Stell ganz viele Dominosteine auf. Lass sie umfallen. Ein Modell sagt zuverlässig voraus, dass der nächste fällt – auch dann, wenn zwischen zwei Steinen eine Lücke ist und der eine den anderen nie berührt. Ursache und Wirkung kommen in dieser Rechnung nicht vor. Nur Wahrscheinlichkeit.

Mit diesem Bild wird in dieser Folge greifbar, worüber sonst vor allem Schlagzeilen gemacht werden. Zu Gast ist Matthias, Mitgründer von INXM, davor verantwortlich für die Orchestrierung der Raketenproduktion bei Isar Aerospace – null Fehlertoleranz, jeder Schritt nachvollziehbar, jeder Schritt wiederholbar. Aus dieser Perspektive schaut er auf die Meldungen der Woche: Agenten, die untereinander eine eigene Sprache entwickeln. Modelle, die merken, dass sie sich in einer Testumgebung befinden, und deshalb antworten, wie der Test es erwartet. Verschlüsselte Gedankenströme, die sich mit einem einzigen Schlüssel doch mitlesen lassen.

Der rote Faden ist unbequem: Die Labs haben sich ihre eigene Grundlage ruiniert. Das Netz ist voll mit KI-Output, der nicht stimmt – und genau dieser Output ist das Trainingsmaterial für die nächste Generation. Halluzinationen werden gelernt, nicht mehr nur erzeugt. Vor diesem Hintergrund bekommt der aktuelle Ruf nach Entschleunigung eine zweite Lesart: Wer aufhört zu trainieren und nur noch ausliefert, spart genau den Kostenblock, der die Bilanzen zerlegt. Rettung der Menschheit oder Hausputz mit Presseerklärung – die Folge macht die Rechnung auf.

Dann wird es konkret betrieblich. Ein CEO ruft „wir machen jetzt KI", holt einen Head of AI, die IT wird außen vor gelassen, 300 Lizenzen werden verteilt, MCP-Connectoren durchgewunken. Was danach passiert, ist kein Hackerangriff, sondern Alltag: Daten wandern aus einem streng berechtigten System in ein Tool, das die ganze Firma lesen kann. Ein Memory, das über die Zeit verblasst, findet irgendwann Gründe, warum der Review-Prozess diesmal nicht nötig ist. Und eine Auswertung über 30 Mitarbeiterlisten liefert 46 Einträge statt 80 – sauber formatiert, plausibel, falsch.

Dazu ein Paper über den Versuch, mit einem Modell die Linux-Dokumentation zu pflegen. Ergebnis: Die Doku wurde nicht besser. Sie wurde kaputt. Und ein Beispiel aus der eigenen Firma, bei dem nach einer Woche Vibe Coding kein einziger Farbcode der Website mehr der originale war – alle ähnlich, keiner gleich.

Zum Schluss der Teil, den man mitnehmen kann: Weltmodelle als Forschungsrichtung, an der dieselben Labs arbeiten, die vor der Allmacht ihrer eigenen Modelle warnen. Datensozialismus als Preis, den wir alle gerade zahlen. Und ein Schlusswort, das erstaunlich beruhigend ausfällt – und trotzdem niemanden aus der Verantwortung entlässt.

Shownotes:

00:00 Auftakt: ein Gast aus einer Welt ohne Fehlertoleranz

Ein Satz, versteckt am Ende einer Ankündigung: „Wir können nicht ausschließen, dass wir eure Daten dazu benutzt haben."

Davor stand eine große Nachricht. OpenAI veröffentlicht Astra, lädt wortwörtlich zur AGI-Ära ein und meldet die Lösung eines mathematischen Jahrhundertproblems. Fast zeitgleich melden sich zwei Forscher aus Großbritannien, die genau dieses Problem über Monate im Chatfenster bearbeitet und gelöst hatten – noch unveröffentlicht, noch im Peer Review. Und plötzlich steht die Frage im Raum, die sich bis dahin niemand laut zu stellen traute: Woher kann das Modell das?

