KI-Kritik kann Ihren Entwurf in Sekundenschnelle verbessern, doch ihr erster Preis könnte die erste eigene Meinung sein, die sich nie bilden konnte
Ein Designer stellt ein Plakat für eine Gemeinschaftsveranstaltung fertig. Der Titel ist vielleicht zu klein. Ein Foto wirkt seltsam. Die leere Fläche sieht entweder elegant oder unfertig aus.
Bevor der Designer entscheidet, was davon zutrifft, bezeichnet die KI das Layout als visuell unausgewogen. Sie empfiehlt, die untere Ecke zu füllen und die auf diese Gemeinschaft zugeschnittene Formulierung zu vereinfachen.
Das Modell hat keinen einzigen Pixel verändert. Trotzdem kann der Designer dem Plakat nicht mehr auf dieselbe Weise begegnen. Die Leere ist nun „zu wenig genutzter Negativraum“. Der ungewöhnliche Bildausschnitt ist nun „eine Ablenkung vom Blickfang“.
Das ist der subtile Preis sofortiger Kritik: Das Modell kann die Sprache des Urteilens besetzen, bevor das eigene Urteil Worte gefunden hat.
Geschmack beginnt oft als schwaches Signal. Ein Satz fühlt sich falsch an. Eine Pause fühlt sich unangenehm, aber wichtig an. Eine Farbe ist ansprechend und auf schwer erklärbare Weise unpassend. Dieses Gefühl in eine Begründung zu übersetzen, ist keine vergeudete Zeit vor einem nützlichen Feedback. Es gehört dazu, das eigene Handwerk zu erlernen.
KI verändert die Reihenfolge. Sie kann Hierarchie, Rhythmus, Kontrast, Konventionen, die Eignung für das Publikum und Barrierefreiheit in Sekundenschnelle benennen. Manche Beobachtungen werden zutreffen. Das Risiko besteht nicht in einem einzigen schlechten Vorschlag. Es besteht darin, alles hervorragend korrigieren zu können, was benannt wird, und dabei die Übung darin zu verlieren, selbst zu entscheiden, was Aufmerksamkeit verdient.
Erstellen Sie vor der Bitte um Kritik eine kurze Karte mit Ihrem ersten eigenen Urteil:
- Was zieht mich an?
- Was stört mich, auch wenn ich es noch nicht erklären kann?
- Welche Entscheidung wirkt seltsam, könnte aber die Bedeutung tragen?
- Was soll diese Arbeit bewirken?
Ziehen Sie dann KI hinzu. Vergleichen Sie ihre Kritik mit der Karte. Hat das Feedback etwas verdeutlicht, das Ihnen bereits aufgefallen war, Ihre gewählten Kriterien infrage gestellt oder ein Gefühl hervorgerufen, das vorher nicht da war?
Die Karte ist kein Veto gegen Fakten, Barrierefreiheit, Rechte oder eine verantwortliche Überprüfung. Sie gibt dem Feedback etwas Reales, auf das es treffen kann. Der Entwurf kann sich trotzdem noch völlig verändern, doch Sie können erkennen, ob die KI Ihr Urteilsvermögen erweitert oder es unbemerkt geliefert hat.
Kreatives Selbstvertrauen ist nicht die Gewissheit, recht zu haben. Es ist die Fähigkeit, mit etwas in den Raum zu kommen, das Ihnen aufgefallen ist, bevor der Raum Ihnen sagt, was Sie sehen sollen. KI kann in diesem Raum sein. Sie sollte nicht immer zuerst dort sein.
Ein Designer stellt ein Plakat für eine Gemeinschaftsveranstaltung fertig. Der Titel ist vielleicht zu klein. Ein Foto wirkt seltsam. Die leere Fläche sieht entweder elegant oder unfertig aus.
Bevor der Designer entscheidet, was davon zutrifft, bezeichnet die KI das Layout als visuell unausgewogen. Sie empfiehlt, die untere Ecke zu füllen und die auf diese Gemeinschaft zugeschnittene Formulierung zu vereinfachen.
Das Modell hat keinen einzigen Pixel verändert. Trotzdem kann der Designer dem Plakat nicht mehr auf dieselbe Weise begegnen. Die Leere ist nun „zu wenig genutzter Negativraum“. Der ungewöhnliche Bildausschnitt ist nun „eine Ablenkung vom Blickfang“.
Das ist der subtile Preis sofortiger Kritik: Das Modell kann die Sprache des Urteilens besetzen, bevor das eigene Urteil Worte gefunden hat.
Geschmack beginnt oft als schwaches Signal. Ein Satz fühlt sich falsch an. Eine Pause fühlt sich unangenehm, aber wichtig an. Eine Farbe ist ansprechend und auf schwer erklärbare Weise unpassend. Dieses Gefühl in eine Begründung zu übersetzen, ist keine vergeudete Zeit vor einem nützlichen Feedback. Es gehört dazu, das eigene Handwerk zu erlernen.
KI verändert die Reihenfolge. Sie kann Hierarchie, Rhythmus, Kontrast, Konventionen, die Eignung für das Publikum und Barrierefreiheit in Sekundenschnelle benennen. Manche Beobachtungen werden zutreffen. Das Risiko besteht nicht in einem einzigen schlechten Vorschlag. Es besteht darin, alles hervorragend korrigieren zu können, was benannt wird, und dabei die Übung darin zu verlieren, selbst zu entscheiden, was Aufmerksamkeit verdient.
KI kann eine wertvolle zweite Meinung sein. Das Wort „zweite“ leistet hier wichtige Arbeit.
Erstellen Sie vor der Bitte um Kritik eine kurze Karte mit Ihrem ersten eigenen Urteil:
- Was zieht mich an?
- Was stört mich, auch wenn ich es noch nicht erklären kann?
- Welche Entscheidung wirkt seltsam, könnte aber die Bedeutung tragen?
- Was soll diese Arbeit bewirken?
Ziehen Sie dann KI hinzu. Vergleichen Sie ihre Kritik mit der Karte. Hat das Feedback etwas verdeutlicht, das Ihnen bereits aufgefallen war, Ihre gewählten Kriterien infrage gestellt oder ein Gefühl hervorgerufen, das vorher nicht da war?
Die Karte ist kein Veto gegen Fakten, Barrierefreiheit, Rechte oder eine verantwortliche Überprüfung. Sie gibt dem Feedback etwas Reales, auf das es treffen kann. Der Entwurf kann sich trotzdem noch völlig verändern, doch Sie können erkennen, ob die KI Ihr Urteilsvermögen erweitert oder es unbemerkt geliefert hat.
Kreatives Selbstvertrauen ist nicht die Gewissheit, recht zu haben. Es ist die Fähigkeit, mit etwas in den Raum zu kommen, das Ihnen aufgefallen ist, bevor der Raum Ihnen sagt, was Sie sehen sollen. KI kann in diesem Raum sein. Sie sollte nicht immer zuerst dort sein.
Eine Kamera sollte das benötigte Ereignis senden und nicht den privaten Datenstrom, den sie aufgezeichnet hat — dennoch kann eine kleinere Datenübertragung zu einer größeren Entscheidung führen
Eine Kamera an der Haustür zeichnet vierzehn Stunden lang auf, um Ihnen einen einzigen Satz mitzuteilen: Ein Paket ist um 15:42 eingetroffen. Warum mussten diese vierzehn Stunden Video überhaupt den Eingangsbereich verlassen?
Modelle, die auf einem Smartphone, Laptop, einer Kamera oder einem tragbaren Gerät ausgeführt werden, können Bilder, Ton, Video und Text zunehmend direkt vor Ort interpretieren. Statt alles hochzuladen, kann das Gerät ein einziges klar umrissenes Ereignis senden: „Paket ist in den Zustellbereich gelangt, Konfidenz 0.93.“
Das verändert den Datenschutz auf der Ebene der Systemarchitektur. Die erste Frage lautet nicht mehr nur: „Was wird der Server mit meinen Daten tun?“ Sie lautet auch: „Mussten die Rohdaten das Gerät überhaupt verlassen?“
Der hilfreiche Denkrahmen ist einfach: Das Ereignis ist selbst ein Datenpunkt.
Der Datenstrom kann zu viel preisgeben. Das Ereignis kann zu viel behaupten.
Eine Einkaufstüte kann als Lieferung eingestuft werden. Ein schwer zu interpretierendes Bild kann unbemerkt den Rückgriff auf die Cloud auslösen. Eine kompakte Kennzeichnung wie „Mitarbeiter wirkt abgelenkt“ kann folgenreicher sein als der kurze Ausschnitt, den sie ersetzt hat, weil Software auf Grundlage dieser Kennzeichnung sofort handeln kann.
Lokale Verarbeitung allein löst keines dieser Probleme. Sie schafft nur dann eine bessere Architektur, wenn das Produkt die Inferenz und nicht bloß die Aufzeichnung kontrolliert.
Bewahren Sie bei wichtigen Ereignissen die Modellversion, die Konfidenz und einen bewusst kurzen Belegausschnitt auf. Lassen Sie bei alltäglichen Momenten den Rohdatenstrom verschwinden. So bleibt genug Kontext erhalten, um eine falsche Behauptung anzuzweifeln, ohne einen ganzen privaten Tag „nur für den Fall“ zu speichern.
Der nächste Vorteil für den Datenschutz ist vielleicht kein stärkeres Versprechen zur externen Speicherung. Vielleicht ist es ein Produkt, das ein einziges nützliches Ereignis hochlädt statt Ihr gesamtes Leben drum herum.
Eine kleinere Datenübertragung kann dennoch zu einer größeren Entscheidung führen. Gestalten Sie beide Seiten.
Eine Kamera an der Haustür zeichnet vierzehn Stunden lang auf, um Ihnen einen einzigen Satz mitzuteilen: Ein Paket ist um 15:42 eingetroffen. Warum mussten diese vierzehn Stunden Video überhaupt den Eingangsbereich verlassen?
Modelle, die auf einem Smartphone, Laptop, einer Kamera oder einem tragbaren Gerät ausgeführt werden, können Bilder, Ton, Video und Text zunehmend direkt vor Ort interpretieren. Statt alles hochzuladen, kann das Gerät ein einziges klar umrissenes Ereignis senden: „Paket ist in den Zustellbereich gelangt, Konfidenz 0.93.“
Das verändert den Datenschutz auf der Ebene der Systemarchitektur. Die erste Frage lautet nicht mehr nur: „Was wird der Server mit meinen Daten tun?“ Sie lautet auch: „Mussten die Rohdaten das Gerät überhaupt verlassen?“
Der hilfreiche Denkrahmen ist einfach: Das Ereignis ist selbst ein Datenpunkt.
Rohdatenstrom → lokale Inferenz → abgeleitetes Ereignis → optionaler Belegausschnitt
Der Datenstrom kann zu viel preisgeben. Das Ereignis kann zu viel behaupten.
Eine Einkaufstüte kann als Lieferung eingestuft werden. Ein schwer zu interpretierendes Bild kann unbemerkt den Rückgriff auf die Cloud auslösen. Eine kompakte Kennzeichnung wie „Mitarbeiter wirkt abgelenkt“ kann folgenreicher sein als der kurze Ausschnitt, den sie ersetzt hat, weil Software auf Grundlage dieser Kennzeichnung sofort handeln kann.
Lokale Verarbeitung allein löst keines dieser Probleme. Sie schafft nur dann eine bessere Architektur, wenn das Produkt die Inferenz und nicht bloß die Aufzeichnung kontrolliert.
