern Prinzipien und Guardrails, die Sicherheit erzeugen statt Verunsicherung. Privat wird es dann noch mal konkret: die Haushaltsausnahme im Datenschutzrecht (die DSGVO gilt schlicht nicht im rein privaten Kontext), garniert mit der Frage, was passiert, wenn das Aufnahmegerät oder die KI-Brille versehentlich vom Park mit ins Wohnzimmer wandert (Stichwort Tesla-Wächtermodus). Beruflich nutzt Max Alltags-KI für Recherche sowie Noxtua, ein auf juristischer Datenbasis trainiertes deutsches KI-System. Am Ende der Blick nach vorn: Wenn Wissen und Fähigkeiten zur Commodity werden, verschwindet die klassische Vertragsprüfung. Was bleibt, sind Erfahrung, Empathie und strategischer Weitblick. Jens' Zuspitzung bringt es auf den Punkt: Der Jurist der Zukunft wird Orchestrierer agentischer Netzwerke, die Rechtsberatung an andere Systeme weitergeben.

Eigentlich sollte diese Woche die große Second-Brain-Folge mit Cornelius Illi laufen – doch Jens’ Urlaubserlebnis mit seinem neuen Sprachrekorder Plaud Note kommt dazwischen. In dieser spontanen Bonusfolge sprechen Jens und Mark darüber, wie Sprachnotizen per MCP-Server direkt mit ChatGPT, Claude oder Gemini verbunden werden können, warum “Second Brain” mehr ist als eine Sammlung von Markdown-Dateien, und wo die Reise bei Always-on-Voice-Geräten datenschutzrechtlich hinführt. Außerdem: Prompt Injection über Sprachnachrichten, was ein persönliches Second Brain wirklich von einer To-do-App unterscheidet, und warum 3,8 GB alte Sprachmemos plötzlich wertvoll werden.