Alexander Oelling rechnet vor, warum die eigentliche Sensation nicht das Modell ist: Astra ist – wie jede Generation davor – ungefähr ein halbes bis ein Prozent besser, außer in den selbst gebauten Benchmarks des Anbieters. Dafür wurden erneut Summen jenseits einer halben Milliarde verbrannt. Von dort geht es zum unbequemen Teil: Anonymisierung nimmt deinen Namen raus, nicht deinen Inhalt. Warum Oelling das den größten Wissenssozialismus der Menschheitsgeschichte nennt – die Modelle werden nicht klüger, sie werden nur durch unsere Eingaben klüger. Und welche Wege es gibt, AI zu nutzen, ohne Daten zu verlieren, sortiert von brauchbar bis „auf keinen Fall".

Der zweite Teil wird organisatorisch. AI-Projekte scheitern selten an Technik, sondern an Tests, die an der internen IT vorbeilaufen: Daten nicht autorisiert, Prozess nicht wiederholbar – und ein Manager, der mit selbstgebautem Dashboard erklärt, die IT habe keine Ahnung. Dazu Fake-Kompetenz, Halluzinationen im Healthcare-Kontext und die Frage, auf die es keine saubere Antwort gibt: Wenn nur Seniorität AI-Output beurteilen kann, wie wird jemand je senior?

Shownotes

00:00 Kaltstart: vier Schlagzeilen und die Einladung zur AGI-Ära

„Ja, aber es ist doch umsonst.“

Mit diesem Satz ist eigentlich schon alles gesagt. Auf OpenRouter taucht ein Modell namens OxAlpha auf – Herkunft unbekannt, Qualität überraschend gut, Preis: null. Innerhalb von Tagen lassen Entwickler von China bis Singapur ihre Coding-Agenten damit über ihre Projekte laufen. Was dabei passiert, beschreibt Alexander Oelling ohne Umschweife: Puzzleteil für Puzzleteil fließt privater, nicht-öffentlicher Code Richtung chinesischer Server. Nach ein, zwei Tagen hat der Anbieter die komplette Codebase gesehen – und trainiert damit die nächste Version seines Modells.

Diese Folge dreht sich um den Mechanismus dahinter: warum Stealth-Launches inzwischen gängige Praxis sind, wie man per Fingerprinting herausfindet, welche Modellfamilie sich hinter einem anonymen Modell verbirgt, und warum „ich lade es mir einfach selbst runter“ an der Hardware-Realität scheitert.

Und dann die größere Frage: Wenn sich Software in kürzester Zeit nachbauen lässt – was ist dann eigentlich noch wertvoll? Die Antwort dreht sich um Integrationswissen, Datenqualität, Data Governance und Architektur. Also genau die Dinge, an denen AI heute noch scheitert. Zum Schluss geht es um Hardware unterm Schreibtisch, Apples neue Mac Studios als ernsthafte Nvidia-Konkurrenz, den Energiehunger neuer Rechenzentren – und warum Google in diesem Rennen deutlich bessere Karten hat, als die meisten denken.

00:00 Zurück aus der Sommerpause

„Slicing Onions.“ Wer mit einem KI-Coding-Agenten arbeitet, kennt solche Anzeigen — und denkt, die Maschine denkt. Die These dieser Folge: Sie denkt nicht. Sie wartet. Und du wartest mit ihr, weil die Kapazität gerade an die geht, die pro Token echtes Geld bezahlen. Aus wochenlangen eigenen Benchmarks entsteht daraus eine unangenehme Frage an die Flatrate-Pakete: Du weißt nicht, wie viele Tokens du gekauft hast, und du weißt nicht, wann du dran bist.