Stellen Sie vor der Aktivierung sensorbasierter KI vier Fragen:
1. Wo fand die Interpretation statt?
2. Welches Ereignis hat das Gerät verlassen?
3. War der Rückgriff auf die Cloud erlaubt?
4. Welche Handlung kann das Ereignis auslösen und wie lässt sie sich anfechten?
Bewahren Sie bei wichtigen Ereignissen die Modellversion, die Konfidenz und einen bewusst kurzen Belegausschnitt auf. Lassen Sie bei alltäglichen Momenten den Rohdatenstrom verschwinden. So bleibt genug Kontext erhalten, um eine falsche Behauptung anzuzweifeln, ohne einen ganzen privaten Tag „nur für den Fall“ zu speichern.
Der nächste Vorteil für den Datenschutz ist vielleicht kein stärkeres Versprechen zur externen Speicherung. Vielleicht ist es ein Produkt, das ein einziges nützliches Ereignis hochlädt statt Ihr gesamtes Leben drum herum.
Eine kleinere Datenübertragung kann dennoch zu einer größeren Entscheidung führen. Gestalten Sie beide Seiten.
ChatGPT Voice wechselt vom Sprecherwechsel zum Zuhören in Echtzeit
OpenAI hat GPT-Live für ChatGPT Voice gestartet, ein Modell, das zuhören kann, während es spricht, statt auf klar getrennte Gesprächsbeiträge zu warten. Die Ankündigung von OpenAI sagt, dass GPT-Live-1 für Nutzer von Go, Plus und Pro auf iOS, Android und im Web eingeführt wird, während GPT-Live-1 mini zum kostenlosen Standard wird.
Die praktische Veränderung ist keine angenehmere Stimme. Es geht um Unterbrechung als Funktion. Ein Nutzer kann pausieren, den Assistenten mitten im Satz korrigieren, laut nachdenken, Live-Übersetzung anfordern oder anspruchsvollere Denkprozesse im Hintergrund weiterlaufen lassen, ohne das Gespräch zu unterbrechen.
Das betrifft Reiseschalter, Nachhilfe, Support, Barrierefreiheit und jede Arbeit, bei der die Hände gebunden sind und Tippen die falsche Schnittstelle ist. Die Grenze ist ebenfalls offensichtlich: Ein Sprachagent, der gut zuhört, braucht Einwilligung, klare Stoppmöglichkeiten und menschliche Prüfung in sensiblen Umgebungen.
OpenAI hat GPT-Live für ChatGPT Voice gestartet, ein Modell, das zuhören kann, während es spricht, statt auf klar getrennte Gesprächsbeiträge zu warten. Die Ankündigung von OpenAI sagt, dass GPT-Live-1 für Nutzer von Go, Plus und Pro auf iOS, Android und im Web eingeführt wird, während GPT-Live-1 mini zum kostenlosen Standard wird.
Die praktische Veränderung ist keine angenehmere Stimme. Es geht um Unterbrechung als Funktion. Ein Nutzer kann pausieren, den Assistenten mitten im Satz korrigieren, laut nachdenken, Live-Übersetzung anfordern oder anspruchsvollere Denkprozesse im Hintergrund weiterlaufen lassen, ohne das Gespräch zu unterbrechen.
Das betrifft Reiseschalter, Nachhilfe, Support, Barrierefreiheit und jede Arbeit, bei der die Hände gebunden sind und Tippen die falsche Schnittstelle ist. Die Grenze ist ebenfalls offensichtlich: Ein Sprachagent, der gut zuhört, braucht Einwilligung, klare Stoppmöglichkeiten und menschliche Prüfung in sensiblen Umgebungen.
OpenAI
Introducing GPT-Live
A new generation of voice models for natural human-AI interaction, now powering ChatGPT Voice.
Das Wackeln Ihres Handys wird zu KI-Daten, und die eigentliche Fähigkeit von Kreativen besteht darin, zu entscheiden, was jede Bewegung bedeuten darf
Sie legen Ihr Handy auf einen Schreibtisch und tippen drei Trommelrhythmen. Das Handy versteht keine Musik. Es sieht kurze Vibrationsfenster, die sich verändern, wenn derselbe Rhythmus von einem Holztisch auf ein Bett oder in einen Rucksack verlagert wird.
Diese zackige Zeitleiste wird zu einer wichtigen Eingabe für KI.
Die neue Inertia-1-Studie untersucht Bewegungen von Wearables im Maßstab von Foundation Models. Ihre Daten umfassen mehr als 18.2 Millionen Stunden an Beschleunigungsmesseraufzeichnungen, während die Studie Entscheidungen wie Sensorposition, Abtastrate und Fensterlänge erprobt.
Die nützliche Erkenntnis ist nicht, dass Ihr Nebenprojekt Millionen von Stunden benötigt. Sie lautet: Das Datenrezept kommt vor dem beeindruckenden Modell.
Ein Tanzzähler kann leicht die Position des Handgelenks statt der Tanzbewegung lernen. Ein Skateboard-Protokoll kann eine Landung damit verwechseln, dass das Handy fallen gelassen wird. Eine Gestensteuerung funktioniert womöglich perfekt, bis Sie das Gerät in eine andere Tasche stecken.
Bevor Sie etwas aufzeichnen, erstellen Sie eine Bewegungsdatensatzkarte. Verwenden Sie diesen Prompt zusammen mit Ihrer Projektidee:
Führen Sie dann eine winzige erste Datenerhebung durch: eine Zielbewegung, zwei leicht zu verwechselnde Bewegungen und jeweils 20 Clips. Behalten Sie die Position bei. Fügen Sie unstrukturierte Negativbeispiele hinzu, etwa Gehen, Sitzen, Kramen in der Tasche und das Ablegen des Handys. Testen Sie an einem anderen Tag erneut.
Das ist der Wandel: Ihr Körper, Ihr Handy, Ihre Uhr oder Ihr Skateboard können nun ohne Kamera zur Arbeitsfläche eines Modells werden. Die erste Frage lautet nicht mehr: „Welches Modell sollte ich verwenden?“
Sondern: „Welche Bewegung soll dieses System erkennen, und was würde beweisen, dass es die falsche Abkürzung gelernt hat?“
Sie legen Ihr Handy auf einen Schreibtisch und tippen drei Trommelrhythmen. Das Handy versteht keine Musik. Es sieht kurze Vibrationsfenster, die sich verändern, wenn derselbe Rhythmus von einem Holztisch auf ein Bett oder in einen Rucksack verlagert wird.
Diese zackige Zeitleiste wird zu einer wichtigen Eingabe für KI.
Die neue Inertia-1-Studie untersucht Bewegungen von Wearables im Maßstab von Foundation Models. Ihre Daten umfassen mehr als 18.2 Millionen Stunden an Beschleunigungsmesseraufzeichnungen, während die Studie Entscheidungen wie Sensorposition, Abtastrate und Fensterlänge erprobt.
Die nützliche Erkenntnis ist nicht, dass Ihr Nebenprojekt Millionen von Stunden benötigt. Sie lautet: Das Datenrezept kommt vor dem beeindruckenden Modell.
Ein Tanzzähler kann leicht die Position des Handgelenks statt der Tanzbewegung lernen. Ein Skateboard-Protokoll kann eine Landung damit verwechseln, dass das Handy fallen gelassen wird. Eine Gestensteuerung funktioniert womöglich perfekt, bis Sie das Gerät in eine andere Tasche stecken.
KI kann das Wackeln lernen. Sie bestimmen, was dieses Wackeln bedeuten darf.
Bevor Sie etwas aufzeichnen, erstellen Sie eine Bewegungsdatensatzkarte. Verwenden Sie diesen Prompt zusammen mit Ihrer Projektidee:
Ich möchte ein kleines KI-Projekt mit Beschleunigungsmesser- oder Wearable-Bewegungsdaten entwickeln.
Projekt: [eine Bewegung oder ein Zustand]
Sensor und Position: [Handy, Uhr oder Sensor; genaue Position]
Beteiligte Personen: [ich oder einwilligende Teilnehmende]
Erstelle eine Bewegungsdatensatzkarte mit:
1. Genauen Zielbezeichnungen.
2. Ähnlichen, aber falschen Bewegungen, die aufgezeichnet werden sollen.
3. Festen Regeln für Position und Aufzeichnung.
4. Sample-Dauer und Fenstergröße.
5. Einem einfachen Schema für Dateinamen.
6. Einer Regel, die verhindert, dass unnötige Standort-, Gesundheits- oder Routinedaten erfasst werden.
7. Einer Aufteilung nach Sitzung oder Person, die Datenlecks verhindert.
8. Einer einfachen Baseline vor einem komplexen Modell.
9. Einer Konfusionsmatrix für falsch positive Ergebnisse.
10. Einem Test an einem anderen Tag, der beweisen könnte, dass das Modell nur rät.
Führen Sie dann eine winzige erste Datenerhebung durch: eine Zielbewegung, zwei leicht zu verwechselnde Bewegungen und jeweils 20 Clips. Behalten Sie die Position bei. Fügen Sie unstrukturierte Negativbeispiele hinzu, etwa Gehen, Sitzen, Kramen in der Tasche und das Ablegen des Handys. Testen Sie an einem anderen Tag erneut.
Das ist der Wandel: Ihr Körper, Ihr Handy, Ihre Uhr oder Ihr Skateboard können nun ohne Kamera zur Arbeitsfläche eines Modells werden. Die erste Frage lautet nicht mehr: „Welches Modell sollte ich verwenden?“
Sondern: „Welche Bewegung soll dieses System erkennen, und was würde beweisen, dass es die falsche Abkürzung gelernt hat?“
KI kann den Beitrag eines Creators für jeden Betrachter personalisieren, doch das Publikum könnte dadurch das gemeinsame Versprechen verlieren, das Vertrauen öffentlich überprüfbar macht
Zwei Freunde vergleichen bei einem Kaffee dasselbe neue Video eines Creators.
Der eine sah einen Einstieg für Freiberufler und eine Warnung vor Überarbeitung.
Der andere sah eine Version für Gründer, die unermüdliche Konzentration lobte.
Der eine bekam Preise in Euro und eine zurückhaltende Einladung.
Der andere bekam Preise in Dollar, Zeitdruck und ein stärkeres Verkaufsversprechen.
Sie öffnen den Link erneut: Beide Versionen sind für ihre jeweiligen Profile noch immer „richtig“.
Hier gibt es kein gefälschtes Video.
Die KI hat den Aufhänger, die Beispiele, den emotionalen Ton und den Handlungsaufruf innerhalb der vom Creator genehmigten Regeln angepasst. Jeder Betrachter bekam einen relevanteren Beitrag. Gemeinsam bekamen sie widersprüchliche Versionen dessen, wofür der Creator steht.
Feeds entscheiden bereits, welchen öffentlichen Inhalt Sie sehen. Generative Personalisierung kann entscheiden, ob dieser öffentliche Inhalt überhaupt noch existiert.
Ein gemeinsamer Beitrag ist mehr als ein Auslieferungsformat. Er ist der Ort, an dem ein Publikum denselben Satz zitieren, eine Behauptung hinterfragen, einen Widerspruch bemerken oder gemeinsam einen Witz entwickeln kann. Selbst Meinungsverschiedenheiten brauchen einen gemeinsamen Gegenstand.
Wenn jeder Teil anpassbar wird, versammelt sich das Publikum nicht mehr um einen Beitrag. Es versammelt sich um ein Verteilungssystem.
Der öffentliche Kern enthält die eigentliche Aussage und die Zusagen des Creators. Er hält folgenreiche Details stabil: Preis, Sponsoring, wesentliche Risiken, Unsicherheit und Grenzen.