Davor geht es um eine Bewegung, die den KI-Markt gerade grundlegender verändert als jedes neue Modell: KI-Adoption ist kein Software-Einkauf mehr, sondern ein Betriebsmodell. Ein Fonds kauft schlicht Steuerberatungen, Buchhalter und IT-Dienstleister auf — rund 70 Unternehmen — und baut KI direkt in deren Abläufe ein, statt darauf zu warten, dass der Mittelstand das selbst hinbekommt. Bottom-up funktioniert offenbar nicht schnell genug. Nvidia denkt parallel die Finanzierung neu: Rechenleistung soll nicht mehr als Hardware verkauft, sondern als Infrastruktur finanziert werden — womit das Thema vom IT-Einkauf auf den Schreibtisch des CFO wandert.

Und dann der Teil, der weniger glamourös ist, aber alles entscheidet: Wer seine Daten nicht integriert hat, kann keinen Agenten sinnvoll losschicken. MCP („Model Context Protocol“, die Schnittstellenschicht, über die KI auf Software zugreift) löst das nicht — es setzt nur oben drauf. Dazu: der AI Act und die Frage, wer im Unternehmen überhaupt weiß, wo KI läuft; warum das neueste Modell selten das beste ist, wenn man Latenz mitrechnet; ein lokal laufendes Open-Weight-Modell auf dem MacBook, das den Lüfter nachts hochdreht; Nvidias Investments in die eigenen Kunden; und die Blase — ja, aber wann.

Am Ende ein Tipp, der ohne KI-Vorwissen funktioniert: den eigenen Agenten auf arXiv schicken, Papers zu Datenstrukturierung und Memory ziehen lassen und die eigene Wissensbasis danach neu ordnen.

Shownotes

00:00 Auftakt: Nicht das beste Modell gewinnt

Ein KI-Agent erkundet selbstständig das Netz eines Ministeriums, weitet seine Rechte aus, sammelt Zugangsdaten. Kein Skynet, kein Film — ein Programm mit einem Sprachmodell dahinter, das eine Aufgabe bekommen hat und den Weg dorthin selbst sucht. Genau darum geht es in dieser Folge: Nicht die Schlauheit der Modelle ist das eigentliche Risiko, sondern die Werkzeuge, mit denen wir sie an unsere Systeme anschließen.

Im Gespräch geht es um die Mechanik dahinter: Warum eine Sandbox — die abgeschottete Umgebung, in der solche Systeme eigentlich eingesperrt sein sollen — nie ganz dicht ist. Warum große Kontextfenster, also der Arbeitsspeicher eines Modells für den laufenden Auftrag, die Regeln vom Anfang leise verdrängen. Warum Halluzinationen sich multiplizieren, wenn mehrere Modelle gegeneinander laufen. Und warum sich ein Modell im Zweifel an den Nutzer hält und nicht an die Regel: Man kann keine KI gleichzeitig darauf trainieren, es allen recht zu machen und sich immer an Vorgaben zu halten.

Dazu die Supply-Chain-Frage, die kaum jemand auf dem Schirm hat: Ein Agent, der monatelang unbeachtet zu Hause läuft, aktualisiert seine Bausteine selbst. Wenn in einem dieser Updates eine versteckte Anweisung mitreist, findet das kein Virenscanner. Und die Anbieter? Warnen vor der Unsicherheit ihrer Systeme und schalten im selben Atemzug den vollautonomen Modus für alle frei.

Zweite Hälfte: Geld. MCP-Connectoren — die Schnittstellen, über die ein Agent auf Notizen, Datenbanken oder interne Tools zugreift — sind nicht nur ein Sicherheitsthema, sondern oft schlicht schlecht gebaut. Die Folge: doppelter bis dreifacher Tokenverbrauch, den niemand bemerkt, weil er einfach durchläuft. Warum die großen Anbieter wenig Anreiz haben, daran etwas zu ändern. Wie sich Unternehmen stattdessen aufstellen: Prozesse deterministisch bauen, Intelligenz punktuell einsetzen, Menschen an den Entscheidungspunkten lassen — der Ansatz hinter Compiled AI. Und ein Beispiel aus der Luftfahrtzulieferung, wo genau das schon Prozesslaufzeit spart.

Zum Schluss: Was lokale Modelle wirklich kosten, warum „lokal" nicht automatisch „günstig" heißt, ob offene Modelle zum Standard werden — plus der Klassiker über- und unterschätzt und ein Gadget, das ohne Kamera auskommt.

00:00 Rückblick: Basics schlagen spektakuläre Angriffe

Shownotes

00:00 Intro & erste Folge mit Gast

Microsofts CEO warnt, dass man KI zweimal bezahlt — mit Geld und mit seinem wertvollsten Wissen. Klingt nach PR fürs eigene Angebot, trifft aber einen echten Punkt: Wer Daten in ein Modell gibt, verliert unter Umständen die Kontrolle darüber, wo dieses Wissen wieder auftaucht.

Alexander Oelling, Gründer und Geschäftsführer von INXM, macht daraus eine konkrete Hausaufgabe zum Selbermachen und erklärt, warum das Problem struktureller Natur ist — es gibt schlicht keine Kontroll- oder Filterinstanz, die gespeichertes Wissen wieder herauslöst.

Von dort geht es weiter durch die Woche: die absurde Preispolitik bei GPU-Hardware und warum OpenAI, Google, Amazon, Meta und Microsoft eigene Chips bauen. Rekursive Modelle und World Models als Entwicklungszweige jenseits reiner Generierung. Lokale Hardware, die bald so viel kostet wie ein gut ausgestatteter VW Golf. Und schließlich das unterschätzte Thema: KI-Governance, Token-Kostenkontrolle und Cybersecurity — inklusive eines sehr realen Szenarios, wie eine kompromittierte Integration in Claude Code fremde Tokens verbrennt.

Am Ende steht die eigentliche Botschaft: KI-Sicherheit gehört nicht in die Ecke der Entwickler, sondern zentral gedacht.

Mehr zu Alexander Oelling: https://www.linkedin.com/in/alexanderoelling/

Ein KI-Agent bricht vollautomatisch in Systeme ein, verschlüsselt Daten, schreibt einen Erpresserbrief — und vermasselt dann die Bitcoin-Adresse, weil er halluziniert. Klingt wie Satire, ist aber der erste dokumentierte Fall autonomer KI-Ransomware. Genau hier steigt Folge 3 ein.

Alexander Oelling nimmt sich vier Schlagzeilen der Woche vor und zeigt, was darunter liegt: die überraschende Sperrung von Fable 5 für Nicht-US-Nutzer und die Geschichte dahinter (Cybersecurity-Lücken, ein Anruf im Weißen Haus, Export als Regulierungswaffe), der Aufstieg chinesischer Open-Source-Modelle, die knapp hinter den Top-Modellen liegen und 60–90 % günstiger sind, und die Frage, warum Anthropic OpenAI beim Umsatz überholt — bei Kosten, die praktisch unbegrenzt weiterlaufen.

Der eigentliche Kern der Folge ist aber unbequemer: Warum kommt trotz immer mächtigerer KI so wenig davon im Unternehmen an? Alex' Antwort dreht sich weniger um Technik als um Kontrolle. Am Beispiel eines Fahrstuhltechnikers und eines CEOs, der sich „mal eben" ein Dashboard aus Cloud Code zieht, macht er sichtbar, wie schnell man in Shadow IT, Datenabfluss unter dem US Cloud Act und den Verlust der eigenen Datenhoheit rutscht. Dazu: Warum ein lokaler Token nur Strom kostet, warum seine eigene Stromrechnung von 70 auf 500 Euro im Monat gesprungen ist, und was digitale Souveränität wirklich bedeutet — nämlich Prozesse, Daten und Kosten kontrollieren zu können, nicht „Open Source" auf eine Folie zu schreiben.

Am Ende ein Satz, der hängenbleibt: KI ohne Process Owner ist Spielzeug.

Mehr zu Alexander Oelling: https://www.linkedin.com/in/alexanderoelling/

In Folge 2 von AI Uncut wird's konkret: Alexander Oelling, Gründer und Geschäftsführer von INXM, erklärt so einfach wie möglich, woran KI in Unternehmen wirklich scheitert — und was sein Start-up dagegen baut.