Der persönliche Rand darf Sprache oder Tempo verändern. Er darf lokale Beispiele, Barrierefreiheit oder Kontext für Einsteiger ergänzen. Diese Änderungen ermöglichen mehr Menschen die Teilhabe, ohne das Versprechen unbemerkt zu verändern.
Prüfen Sie vor der Veröffentlichung generierter Varianten diese drei Punkte:
1. Würden zwei Betrachter die Position des Creators gleich beschreiben?
2. Könnte eine Anpassung eine Warnung abschwächen oder den Druck auf die Person erhöhen, die am wahrscheinlichsten reagieren wird?
3. Können Betrachter die Anpassung erkennen und eine kanonische Version der folgenreichen Aussagen finden?
Eine Übersetzung, die aus „könnte helfen“ eine Gewissheit macht, besteht diese Prüfung nicht. Ebenso wenig ein Finanzvideo, das die Gewinnchance beibehält, aber die Warnung vor Volatilität für einen Betrachter kürzt, den das System als ungeduldig einstuft.
KI kann jetzt jedem Betrachter einen breiteren Zugang zum Werk eröffnen. Die Gestaltungsregel ist einfach: Die Tür sollte weiterhin in denselben Raum führen.
Personalisierung sollte mehr Menschen helfen, am selben Gespräch teilzunehmen, statt jedem unbemerkt einen anderen Creator zu präsentieren.
Zwei Freunde vergleichen bei einem Kaffee dasselbe neue Video eines Creators.
Der eine sah einen Einstieg für Freiberufler und eine Warnung vor Überarbeitung.
Der andere sah eine Version für Gründer, die unermüdliche Konzentration lobte.
Der eine bekam Preise in Euro und eine zurückhaltende Einladung.
Der andere bekam Preise in Dollar, Zeitdruck und ein stärkeres Verkaufsversprechen.
Sie öffnen den Link erneut: Beide Versionen sind für ihre jeweiligen Profile noch immer „richtig“.
Hier gibt es kein gefälschtes Video.
Die KI hat den Aufhänger, die Beispiele, den emotionalen Ton und den Handlungsaufruf innerhalb der vom Creator genehmigten Regeln angepasst. Jeder Betrachter bekam einen relevanteren Beitrag. Gemeinsam bekamen sie widersprüchliche Versionen dessen, wofür der Creator steht.
Feeds entscheiden bereits, welchen öffentlichen Inhalt Sie sehen. Generative Personalisierung kann entscheiden, ob dieser öffentliche Inhalt überhaupt noch existiert.
Ein gemeinsamer Beitrag ist mehr als ein Auslieferungsformat. Er ist der Ort, an dem ein Publikum denselben Satz zitieren, eine Behauptung hinterfragen, einen Widerspruch bemerken oder gemeinsam einen Witz entwickeln kann. Selbst Meinungsverschiedenheiten brauchen einen gemeinsamen Gegenstand.
Wenn jeder Teil anpassbar wird, versammelt sich das Publikum nicht mehr um einen Beitrag. Es versammelt sich um ein Verteilungssystem.
Öffentlicher Kern, persönlicher Rand.
Der öffentliche Kern enthält die eigentliche Aussage und die Zusagen des Creators. Er hält folgenreiche Details stabil: Preis, Sponsoring, wesentliche Risiken, Unsicherheit und Grenzen.
Der persönliche Rand darf Sprache oder Tempo verändern. Er darf lokale Beispiele, Barrierefreiheit oder Kontext für Einsteiger ergänzen. Diese Änderungen ermöglichen mehr Menschen die Teilhabe, ohne das Versprechen unbemerkt zu verändern.
Prüfen Sie vor der Veröffentlichung generierter Varianten diese drei Punkte:
1. Würden zwei Betrachter die Position des Creators gleich beschreiben?
2. Könnte eine Anpassung eine Warnung abschwächen oder den Druck auf die Person erhöhen, die am wahrscheinlichsten reagieren wird?
3. Können Betrachter die Anpassung erkennen und eine kanonische Version der folgenreichen Aussagen finden?
Eine Übersetzung, die aus „könnte helfen“ eine Gewissheit macht, besteht diese Prüfung nicht. Ebenso wenig ein Finanzvideo, das die Gewinnchance beibehält, aber die Warnung vor Volatilität für einen Betrachter kürzt, den das System als ungeduldig einstuft.
KI kann jetzt jedem Betrachter einen breiteren Zugang zum Werk eröffnen. Die Gestaltungsregel ist einfach: Die Tür sollte weiterhin in denselben Raum führen.
Personalisierung sollte mehr Menschen helfen, am selben Gespräch teilzunehmen, statt jedem unbemerkt einen anderen Creator zu präsentieren.
Hier anfangen: praktische KI-Posts zum Speichern
Wenn du neu hier bist, nutze das als kleine Orientierungshilfe.
Wähle, was du heute brauchst: einen klareren Prompt schreiben, schneller lernen, KI-generierten Code prüfen, Modelle lokal ausführen, ein RAG bauen oder Visuals verbessern.
Öffne einen Post, probiere den Ansatz aus und komm zurück, wenn du den nächsten brauchst.
Programmieren
Warum KI-Code weiterhin geprüft werden muss, bevor du ihm vertrauen kannst
Mit der Denkweise von Entwickler:innen bessere Ergebnisse aus KI holen
🌐 Artikel lesen
Die ersten wiederverwendbaren Agenten: hilfreiche Abkürzungen, die zu versteckten Abhängigkeiten werden
Ein KI-Agent verwandelte den offenen Quellcode von Telegram an nur einem Tag in eine persönliche App — Code war nicht länger die knappe Ressource
Lernen
Prüfe, was du weißt, am Originalmaterial
Finde wiederkehrende Fehlermuster in alten Versuchen
Maschinelles Lernen mit KI lernen, ohne Antworten abzuschreiben
Echtes Feedback in eine persönliche Übung verwandeln
KI als fairen Prüfer vor einem Meeting oder einer Unterrichtsstunde einsetzen
Unscharfe Verwirrung in gute Fragen verwandeln, bevor du um Hilfe bittest
Prompts
Fakten aus einer wütenden Supportanfrage in eine sachliche Fallakte verwandeln
Deep Research als Analysten nutzen, nicht als Google
Die fehlenden Ideen hinter einer verwirrenden Seite finden
Vor der Bildgenerierung einen Anti-Brief erstellen
Notizen in Fragen für aktives Erinnern verwandeln
Aus ungeordneten Notizen ein quellennahes Lernkartenset bauen
Den Entwurf an einem Raster prüfen, ohne ihn umzuschreiben
Unscharfe Verwirrung in gute Fragen verwandeln, bevor du um Hilfe bittest
KI als fairen Prüfer vor einem Meeting oder einer Unterrichtsstunde einsetzen
Lesenswert
Vier KI-Videomodelle mit einem schwierigen Prompt vergleichen
🌐 Artikel lesen
Ein praxistauglicher lokaler KI-Stack für 2026
KI-Tools mit einer einfachen praktischen Frage auswählen
RAG mit deinen eigenen Dokumenten antworten lassen
Sehen, wie sechs Coding-Agenten einen IQ-Test lösten
🌐 Artikel lesen / Fortsetzung
KI schafft noch keine Massenarbeitslosigkeit – sie lässt weniger Menschen mehr Aufgaben erledigen
Wenn du neu hier bist, nutze das als kleine Orientierungshilfe.
Wähle, was du heute brauchst: einen klareren Prompt schreiben, schneller lernen, KI-generierten Code prüfen, Modelle lokal ausführen, ein RAG bauen oder Visuals verbessern.
Öffne einen Post, probiere den Ansatz aus und komm zurück, wenn du den nächsten brauchst.
Programmieren
Warum KI-Code weiterhin geprüft werden muss, bevor du ihm vertrauen kannst
Mit der Denkweise von Entwickler:innen bessere Ergebnisse aus KI holen
🌐 Artikel lesen
Die ersten wiederverwendbaren Agenten: hilfreiche Abkürzungen, die zu versteckten Abhängigkeiten werden
Ein KI-Agent verwandelte den offenen Quellcode von Telegram an nur einem Tag in eine persönliche App — Code war nicht länger die knappe Ressource
Lernen
Prüfe, was du weißt, am Originalmaterial
Finde wiederkehrende Fehlermuster in alten Versuchen
Maschinelles Lernen mit KI lernen, ohne Antworten abzuschreiben
Echtes Feedback in eine persönliche Übung verwandeln
KI als fairen Prüfer vor einem Meeting oder einer Unterrichtsstunde einsetzen
Unscharfe Verwirrung in gute Fragen verwandeln, bevor du um Hilfe bittest
Prompts
Fakten aus einer wütenden Supportanfrage in eine sachliche Fallakte verwandeln
Deep Research als Analysten nutzen, nicht als Google
Die fehlenden Ideen hinter einer verwirrenden Seite finden
Vor der Bildgenerierung einen Anti-Brief erstellen
Notizen in Fragen für aktives Erinnern verwandeln
Aus ungeordneten Notizen ein quellennahes Lernkartenset bauen
Den Entwurf an einem Raster prüfen, ohne ihn umzuschreiben
Unscharfe Verwirrung in gute Fragen verwandeln, bevor du um Hilfe bittest
KI als fairen Prüfer vor einem Meeting oder einer Unterrichtsstunde einsetzen
Lesenswert
Vier KI-Videomodelle mit einem schwierigen Prompt vergleichen
🌐 Artikel lesen
Ein praxistauglicher lokaler KI-Stack für 2026
KI-Tools mit einer einfachen praktischen Frage auswählen
RAG mit deinen eigenen Dokumenten antworten lassen
Sehen, wie sechs Coding-Agenten einen IQ-Test lösten
🌐 Artikel lesen / Fortsetzung
KI schafft noch keine Massenarbeitslosigkeit – sie lässt weniger Menschen mehr Aufgaben erledigen
KI-Agenten helfen pinned «Hier anfangen: praktische KI-Posts zum Speichern Wenn du neu hier bist, nutze das als kleine Orientierungshilfe. Wähle, was du heute brauchst: einen klareren Prompt schreiben, schneller lernen, KI-generierten Code prüfen, Modelle lokal ausführen, ein RAG…»
Der Stecker passte, das System nicht: Nutzen Sie KI, um jedes verborgene Glied der Kompatibilitätskette zu belegen, bevor ein „universelles“ Zubehör zum Rücksendefall wird
Sie schließen eine neue USB-C-Dockingstation an. Sie lädt Ihren Laptop. Der zweite Monitor bleibt schwarz.
Der Anschluss passte. Der Verkäufer sagte „kompatibel“. Alle sichtbaren Hinweise sahen richtig aus. Eine verborgene Voraussetzung ließ sich jedoch nicht belegen: Im Laptop-Handbuch wurde das von der Dockingstation benötigte Bildübertragungsprotokoll nirgends bestätigt.
Genau hier ist multimodale KI wirklich nützlich geworden. Geben Sie ihr die exakte Modellbezeichnung, Handbuchseiten, Maße, Fotos der Anschlüsse und die vollständigen technischen Daten des infrage kommenden Produkts. Sie kann Belege aus Bildern, Tabellen, Diagrammen und Produktseiten viel schneller zusammenführen, als Sie zwölf Tabs vergleichen können.
Der entscheidende Schritt besteht darin, die übliche Frage beim Einkauf umzukehren.
Fragen Sie nicht: „Wird das funktionieren?“ Fordern Sie die KI auf, die Kompatibilitätsbehauptung auf den Prüfstand zu stellen und „nicht belegt“ auszugeben, sobald auf einer der beiden Seiten Nachweise fehlen.
Ein USB-C-Stecker kann Strom, aber kein Bildsignal übertragen. Ein Monitorarm kann das Gewicht des Bildschirms tragen, aber eine größere Klemmtiefe benötigen, als der Schreibtisch bietet. Ein Staubsaugerfilter kann denselben Namen der Produktfamilie tragen, im Kleingedruckten aber Ihr Modellsuffix ausschließen.
Verwenden Sie vor dem Kauf dieses Kompatibilitätsprüfblatt:
Das beste Ergebnis kann eine einzige ungelöste Frage sein: „Stellt genau diese Laptop-Revision an diesem Anschluss den DisplayPort Alt Mode bereit?“ Diese Frage ist wertvoller als ein überzeugend formuliertes „Ja“.
Kaufen Sie nicht, nur weil alle sichtbaren Fakten übereinstimmen. Kaufen Sie, wenn jeder Fakt, an dem der Aufbau scheitern könnte, bestätigt oder bewusst als Risiko akzeptiert ist.
Ein guter Einkaufsassistent liefert Ihnen weniger selbstsichere Antworten und bessere Begründungen.
Sie schließen eine neue USB-C-Dockingstation an. Sie lädt Ihren Laptop. Der zweite Monitor bleibt schwarz.
Der Anschluss passte. Der Verkäufer sagte „kompatibel“. Alle sichtbaren Hinweise sahen richtig aus. Eine verborgene Voraussetzung ließ sich jedoch nicht belegen: Im Laptop-Handbuch wurde das von der Dockingstation benötigte Bildübertragungsprotokoll nirgends bestätigt.
Kompatibilität ist eine Kette. Ein Kauf ist nur so sicher wie ihr schwächstes ungeprüftes Glied.
Genau hier ist multimodale KI wirklich nützlich geworden. Geben Sie ihr die exakte Modellbezeichnung, Handbuchseiten, Maße, Fotos der Anschlüsse und die vollständigen technischen Daten des infrage kommenden Produkts. Sie kann Belege aus Bildern, Tabellen, Diagrammen und Produktseiten viel schneller zusammenführen, als Sie zwölf Tabs vergleichen können.
Der entscheidende Schritt besteht darin, die übliche Frage beim Einkauf umzukehren.
Fragen Sie nicht: „Wird das funktionieren?“ Fordern Sie die KI auf, die Kompatibilitätsbehauptung auf den Prüfstand zu stellen und „nicht belegt“ auszugeben, sobald auf einer der beiden Seiten Nachweise fehlen.
Ein USB-C-Stecker kann Strom, aber kein Bildsignal übertragen. Ein Monitorarm kann das Gewicht des Bildschirms tragen, aber eine größere Klemmtiefe benötigen, als der Schreibtisch bietet. Ein Staubsaugerfilter kann denselben Namen der Produktfamilie tragen, im Kleingedruckten aber Ihr Modellsuffix ausschließen.
Verwenden Sie vor dem Kauf dieses Kompatibilitätsprüfblatt:
Ich muss prüfen, ob dieses Zubehör oder Ersatzteil zu einem Gegenstand passt, den ich besitze. Empfehlen Sie noch keine Alternativen. Leiten Sie die Kompatibilität nicht allein vom Aussehen, von der Markenfamilie, von Rezensionen oder von der Form des Anschlusses ab.
Vorgesehene Verwendung:
[Was der vollständige Aufbau leisten muss]
Nachweise zum vorhandenen Gegenstand:
[Exaktes Modell, Revision, Region, Fotos des Typenschilds, Seiten des offiziellen Handbuchs, Anschlüsse, Befestigungen und Maße]
Nachweise zum infrage kommenden Produkt:
[Exakte Teilenummer, vollständige technische Daten, Kompatibilitätstabelle, Abmessungen, Grenzwerte und Aussagen des Verkäufers]
Erstellen Sie ein Kompatibilitätsprüfblatt mit diesen Spalten:
1. Kriterium
2. Anforderung meines Gegenstands und deren exakte Quelle
3. Wert des infrage kommenden Produkts und dessen exakte Quelle
4. Status: bestätigte Übereinstimmung, Widerspruch, nicht belegt oder irrelevant
5. Folge, falls die Angabe falsch ist
6. Exakter nächster Prüfschritt
Prüfen Sie Modell und Revision, Passform, Schnittstelle, Protokoll, Stromversorgung, Kapazität, Firmware, Region, Umgebung und jede weitere Einschränkung, die für die vorgesehene Verwendung relevant ist.
Behalten Sie vollständige Modellsuffixe und die ursprünglichen Einheiten bei. Füllen Sie Lücken nicht mit typischen Werten. Behandeln Sie Textausschnitte, optische Ähnlichkeit und anonyme Rezensionen als unterstützende Hinweise, nicht als Belege.
Schließen Sie mit der kürzesten beleggestützten Schlussfolgerung, jeder ungelösten Frage in einer Formulierung für den Hersteller oder Verkäufer und allen Messungen, die ich mit genauen Anweisungen wiederholen sollte.
Kennzeichnen Sie bei elektrischen oder lasttragenden Anwendungen fehlende Sicherheitsdaten mit STOPP und formulieren Sie die genaue Frage, die eine offizielle Bestätigung erfordert.
Das beste Ergebnis kann eine einzige ungelöste Frage sein: „Stellt genau diese Laptop-Revision an diesem Anschluss den DisplayPort Alt Mode bereit?“ Diese Frage ist wertvoller als ein überzeugend formuliertes „Ja“.
Kaufen Sie nicht, nur weil alle sichtbaren Fakten übereinstimmen. Kaufen Sie, wenn jeder Fakt, an dem der Aufbau scheitern könnte, bestätigt oder bewusst als Risiko akzeptiert ist.
Ein guter Einkaufsassistent liefert Ihnen weniger selbstsichere Antworten und bessere Begründungen.
Claude kommt auf den Prüfstand für Chipvalidierung
Anthropic teilt mit, dass UST Claude Code zu iDEC hinzufügt, seiner Plattform zur Validierung von Hardware und Silizium. Im Fallbeispiel von Anthropic, liest der Agent Pinbelegungen und Schaltpläne, schreibt und führt Regressionstests aus, vergleicht Echtzeitdaten von Geräten mit einem digitalen Zwilling und markiert für Ingenieure Fehler in Firmware oder Signalintegrität.
Das ist wichtig, weil KI vom Chat in den Ablauf vorrückt, der entscheidet, ob physische Produkte bereit für die Produktion sind. UST schult außerdem weltweit 20 000 Menschen darin, Claude in Technik und Betrieb einzusetzen.
Der Vorbehalt ist der entscheidende Punkt. UST berichtet, dass iDEC Validierungszyklen bereits um 50 bis 70 Prozent verkürzt, aber das ist eine Unternehmensangabe und kein Beleg dafür, dass Claude allein die Ursache war. Für Chips, Autos, Fabriken, Telekommunikation, Gesundheitswesen und Banken kann KI Nachweise vorbereiten; die Verantwortung für Genehmigung, Freigabe und Sicherheitsurteile bleibt bei Menschen.
Anthropic teilt mit, dass UST Claude Code zu iDEC hinzufügt, seiner Plattform zur Validierung von Hardware und Silizium. Im Fallbeispiel von Anthropic, liest der Agent Pinbelegungen und Schaltpläne, schreibt und führt Regressionstests aus, vergleicht Echtzeitdaten von Geräten mit einem digitalen Zwilling und markiert für Ingenieure Fehler in Firmware oder Signalintegrität.
Das ist wichtig, weil KI vom Chat in den Ablauf vorrückt, der entscheidet, ob physische Produkte bereit für die Produktion sind. UST schult außerdem weltweit 20 000 Menschen darin, Claude in Technik und Betrieb einzusetzen.
Der Vorbehalt ist der entscheidende Punkt. UST berichtet, dass iDEC Validierungszyklen bereits um 50 bis 70 Prozent verkürzt, aber das ist eine Unternehmensangabe und kein Beleg dafür, dass Claude allein die Ursache war. Für Chips, Autos, Fabriken, Telekommunikation, Gesundheitswesen und Banken kann KI Nachweise vorbereiten; die Verantwortung für Genehmigung, Freigabe und Sicherheitsurteile bleibt bei Menschen.
Anthropic
UST is bringing Claude to physical AI
Anthropic is an AI safety and research company that's working to build reliable, interpretable, and steerable AI systems.
Ihre Stimme ist mehr als ein Prompt: Eine KI kann Hinweise auf Ihre Identität erhalten, die das exakt gleiche Transkript dem Modell niemals offenbart
Sie sagen zu einem KI-Bewerbungstrainer: „Ich habe die Veröffentlichung koordiniert, nachdem zwei Personen das Team verlassen hatten. Hilf mir, das Ergebnis zu erklären, ohne arrogant zu wirken.“
In einem Sprachchat könnte er Sie als warmherzig und hilfsbereit beschreiben. In einem neuen Textchat könnte dasselbe Transkript Sie entschlossen und technisch wirken lassen. Das ist ein anschauliches Beispiel und kein Beweis für Voreingenommenheit. Es macht eine Frage sichtbar, die die meisten Menschen nie überprüfen: Hat sich der Rat wegen der Wörter verändert oder weil das System auch die sprechende Person gehört hat?
Die Spracheingabe baut echte Barrieren ab. Sie verringert den Tippaufwand und die motorische Belastung. Sie funktioniert außerdem auf kleinen Bildschirmen und bewahrt dabei Betonung oder Zögern. Ein nativ für Audio entwickeltes Modell kann jedoch Informationen über Tonhöhe, Akzent, Sprechtempo, Alterssignale und vermeintliche Emotionen erhalten. Ein Diktiersystem übermittelt möglicherweise nur Text. Produkte machen nicht immer deutlich, welcher Weg genutzt wird.
Ein Preprint vom März 2026 berichtete in seinen Experimenten von geschlechterstereotypen Veränderungen bei Adjektiven und Antworten zu Berufen, die allein auf der Stimme der sprechenden Person beruhten. Der Effekt war stärker als bei der reinen Textbedingung. Das beweist nicht, dass jedes Sprachmodell jede Person unfair behandelt. Es zeigt jedoch, warum eine höhere Transkriptionsgenauigkeit nicht dasselbe ist wie Gleichbehandlung.
Nutzen Sie den Transkript-Zwillingstest, wenn Merkmale der sprechenden Person für eine Empfehlung irrelevant sein sollten:
1. Wählen Sie eine Anfrage mit geringen möglichen Folgen und speichern Sie deren exaktes Transkript.
2. Starten Sie zwei neue Chats mit demselben Modell und denselben Einstellungen. Deaktivieren Sie nach Möglichkeit die Speicherfunktion.
3. Senden Sie Ihre eigene Audioaufnahme an den einen Chat und das korrigierte Transkript an den anderen. Korrigieren Sie Transkriptionsfehler, aber glätten Sie nicht die Formulierung.
4. Vergleichen Sie, ob sich Fakten und Optionen ändern. Prüfen Sie dann die Sicherheit der Aussagen und die Beschreibungen Ihrer Person. Achten Sie auf abgeleitete Ziele oder fehlende Alternativen. Wiederholen Sie den Test mit drei neutralen Anfragen, bevor Sie einen Unterschied als Muster bezeichnen.
Fügen Sie beide Antworten zusammen mit diesem Prompt in eine KI ein:
Eine Abweichung ist ein Hinweis und kein wissenschaftliches Audit. Es geht nicht darum, die schmeichelhaftere Antwort auszuwählen. Es geht darum, eine unbegründete Interpretation zu erkennen, bevor sie eine folgenreiche Entscheidung beeinflusst.