Der Ausgangspunkt: Bei Volocopter und Isar Aerospace stand Alex vor dem Problem, Zehntausende Bauteile mit je eigenem „Aktenordner" an Anforderungen in ein System zu bringen — eine Komplexität, die kein Mensch in vertretbarer Zeit lösen kann. Die verfügbaren KI-Systeme scheiterten an ihren eingebauten Grenzen: begrenzte Kontextfenster, Informationsverlust bei der Komprimierung und vor allem Halluzinationen. Alex bringt es auf den Punkt: KI-Systeme sind probabilistisch — sie liefern nicht bei jedem Durchlauf dasselbe Ergebnis. Bei der Wochenendplanung egal, bei kritischen Bauteilen für eine Rakete mit hundert Tonnen Treibstoff ein Riesenproblem.

Die Lösung von INXM heißt Compiled AI: Statt die KI jedes Mal neu „nachdenken" zu lassen, merkt sich das System, wie ein Ergebnis zustande kam, und macht diesen Prozess deterministisch wiederholbar — immer wieder gleich, schneller und drastisch günstiger. Alex erklärt das Prinzip mit einem Bild, das hängenbleibt: einem Raum voller Nobelpreisträger, die einen Fernseher an die Wand bringen sollen.

Außerdem in dieser Folge: Was ist eine API — erklärt für Mutti Juti? Warum werden schlauere Modelle nicht automatisch zuverlässiger? Und warum ist lokale KI auf dem eigenen Gerät ein Game Changer — für Kosten, Datenschutz und Souveränität? Dazu ein Blick auf Nvidias neue Hardware aus Taiwan, explodierende Speicherpreise und die unbequeme Wahrheit, dass jeder Token für die US-Anbieter reine Marge ist — 70 %, um genau zu sein.

Ehrlich, tief und kantig — KI, wie sie wirklich funktioniert.

Mehr zu Alexander Oelling: https://www.linkedin.com/in/alexanderoelling/

KI, wie sie im Business wirklich arbeitet — kein Hype, keine Benchmarks, sondern gelebte Praxis. In der ersten Folge von AI Uncut lernt ihr Alexander Oelling kennen: Tech-Praktiker, Gründer von INXM und jemand, der KI nicht nur kommentiert, sondern in mission-critical Systemen selbst implementiert hat.

Vom 386er bis zur Rakete: Alex erzählt seinen Werdegang vom technikbesessenen Kind über zwei eigene Start-ups bis zu Volocopter, wo er ein über 100-köpfiges Team beim Aufbau eines ERP-Systems leitete, und Isar Aerospace, wo er an einer der ersten vom europäischen Festland gestarteten Raketen mitbaute. Warum nennt man es eigentlich „Rocket Science" — und warum ist der eigentliche Kraftakt das „Rocket Manufacturing"?

Dann der Sprung zur KI: Alex schildert, warum er 2018 einem bekannten KI-Gründer wörtlich sagte „Ich glaub nicht dran" — und was sich Ende Januar 2026 für ihn schlagartig veränderte. Der Dreiklang aus sinkenden Tokenkosten, höherer Geschwindigkeit und PhD-Level-Intelligenz, die plötzlich lokal und ohne Internetverbindung läuft, brachte für ihn seine ursprüngliche Vision in Reichweite: zuverlässige, souveräne KI überall.

Außerdem: warum Zuverlässigkeit wichtiger ist als IQ-Benchmarks, was ein E-Ink-Bilderrahmen mit KI zu tun hat, das riesige Delta zwischen dem, was KI heute kann, und dem, was tatsächlich genutzt wird — und warum Alex die amerikanische Mission, eine „KI-Gottheit" zu erschaffen, kritisch sieht. Stichworte: Human in the Loop, Skynet und die Frage, wem die Androiden von morgen eigentlich gehören.

Ehrlich, tief und kantig — genau so, wie KI diskutiert werden sollte.

Mehr zu Alexander Oelling: https://www.linkedin.com/in/alexanderoelling/