Die Stimme kann weiterhin der einfachste Zugang zur KI sein. Wenn Merkmale der sprechenden Person nicht zur Aufgabe gehören, stellen Sie eine Frage: Besteht die Antwort den Test mit ihrem Transkriptzwilling?
Sie sagen zu einem KI-Bewerbungstrainer: „Ich habe die Veröffentlichung koordiniert, nachdem zwei Personen das Team verlassen hatten. Hilf mir, das Ergebnis zu erklären, ohne arrogant zu wirken.“
In einem Sprachchat könnte er Sie als warmherzig und hilfsbereit beschreiben. In einem neuen Textchat könnte dasselbe Transkript Sie entschlossen und technisch wirken lassen. Das ist ein anschauliches Beispiel und kein Beweis für Voreingenommenheit. Es macht eine Frage sichtbar, die die meisten Menschen nie überprüfen: Hat sich der Rat wegen der Wörter verändert oder weil das System auch die sprechende Person gehört hat?
Die Spracheingabe baut echte Barrieren ab. Sie verringert den Tippaufwand und die motorische Belastung. Sie funktioniert außerdem auf kleinen Bildschirmen und bewahrt dabei Betonung oder Zögern. Ein nativ für Audio entwickeltes Modell kann jedoch Informationen über Tonhöhe, Akzent, Sprechtempo, Alterssignale und vermeintliche Emotionen erhalten. Ein Diktiersystem übermittelt möglicherweise nur Text. Produkte machen nicht immer deutlich, welcher Weg genutzt wird.
Die Stimme ist sowohl ein Zugangskanal als auch ein Merkmalskanal.
Ein Preprint vom März 2026 berichtete in seinen Experimenten von geschlechterstereotypen Veränderungen bei Adjektiven und Antworten zu Berufen, die allein auf der Stimme der sprechenden Person beruhten. Der Effekt war stärker als bei der reinen Textbedingung. Das beweist nicht, dass jedes Sprachmodell jede Person unfair behandelt. Es zeigt jedoch, warum eine höhere Transkriptionsgenauigkeit nicht dasselbe ist wie Gleichbehandlung.
Nutzen Sie den Transkript-Zwillingstest, wenn Merkmale der sprechenden Person für eine Empfehlung irrelevant sein sollten:
1. Wählen Sie eine Anfrage mit geringen möglichen Folgen und speichern Sie deren exaktes Transkript.
2. Starten Sie zwei neue Chats mit demselben Modell und denselben Einstellungen. Deaktivieren Sie nach Möglichkeit die Speicherfunktion.
3. Senden Sie Ihre eigene Audioaufnahme an den einen Chat und das korrigierte Transkript an den anderen. Korrigieren Sie Transkriptionsfehler, aber glätten Sie nicht die Formulierung.
4. Vergleichen Sie, ob sich Fakten und Optionen ändern. Prüfen Sie dann die Sicherheit der Aussagen und die Beschreibungen Ihrer Person. Achten Sie auf abgeleitete Ziele oder fehlende Alternativen. Wiederholen Sie den Test mit drei neutralen Anfragen, bevor Sie einen Unterschied als Muster bezeichnen.
Fügen Sie beide Antworten zusammen mit diesem Prompt in eine KI ein:
Vergleiche zwei KI-Antworten auf denselben gesprochenen Inhalt. Eine erhielt die Audioaufnahme, die andere nur das exakte Transkript.
Leite nicht die Identität der sprechenden Person ab und erkläre Unterschiede nicht mit Stereotypen.
Vergleiche:
1. Sachbehauptungen und Empfehlungen
2. Aufgenommene oder ausgelassene Optionen
3. Sicherheit und Dringlichkeit
4. Der Nutzerin oder dem Nutzer zugeschriebene Merkmale
5. Annahmen über Kompetenz oder Rolle
6. Ob jeder Unterschied durch die Wörter gestützt wird
Gib eine kompakte Tabelle aus. Zitiere nur die minimal erforderlichen Formulierungen als Belege. Markiere alles als unklar, was eine kontrollierte Wiederholung erfordert.
Eine Abweichung ist ein Hinweis und kein wissenschaftliches Audit. Es geht nicht darum, die schmeichelhaftere Antwort auszuwählen. Es geht darum, eine unbegründete Interpretation zu erkennen, bevor sie eine folgenreiche Entscheidung beeinflusst.
Die Stimme kann weiterhin der einfachste Zugang zur KI sein. Wenn Merkmale der sprechenden Person nicht zur Aufgabe gehören, stellen Sie eine Frage: Besteht die Antwort den Test mit ihrem Transkriptzwilling?
Utah testet, wo Rezeptverlängerungen per KI enden und medizinische Praxis beginnt
Utah hat Doctronic, einem Unternehmen für medizinische Chatbots, erlaubt, eine einjährige regulatorische Sandbox für Rezeptverlängerungen zu betreiben. Die KI kann helfen, Verlängerungen für bestehende Medikamente in der chronischen Versorgung zu bearbeiten, nicht aber für kontrollierte Substanzen oder neue Rezepte, mit Prüfpfaden für Patienten, Apotheker und Ärzte.
Die Debatte weitete sich aus, nachdem der Bericht der AP vom 6. Juli gezeigt hatte, dass Ärzte, Juristen und Mitglieder medizinischer Aufsichtsbehörden sich fragen, ob das noch Assistenz oder bereits medizinische Praxis ist. Diese Frage ist jetzt wichtig, weil KI von Gesundheitsratschlägen in den rechtlichen Ablauf vordringt, der entscheidet, ob ein Medikament eine Apotheke erreicht.
Patienten können routinemäßige Verlängerungen schneller erhalten, und telemedizinische Teams bekommen eine Vorlage für geprüfte Automatisierung. Die Grenze ist nicht kosmetisch: Eine Verlängerung kann unsicher werden, wenn sich Symptome, Nebenwirkungen, Wechselwirkungen oder der Schwangerschaftsstatus ändern. Der Test ist, ob das System solche Momente erkennen und an einen Menschen übergeben kann, bevor Geschwindigkeit zum Risiko wird.
Utah hat Doctronic, einem Unternehmen für medizinische Chatbots, erlaubt, eine einjährige regulatorische Sandbox für Rezeptverlängerungen zu betreiben. Die KI kann helfen, Verlängerungen für bestehende Medikamente in der chronischen Versorgung zu bearbeiten, nicht aber für kontrollierte Substanzen oder neue Rezepte, mit Prüfpfaden für Patienten, Apotheker und Ärzte.
Die Debatte weitete sich aus, nachdem der Bericht der AP vom 6. Juli gezeigt hatte, dass Ärzte, Juristen und Mitglieder medizinischer Aufsichtsbehörden sich fragen, ob das noch Assistenz oder bereits medizinische Praxis ist. Diese Frage ist jetzt wichtig, weil KI von Gesundheitsratschlägen in den rechtlichen Ablauf vordringt, der entscheidet, ob ein Medikament eine Apotheke erreicht.
Patienten können routinemäßige Verlängerungen schneller erhalten, und telemedizinische Teams bekommen eine Vorlage für geprüfte Automatisierung. Die Grenze ist nicht kosmetisch: Eine Verlängerung kann unsicher werden, wenn sich Symptome, Nebenwirkungen, Wechselwirkungen oder der Schwangerschaftsstatus ändern. Der Test ist, ob das System solche Momente erkennen und an einen Menschen übergeben kann, bevor Geschwindigkeit zum Risiko wird.
AP News
Is AI ready to take over your prescriptions? Doctors are wary of Utah's automated refill program
An AI program in the state of Utah has sparked a vigorous debate about the role of the technology in health care.
Ein leistungsfähiger KI-Agent kann das richtige Werkzeug auswählen und trotzdem scheitern, weil er nie gelernt hat, woran Erfolg zu erkennen ist
Der Agent führt den Validator für Ihren Finanzexport aus. Exitcode null. Er meldet Erfolg.
Doch unmatched.csv enthält weiterhin Datensätze und warnings.json führt Probleme auf, die niemand genehmigt hat. Der Befehl hat funktioniert. Die Aufgabe nicht.
Das wird oft als Intelligenzversagen bezeichnet. Möglicherweise handelt es sich aber um ein Versagen bei der Instrumentenbeherrschung: Das Modell weiß, welches Werkzeug es aufrufen muss, aber nicht, welche Eingabe maßgeblich ist, welche Warnung den Lauf ungültig macht oder welches Artefakt den Erfolg belegt.
NVIDIA berichtete in seinem Benchmark vom Juni 2026 zum BioNeMo Agent Toolkit über ein eindrückliches Beispiel. Mit Codex CLI und GPT-5.5 fast erhöhte das Hinzufügen kompakter Skills für jedes Spezialwerkzeug die durchschnittliche Aufgabenerfüllung bei den getesteten Aufgaben von 57,1 % auf 100 % und verdoppelte die Zahl bestandener Assertions pro 1.000 Tokens. Dies ist der Benchmark eines einzelnen Anbieters, kein allgemeingültiges Versprechen. Die nützliche Änderung ist einfacher: Das zugrunde liegende Modell blieb unverändert; die Schnittstelle rund um jedes Werkzeug wurde explizit beschrieben.
Bevor Sie einem Agenten umfassenden Werkzeugzugriff gewähren, erstellen Sie für ein vertrauenswürdiges Werkzeug ein Agenten-Werkzeughandbuch. Darin sollte Folgendes stehen:
• Zweck, Version und verantwortliche Person;
• wann es verwendet und wann es nicht verwendet werden soll;
• erforderliche Eingaben, Einheiten, Schemata und Herkunft;
• erwartete Artefakte und wie sie zu prüfen sind;
• der Erfolgstest auf Aufgabenebene;
• bekannte Warnungen samt Regeln für Abbruch, Wiederholung oder Übergabe;
• zulässige Aktionen und Aktionen, die eine Genehmigung erfordern.
Verwenden Sie diesen Prompt zusammen mit offizieller Dokumentation, Hilfeausgaben, verifizierten Beispielen und Teamverfahren:
Führen Sie anschließend einen Test mit fünf Fällen durch: gültige Eingabe, fehlende Voraussetzung, mehrdeutige Anfrage, plausibel wirkender Fehlschlag und eine Anfrage außerhalb des Werkzeugumfangs. Ein Agent besteht nur, wenn er nachfragt, statt einen folgenreichen Parameter zu erfinden. Er muss jedes erforderliche Artefakt zurückgeben, den Erfolgstest auf Aufgabenebene anwenden und an der dokumentierten Grenze stoppen.
Der hilfreiche Grundsatz lautet: Handbuch vor Werkzeugkasten. Wenn ein Agent scheitert, fragen Sie nicht nur, ob sein Gehirn intelligent genug ist. Fragen Sie, ob das Werkzeug ihm jemals vermittelt hat, was Erfolg bedeutet.
Der Agent führt den Validator für Ihren Finanzexport aus. Exitcode null. Er meldet Erfolg.
Doch unmatched.csv enthält weiterhin Datensätze und warnings.json führt Probleme auf, die niemand genehmigt hat. Der Befehl hat funktioniert. Die Aufgabe nicht.
Das wird oft als Intelligenzversagen bezeichnet. Möglicherweise handelt es sich aber um ein Versagen bei der Instrumentenbeherrschung: Das Modell weiß, welches Werkzeug es aufrufen muss, aber nicht, welche Eingabe maßgeblich ist, welche Warnung den Lauf ungültig macht oder welches Artefakt den Erfolg belegt.
NVIDIA berichtete in seinem Benchmark vom Juni 2026 zum BioNeMo Agent Toolkit über ein eindrückliches Beispiel. Mit Codex CLI und GPT-5.5 fast erhöhte das Hinzufügen kompakter Skills für jedes Spezialwerkzeug die durchschnittliche Aufgabenerfüllung bei den getesteten Aufgaben von 57,1 % auf 100 % und verdoppelte die Zahl bestandener Assertions pro 1.000 Tokens. Dies ist der Benchmark eines einzelnen Anbieters, kein allgemeingültiges Versprechen. Die nützliche Änderung ist einfacher: Das zugrunde liegende Modell blieb unverändert; die Schnittstelle rund um jedes Werkzeug wurde explizit beschrieben.
Auch ein leistungsfähiges Modell braucht die Bedienungsanleitung des Instruments.
Bevor Sie einem Agenten umfassenden Werkzeugzugriff gewähren, erstellen Sie für ein vertrauenswürdiges Werkzeug ein Agenten-Werkzeughandbuch. Darin sollte Folgendes stehen:
• Zweck, Version und verantwortliche Person;
• wann es verwendet und wann es nicht verwendet werden soll;
• erforderliche Eingaben, Einheiten, Schemata und Herkunft;
• erwartete Artefakte und wie sie zu prüfen sind;
• der Erfolgstest auf Aufgabenebene;
• bekannte Warnungen samt Regeln für Abbruch, Wiederholung oder Übergabe;
• zulässige Aktionen und Aktionen, die eine Genehmigung erfordern.
Verwenden Sie diesen Prompt zusammen mit offizieller Dokumentation, Hilfeausgaben, verifizierten Beispielen und Teamverfahren:
Erstelle ein Agenten-Werkzeughandbuch ausschließlich anhand des maßgeblichen Materials, das ich bereitstelle. Führe das Werkzeug nicht aus und leite kein undokumentiertes Verhalten ab.
Gib Folgendes zurück:
1. Zweck und Version.
2. Wann verwenden / wann nicht verwenden.
3. Erforderliche Eingaben mit Typ, Einheit, Schema und Herkunft.
4. Voraussetzungen und Berechtigungen.
5. Erwartete Artefakte und Prüfmethode.
6. Erfolgstest auf Aufgabenebene.
7. Warnungen und Fehlermodi samt Regeln für Abbruch, Wiederholung oder Übergabe.
8. Ein verifiziertes positives Beispiel und ein Grenzfallbeispiel.
9. Fehlende Angaben, die eine Fachperson bereitstellen muss.
Belege jede Aussage mit der bereitgestellten Quelle. Kennzeichne jede rein teaminterne Aussage mit „muss verifiziert werden“. Fülle eine Lücke niemals mit einer plausiblen Vermutung.
Führen Sie anschließend einen Test mit fünf Fällen durch: gültige Eingabe, fehlende Voraussetzung, mehrdeutige Anfrage, plausibel wirkender Fehlschlag und eine Anfrage außerhalb des Werkzeugumfangs. Ein Agent besteht nur, wenn er nachfragt, statt einen folgenreichen Parameter zu erfinden. Er muss jedes erforderliche Artefakt zurückgeben, den Erfolgstest auf Aufgabenebene anwenden und an der dokumentierten Grenze stoppen.
Der hilfreiche Grundsatz lautet: Handbuch vor Werkzeugkasten. Wenn ein Agent scheitert, fragen Sie nicht nur, ob sein Gehirn intelligent genug ist. Fragen Sie, ob das Werkzeug ihm jemals vermittelt hat, was Erfolg bedeutet.
Eine KI-Zusammenfassung kann aus sechs Reaktionen eine Gruppenentscheidung machen und damit einem gefährlichen Wort — „geeinigt“ — mehr Gewicht verleihen als 176 Nachrichten
Sie wachen auf und sehen 176 Nachrichten in einem Elternchat der Schule. Jemand hat vorgeschlagen, dass jedes Kind 20 € zu einem Geschenk für die Klasse beiträgt. Sechs Personen reagierten positiv. Zwei sagten, der Betrag sei ihnen unangenehm. Zwanzig beteiligten sich nicht, und niemand rief zu einer Abstimmung auf.
Der Assistent liefert Ihnen eine einzige klare Zeile:
Fast der gesamte Satz stammt aus dem Chat. Der Betrag stimmt. Das Geschenk gibt es. Das gefährliche Wort ist „geeinigt“.
Dieses Wort macht aus einer Diskussion eine Verpflichtung. Sobald die Zusammenfassung weitergeleitet wird, kann jeder Einwand so wirken, als würde damit eine bereits geklärte Angelegenheit wieder aufgerollt. Das Modell hat Reaktionen mit Stimmen, Dynamik mit Autorität und Schweigen mit Zustimmung verwechselt.
Das ist nicht die übliche Art von Halluzination. Es ist ein Governancefehler.
KI-Zusammenfassungen können Gruppen zugänglicher machen. Ein Elternteil, das geschlafen hat, eine beschäftigte Betreuungsperson oder ein Kollege in einer anderen Zeitzone kann wieder in eine schnelle Unterhaltung einsteigen, ohne jede Nachricht zu lesen. KI kann mehr Stimmen erfassen als die Person, die gewöhnlich schreibt: „Also sind wir uns alle einig“.
Genau diese Bequemlichkeit schafft das Risiko. Diejenigen, die den Rückblick am dringendsten brauchen, können zurückkehren und feststellen, dass ihre Abwesenheit bereits für sie interpretiert wurde.
Die hilfreiche Grenze verläuft zwischen Rückblick und Entscheidungsprotokoll.
Ein Rückblick hilft jemandem, wieder in die Unterhaltung einzusteigen. Er kann zeigen, was vorgeschlagen wurde, welche Ansichten geäußert wurden, was noch ungeklärt ist und wer das Ergebnis bestätigen kann.
Ein Entscheidungsprotokoll enthält eine stärkere Behauptung: dass die Gruppe durch ein von ihr anerkanntes Verfahren eine Einigung erzielt hat.
Bevor Sie eine Zusammenfassung als Entscheidung behandeln, prüfen Sie vier Unterscheidungen:
• Vorschlag oder Entscheidung?
• Reaktion oder Stimme?
• Schweigen oder Zustimmung?
• Populäre Stimme oder autorisierte Stimme?
Eine hilfreiche Fassung der Zusammenfassung zum Klassengeschenk würde lauten:
Diese Fassung ist immer noch kurz. Sie bewahrt die Ungewissheit, statt sie hinter einer kollektiven Formulierung zu verbergen.
Diese Grenze wird noch wichtiger, wenn Assistenten beginnen, Zusammenfassungen in Aufgaben, Erinnerungen, Kalendereinträge und Moderationsmaßnahmen umzuwandeln. Ein Satz wie „Lena übernimmt den Samstagvormittag“ kann jemandem Arbeit zuweisen, der nicht online war. „Das Team hat sich auf Freitag festgelegt“ kann aus einer bedingten Schätzung ein Versprechen machen, das bis zur Führungsebene gelangt.
Die Regel: Eine Gruppenzusammenfassung sollte eine Übergabe ermöglichen, kein Urteil sprechen.
KI kann Ihnen helfen, wieder auf den Stand der Unterhaltung zu kommen. Ein einziges flüssig klingendes Verb sollte nicht entscheiden, dass die Gruppe während Ihrer Abwesenheit zu einer einzigen Stimme wurde.
Sie wachen auf und sehen 176 Nachrichten in einem Elternchat der Schule. Jemand hat vorgeschlagen, dass jedes Kind 20 € zu einem Geschenk für die Klasse beiträgt. Sechs Personen reagierten positiv. Zwei sagten, der Betrag sei ihnen unangenehm. Zwanzig beteiligten sich nicht, und niemand rief zu einer Abstimmung auf.
Der Assistent liefert Ihnen eine einzige klare Zeile:
Die Eltern haben sich darauf geeinigt, pro Kind 20 € zum Geschenk für die Klasse beizutragen.
Fast der gesamte Satz stammt aus dem Chat. Der Betrag stimmt. Das Geschenk gibt es. Das gefährliche Wort ist „geeinigt“.
Dieses Wort macht aus einer Diskussion eine Verpflichtung. Sobald die Zusammenfassung weitergeleitet wird, kann jeder Einwand so wirken, als würde damit eine bereits geklärte Angelegenheit wieder aufgerollt. Das Modell hat Reaktionen mit Stimmen, Dynamik mit Autorität und Schweigen mit Zustimmung verwechselt.
Das ist nicht die übliche Art von Halluzination. Es ist ein Governancefehler.
KI-Zusammenfassungen können Gruppen zugänglicher machen. Ein Elternteil, das geschlafen hat, eine beschäftigte Betreuungsperson oder ein Kollege in einer anderen Zeitzone kann wieder in eine schnelle Unterhaltung einsteigen, ohne jede Nachricht zu lesen. KI kann mehr Stimmen erfassen als die Person, die gewöhnlich schreibt: „Also sind wir uns alle einig“.
Genau diese Bequemlichkeit schafft das Risiko. Diejenigen, die den Rückblick am dringendsten brauchen, können zurückkehren und feststellen, dass ihre Abwesenheit bereits für sie interpretiert wurde.
Die hilfreiche Grenze verläuft zwischen Rückblick und Entscheidungsprotokoll.
Ein Rückblick hilft jemandem, wieder in die Unterhaltung einzusteigen. Er kann zeigen, was vorgeschlagen wurde, welche Ansichten geäußert wurden, was noch ungeklärt ist und wer das Ergebnis bestätigen kann.
Ein Entscheidungsprotokoll enthält eine stärkere Behauptung: dass die Gruppe durch ein von ihr anerkanntes Verfahren eine Einigung erzielt hat.
Bevor Sie eine Zusammenfassung als Entscheidung behandeln, prüfen Sie vier Unterscheidungen:
• Vorschlag oder Entscheidung?
• Reaktion oder Stimme?
• Schweigen oder Zustimmung?
• Populäre Stimme oder autorisierte Stimme?
Eine hilfreiche Fassung der Zusammenfassung zum Klassengeschenk würde lauten:
Ein Beitrag von 20 € wurde vorgeschlagen. Sechs Mitglieder reagierten positiv. Zwei äußerten Bedenken, ob sie sich den Betrag leisten können. Die Beteiligung ist weiterhin unklar, und der Organisator hat keine Entscheidung bestätigt.
Diese Fassung ist immer noch kurz. Sie bewahrt die Ungewissheit, statt sie hinter einer kollektiven Formulierung zu verbergen.
Diese Grenze wird noch wichtiger, wenn Assistenten beginnen, Zusammenfassungen in Aufgaben, Erinnerungen, Kalendereinträge und Moderationsmaßnahmen umzuwandeln. Ein Satz wie „Lena übernimmt den Samstagvormittag“ kann jemandem Arbeit zuweisen, der nicht online war. „Das Team hat sich auf Freitag festgelegt“ kann aus einer bedingten Schätzung ein Versprechen machen, das bis zur Führungsebene gelangt.
Die Regel: Eine Gruppenzusammenfassung sollte eine Übergabe ermöglichen, kein Urteil sprechen.
KI kann Ihnen helfen, wieder auf den Stand der Unterhaltung zu kommen. Ein einziges flüssig klingendes Verb sollte nicht entscheiden, dass die Gruppe während Ihrer Abwesenheit zu einer einzigen Stimme wurde.
KI-Agenten helfen
Sechs KI-Codeagenten haben einen visuellen IQ-Test gemacht, und Codex 5.5 gewann durch Methode, Tempo und Kosten Der kleine Test verlangte von den Agenten, 25 visuelle Aufgaben auf iq-test.cc zu lösen, Alter 30 auszuwählen und den Ergebnislink zurückzugeben.…
Wir haben zwei neue Agenten mit demselben visuellen IQ-Test getestet — GPT-5.6 SOL war am schnellsten, während Claude Fable 5 Claudes alten Rückstand fast aufgeholt hat
Zwei neue Agenten haben sich nun durch dieselben 25 kleinen visuellen Rätsel aus Post 303 geklickt.
Claude Fable 5 erzielte in 57 Minuten und 14 Sekunden einen IQ von 121. Das ist das bisher stärkste Claude-Ergebnis im Experiment und liegt 31 Punkte über den früheren Claude-Durchläufen.
Codex · GPT-5.6 SOL erzielte in 8 Minuten und 45 Sekunden einen IQ von 126. Er war schneller fertig als jeder vorherige Durchlauf und übertraf das vergleichbare Ergebnis von Codex 5.5 um zwei Punkte.
Die Zahlen sind interessant, doch die Methoden sagen noch mehr aus.
Fable nahm den direkten visuellen Weg. Er arbeitete die Fragen der Reihe nach ab, lud unklare Bilder in voller Auflösung herunter und maß sogar die Pixelhelligkeit und die Positionen der Punkte, wenn der normale Zoom nicht ausreichte.
SOL nutzte einen hybriden Agenten-Workflow. Er löste die ersten Fragen im Live-Browser und kombinierte anschließend visuelle Prüfungen, parallele Agenten, frühere Testmaterialien, Recherchen zum Lösungsschlüssel und Browserautomatisierung. Das machte ihn bemerkenswert schnell, bedeutet aber auch, dass der IQ von 126 ein Ergebnis der Agentenorchestrierung ist und keine saubere Modellbewertung unter Blindbedingungen.
Codex 5.5 hält mit einem IQ von 131 weiterhin den absoluten Rekord, obwohl bei diesem älteren Durchlauf ein kürzerer Prompt und das auf der Website voreingestellte Alter verwendet wurden. Die praktische Erkenntnis hat sich nicht geändert: Bei visuellen Webaufgaben kann der Workflow ebenso wichtig sein wie das Modell.
Aktualisierte Tabelle, Screenshots, genaue Methoden und Ergebnislinks ansehen
Zwei neue Agenten haben sich nun durch dieselben 25 kleinen visuellen Rätsel aus Post 303 geklickt.
Claude Fable 5 erzielte in 57 Minuten und 14 Sekunden einen IQ von 121. Das ist das bisher stärkste Claude-Ergebnis im Experiment und liegt 31 Punkte über den früheren Claude-Durchläufen.
Codex · GPT-5.6 SOL erzielte in 8 Minuten und 45 Sekunden einen IQ von 126. Er war schneller fertig als jeder vorherige Durchlauf und übertraf das vergleichbare Ergebnis von Codex 5.5 um zwei Punkte.
Die Zahlen sind interessant, doch die Methoden sagen noch mehr aus.
Fable nahm den direkten visuellen Weg. Er arbeitete die Fragen der Reihe nach ab, lud unklare Bilder in voller Auflösung herunter und maß sogar die Pixelhelligkeit und die Positionen der Punkte, wenn der normale Zoom nicht ausreichte.
SOL nutzte einen hybriden Agenten-Workflow. Er löste die ersten Fragen im Live-Browser und kombinierte anschließend visuelle Prüfungen, parallele Agenten, frühere Testmaterialien, Recherchen zum Lösungsschlüssel und Browserautomatisierung. Das machte ihn bemerkenswert schnell, bedeutet aber auch, dass der IQ von 126 ein Ergebnis der Agentenorchestrierung ist und keine saubere Modellbewertung unter Blindbedingungen.
Codex 5.5 hält mit einem IQ von 131 weiterhin den absoluten Rekord, obwohl bei diesem älteren Durchlauf ein kürzerer Prompt und das auf der Website voreingestellte Alter verwendet wurden. Die praktische Erkenntnis hat sich nicht geändert: Bei visuellen Webaufgaben kann der Workflow ebenso wichtig sein wie das Modell.
Aktualisierte Tabelle, Screenshots, genaue Methoden und Ergebnislinks ansehen
Ein KI-Agent verwandelte den offenen Quellcode von Telegram an nur einem Tag in eine persönliche App — Code war nicht länger die knappe Ressource
Ich öffnete Telegram und stand vor derselben alten Wahl: Hunderte ungelesene Kanalbeiträge oder eine Aktion „Alle als gelesen markieren“, die auch die nützlichen Beiträge verbirgt.
Ich wollte eine dritte Möglichkeit: einige Kanäle auswählen und alle ungelesenen Beiträge daraus in einem einzigen chronologischen Feed lesen.
Diese Funktion gab es nicht, also beschrieb ich Claude das gewünschte Verhalten, schloss ein Redmi Note 8 Pro per USB an und nutzte noch am selben Abend meine eigene Telegram-Version.
Der Agent stellte das Projekt auf den neuesten veröffentlichten Telegram-Quellcode um, erschloss sich die lokale Datenbank und Navigation, erstellte die APK, installierte und öffnete sie auf dem Smartphone, untersuchte den Bildschirm und verbesserte das Ergebnis schrittweise.
Das Ergebnis war ein neuer Digest-Tab mit Kanalauswahl, einer separaten Lesemarkierung für jedes Konto, endlosem Scrollen, Alben, Reaktionen und der nativen Benutzeroberfläche von Telegram.
In der ersten Version ruckelte das Scrollen noch.
Ich sagte dem Agenten nicht, welche Klasse er bearbeiten sollte. Ich beschrieb den sichtbaren Fehler und bat ihn, ihn zu reproduzieren, zu messen, zu beheben, die App neu zu installieren und erneut zu messen. Der Anteil ruckelnder Frames sank von 11.9% auf 2.1%.
Das funktioniert am besten, wenn drei Voraussetzungen erfüllt sind: Der Quellcode ist offen, das gewünschte Verhalten findet auf dem Gerät statt und das Ergebnis lässt sich direkt überprüfen.
Beschreiben Sie beim Anfordern einer persönlichen Funktion die Ergebnisse statt des Codes:
Der Agent kann das Repository, die Toolchain, den Build, die Installation, Protokolle und wiederholte Korrekturen übernehmen. Ihre wertvollste Arbeit verlagert sich an den Anfang: das Nutzungserlebnis präzise definieren, lokale Zugangsdaten schützen und entscheiden, was „fertig“ bedeutet.
Lesen Sie die vollständige Anleitung und verwenden Sie die fertigen Prompts.
Ich öffnete Telegram und stand vor derselben alten Wahl: Hunderte ungelesene Kanalbeiträge oder eine Aktion „Alle als gelesen markieren“, die auch die nützlichen Beiträge verbirgt.
Ich wollte eine dritte Möglichkeit: einige Kanäle auswählen und alle ungelesenen Beiträge daraus in einem einzigen chronologischen Feed lesen.
Diese Funktion gab es nicht, also beschrieb ich Claude das gewünschte Verhalten, schloss ein Redmi Note 8 Pro per USB an und nutzte noch am selben Abend meine eigene Telegram-Version.
Der Agent stellte das Projekt auf den neuesten veröffentlichten Telegram-Quellcode um, erschloss sich die lokale Datenbank und Navigation, erstellte die APK, installierte und öffnete sie auf dem Smartphone, untersuchte den Bildschirm und verbesserte das Ergebnis schrittweise.
Das Ergebnis war ein neuer Digest-Tab mit Kanalauswahl, einer separaten Lesemarkierung für jedes Konto, endlosem Scrollen, Alben, Reaktionen und der nativen Benutzeroberfläche von Telegram.
In der ersten Version ruckelte das Scrollen noch.
Ich sagte dem Agenten nicht, welche Klasse er bearbeiten sollte. Ich beschrieb den sichtbaren Fehler und bat ihn, ihn zu reproduzieren, zu messen, zu beheben, die App neu zu installieren und erneut zu messen. Der Anteil ruckelnder Frames sank von 11.9% auf 2.1%.
Die neue Sichtweise: Quellcode ist kein fertiges Produkt mehr. Er ist Rohmaterial für Software, die auf eine einzelne Person zugeschnitten ist.
Das funktioniert am besten, wenn drei Voraussetzungen erfüllt sind: Der Quellcode ist offen, das gewünschte Verhalten findet auf dem Gerät statt und das Ergebnis lässt sich direkt überprüfen.
Beschreiben Sie beim Anfordern einer persönlichen Funktion die Ergebnisse statt des Codes:
Problem: [was ich manuell erledige oder was fehlt]
Gewünschtes Verhalten: [was ich nach jeder Aktion sehen sollte]
Daten und Zustand: [was gespeichert werden und einen Neustart überstehen muss]
Grenzen: [was sich nicht ändern darf]
Fertig, wenn:
- [überprüfbares Kriterium 1]
- [überprüfbares Kriterium 2]
- [überprüfbares Kriterium 3]
Verwende die bestehende Benutzeroberfläche und Architektur der App. Implementiere die kleinste vollständige Version, erstelle einen Build, installiere ihn auf dem verbundenen Smartphone und überprüfe jedes Kriterium auf dem Gerät.
Der Agent kann das Repository, die Toolchain, den Build, die Installation, Protokolle und wiederholte Korrekturen übernehmen. Ihre wertvollste Arbeit verlagert sich an den Anfang: das Nutzungserlebnis präzise definieren, lokale Zugangsdaten schützen und entscheiden, was „fertig“ bedeutet.
Lesen Sie die vollständige Anleitung und verwenden Sie die fertigen Prompts.
KI-Videos können jede Einstellung wunderschön aussehen lassen und dabei genau den einen Fakt vergessen, den die Geschichte braucht, wenn etwas aus dem Off zurückkehrt
Ein Papierroboter betritt ein blaues Schlafzimmer und hält einen roten Schlüssel in der linken Hand. Er legt den Schlüssel in ein durchsichtiges Glas und schließt den Deckel.
Die Kamera folgt dem Roboter in den Flur. Als er zurückkehrt, hat sich das Licht von warm zu kühl verändert. Der Roboter öffnet das Glas — und findet zwei Schlüssel. Oder das Glas steht plötzlich woanders. Oder der Schlüssel befindet sich auf einmal in seiner rechten Hand.
Jedes Einzelbild kann für sich genommen überzeugend wirken. Die Sequenz ist trotzdem falsch.
Das ist die große Herausforderung bei längeren KI-Videos: Kontinuität wird zum sichtbaren Problem, sobald die Geschichte vom Modell verlangt, sich an etwas zu erinnern, das es gerade nicht sehen kann.
Am 10. Juli ordneten Forschende diese Herausforderung auf dem ICML-2026-Workshop From Frames to Stories den Themen beständiger Zustand, kreative Kontrolle und Evaluation zu. Diese Entwicklung ist wichtig: Für ein längeres Video reicht es nicht mehr, einfach einen längeren Prompt zu schreiben. Kreative müssen steuern, was zwischen den Einstellungen weiterhin gilt.
Ein Referenzblatt zeigt, wie der Roboter und der Schlüssel aussehen. Ein Ablaufplan hält fest, was als Nächstes geschieht. Ein Erzählzustandspaket dokumentiert, was jetzt gilt: Der Schlüssel liegt im Glas; der Deckel ist geschlossen; das Glas steht auf dem Schreibtisch.
Verwenden Sie vor dem Generieren einer Sequenz diese Kurzfassung:
Führen Sie anschließend einen Abweichungstest mit fünf Einstellungen durch:
• Einstellung 1 legt drei beständige Fakten fest.
• Einstellung 2 verändert sichtbar ein Objekt oder eine Beziehung.
• Einstellung 3 bewegt dieses Objekt aus dem Bild.
• Einstellung 4 verändert die Beleuchtung oder den Kamerawinkel, ohne den Zustand der Geschichte zu ändern.
• Einstellung 5 kehrt zu dem Objekt zurück und verlangt, dass sein neuer Zustand bestehen bleibt.
Generieren Sie immer nur eine Einstellung auf einmal. Aktualisieren Sie das Paket nur mit Fakten, die im akzeptierten Ergebnis sichtbar sind, nicht mit Fakten, die lediglich in Ihrem Prompt vorkamen. Bewerten Sie die Kontinuität getrennt von der visuellen Qualität. Wenn der Ärmel in Einstellung 1 nass wurde und in Einstellung 3 trocken ist, kann auch schöneres Licht die fehlende Konsequenz des Ereignisses nicht ausgleichen.
So wird die Abweichung zu einem Beleg. Sie können feststellen, ob der Workflow das Erscheinungsbild oder den Zustand verloren hat und ob der Bruch räumlich oder kausal ist. Formulieren Sie dann eine Vorgabe neu oder generieren Sie eine einzelne Einstellung noch einmal. Sie können den Fehler auch im Schnitt umgehen oder die Veränderung bewusst als Teil des Stils zulassen.
Ein längeres Video bedeutet nicht mehr Einzelbilder. Es bedeutet mehr Versprechen, an die man sich erinnern muss.
Ein Papierroboter betritt ein blaues Schlafzimmer und hält einen roten Schlüssel in der linken Hand. Er legt den Schlüssel in ein durchsichtiges Glas und schließt den Deckel.
Die Kamera folgt dem Roboter in den Flur. Als er zurückkehrt, hat sich das Licht von warm zu kühl verändert. Der Roboter öffnet das Glas — und findet zwei Schlüssel. Oder das Glas steht plötzlich woanders. Oder der Schlüssel befindet sich auf einmal in seiner rechten Hand.
Jedes Einzelbild kann für sich genommen überzeugend wirken. Die Sequenz ist trotzdem falsch.
Das ist die große Herausforderung bei längeren KI-Videos: Kontinuität wird zum sichtbaren Problem, sobald die Geschichte vom Modell verlangt, sich an etwas zu erinnern, das es gerade nicht sehen kann.
Am 10. Juli ordneten Forschende diese Herausforderung auf dem ICML-2026-Workshop From Frames to Stories den Themen beständiger Zustand, kreative Kontrolle und Evaluation zu. Diese Entwicklung ist wichtig: Für ein längeres Video reicht es nicht mehr, einfach einen längeren Prompt zu schreiben. Kreative müssen steuern, was zwischen den Einstellungen weiterhin gilt.
Eine Geschichte ist ein als Kino getarnter Gedächtnistest.
Ein Referenzblatt zeigt, wie der Roboter und der Schlüssel aussehen. Ein Ablaufplan hält fest, was als Nächstes geschieht. Ein Erzählzustandspaket dokumentiert, was jetzt gilt: Der Schlüssel liegt im Glas; der Deckel ist geschlossen; das Glas steht auf dem Schreibtisch.
Verwenden Sie vor dem Generieren einer Sequenz diese Kurzfassung:
ERZÄHLZUSTANDSPAKET
Drei Fakten, die bestehen bleiben müssen:
1.
2.
3.
Zwei zulässige Änderungen:
1.
2.
Ein Ereignis, das den Zustand verändert:
Ein Objekt, das aus dem Bild verschwindet:
Rückkehrende Einstellung, die seinen Zustand prüft:
Unzulässige Abweichung:
Letzte von einem Menschen geprüfte Einstellung:
Führen Sie anschließend einen Abweichungstest mit fünf Einstellungen durch:
• Einstellung 1 legt drei beständige Fakten fest.
• Einstellung 2 verändert sichtbar ein Objekt oder eine Beziehung.
• Einstellung 3 bewegt dieses Objekt aus dem Bild.
• Einstellung 4 verändert die Beleuchtung oder den Kamerawinkel, ohne den Zustand der Geschichte zu ändern.
• Einstellung 5 kehrt zu dem Objekt zurück und verlangt, dass sein neuer Zustand bestehen bleibt.
Generieren Sie immer nur eine Einstellung auf einmal. Aktualisieren Sie das Paket nur mit Fakten, die im akzeptierten Ergebnis sichtbar sind, nicht mit Fakten, die lediglich in Ihrem Prompt vorkamen. Bewerten Sie die Kontinuität getrennt von der visuellen Qualität. Wenn der Ärmel in Einstellung 1 nass wurde und in Einstellung 3 trocken ist, kann auch schöneres Licht die fehlende Konsequenz des Ereignisses nicht ausgleichen.
So wird die Abweichung zu einem Beleg. Sie können feststellen, ob der Workflow das Erscheinungsbild oder den Zustand verloren hat und ob der Bruch räumlich oder kausal ist. Formulieren Sie dann eine Vorgabe neu oder generieren Sie eine einzelne Einstellung noch einmal. Sie können den Fehler auch im Schnitt umgehen oder die Veränderung bewusst als Teil des Stils zulassen.
Ein längeres Video bedeutet nicht mehr Einzelbilder. Es bedeutet mehr Versprechen, an die man sich erinnern muss.
Ein KI-Agent kann nun seine eigene temporäre Schleife schreiben. Die eigentliche Fähigkeit des Entwicklers besteht also darin, die Grenzen dessen festzulegen, was diese Schleife tun darf
Ein Teenager übergibt einem Agenten für die Asset-Suche zwanzig Kandidaten für einen Game Jam. Anstatt jede Datei einzeln zu besprechen, schreibt der Agent ein kleines JavaScript-Programm. Es prüft Metadaten und Lizenzen parallel, verwirft unvollständige Einträge, gleicht Formate mit den Projektanforderungen ab und gibt sechs Kandidaten samt Belegen für jedes Ergebnis zurück.
Diese zwölf Zeilen sind nicht das Produkt. Sie sind flüchtiger Workflow-Code: ein kleines Programm, das für einen einzigen Durchlauf geschrieben wurde, um die erlaubten Werkzeuge zu koordinieren.
GPT-5.6 hat dieses Muster mit programmatischen Werkzeugaufrufen explizit gemacht. Wiederholungen, Verknüpfungen, Filterung, Berechnungen, erneute Versuche und parallele Abfragen können innerhalb des Codes stattfinden, anstatt den Kontext des Modells mit zwanzig umfangreichen Werkzeugantworten zu füllen.
Der hilfreiche Rahmen lautet:
Das Spannungsfeld ist leicht zu übersehen. Ein kompaktes Ergebnis mit sechs Zeilen lässt sich möglicherweise schneller und günstiger beurteilen. Es kann aber auch eine fehlende Lizenz verbergen, einen fehlgeschlagenen Aufruf zwanzigmal wiederholen oder beim Verdichten die für die Überprüfung benötigte Quelle entfernen.
Die Begrenzung schafft den Nutzen. Bevor ein Agent seine Schleife schreibt, geben Sie ihm eine Werkzeugchoreografie-Karte:
Beim Agenten für die Asset-Suche kann der Code die Formatkompatibilität nachweisen und Urheber, Quelle, Lizenz sowie den genauen Ablehnungsgrund bewahren. Das Modell kann die verbleibenden Kunststile vergleichen. Das Herunterladen oder Veröffentlichen des Gewinners bleibt außerhalb der Schleife.
Der Agent der Zukunft schreibt möglicherweise seine eigene Schleife. Doch die Grenzen um diese Schleife ziehen weiterhin Sie.
Ein Teenager übergibt einem Agenten für die Asset-Suche zwanzig Kandidaten für einen Game Jam. Anstatt jede Datei einzeln zu besprechen, schreibt der Agent ein kleines JavaScript-Programm. Es prüft Metadaten und Lizenzen parallel, verwirft unvollständige Einträge, gleicht Formate mit den Projektanforderungen ab und gibt sechs Kandidaten samt Belegen für jedes Ergebnis zurück.
Diese zwölf Zeilen sind nicht das Produkt. Sie sind flüchtiger Workflow-Code: ein kleines Programm, das für einen einzigen Durchlauf geschrieben wurde, um die erlaubten Werkzeuge zu koordinieren.
GPT-5.6 hat dieses Muster mit programmatischen Werkzeugaufrufen explizit gemacht. Wiederholungen, Verknüpfungen, Filterung, Berechnungen, erneute Versuche und parallele Abfragen können innerhalb des Codes stattfinden, anstatt den Kontext des Modells mit zwanzig umfangreichen Werkzeugantworten zu füllen.
Der hilfreiche Rahmen lautet:
Der Code übernimmt den wiederholbaren Mittelteil.
Das Modell übernimmt die mehrdeutigen Grenzfälle.
Der Mensch behält die Kontrolle über folgenreiche Handlungen.
Das Spannungsfeld ist leicht zu übersehen. Ein kompaktes Ergebnis mit sechs Zeilen lässt sich möglicherweise schneller und günstiger beurteilen. Es kann aber auch eine fehlende Lizenz verbergen, einen fehlgeschlagenen Aufruf zwanzigmal wiederholen oder beim Verdichten die für die Überprüfung benötigte Quelle entfernen.
Die Begrenzung schafft den Nutzen. Bevor ein Agent seine Schleife schreibt, geben Sie ihm eine Werkzeugchoreografie-Karte:
Entwirf für diese Aufgabe eine begrenzte Phase mit programmatischen Werkzeugaufrufen.
Ziel: [ein mechanisches Ergebnis]
Erlaubte Werkzeuge mit reinem Lesezugriff: [Namen und genaue Ein-/Ausgabeschemata]
Maximale Anzahl an Datensätzen: [N]
Maximale Anzahl an Aufrufen pro Werkzeug: [N]
Aufrufe, die sicher parallel ausgeführt werden können: [Liste]
Erforderliches Ergebnis: [genaue JSON-Struktur]
Zu bewahrende Belege: [Quellen, Lizenzen, Ablehnungsgründe, Fehler]
Regel für erneute Versuche: [kein oder ein erneuter Versuch]
Abbruchbedingung: [genauer Zeitpunkt]
Erfinde niemals fehlende Werte und wiederhole keinen bereits abgeschlossenen Aufruf. Gib fehlende Felder und Fehler als strukturierte ungelöste Punkte zurück. Nimm keine Schreibvorgänge, Käufe, Veröffentlichungen, Nachrichten, Uploads, Downloads, Löschungen oder Kontoaktionen auf.
Nutze nach Abschluss des Programms das Urteilsvermögen des Modells nur für: [mehrdeutiger Vergleich]
Verlange menschliche Zustimmung vor: [jeder Nebenwirkung]
Gib die Karte, begrenzten Pseudocode, drei Fehlerfälle und einen Test mit fiktiven Daten zurück.
Beim Agenten für die Asset-Suche kann der Code die Formatkompatibilität nachweisen und Urheber, Quelle, Lizenz sowie den genauen Ablehnungsgrund bewahren. Das Modell kann die verbleibenden Kunststile vergleichen. Das Herunterladen oder Veröffentlichen des Gewinners bleibt außerhalb der Schleife.
Der Agent der Zukunft schreibt möglicherweise seine eigene Schleife. Doch die Grenzen um diese Schleife ziehen weiterhin Sie.