DEEPTECH DEEPTALK

Amerika wettet auf Größe. Europa hatte nie das Geld dafür und setzt deshalb auf Methode statt Muskel.

Ein paar Wochen reichen für eine bemerkenswerte Bilanz. Mistral legt ein neues großes Sprachmodell vor, Black Forest Labs eine Modellfamilie für Bild und Video, NEURA Robotics aus Metzingen ein eigenes Foundation Model für Roboter, das sieht, hört, tastet und sich erinnert. Oliver Rößling und Alois Krtil wollen wissen, wie das ohne die Summen geht, die in den USA in Rechenzentren fließen.

Die Antwort ist für beide Seiten unbequem. Das Rennen um immer größere Sprachmodelle konnte Europa nie gewinnen, weil es sein Kapital nicht auf ein, zwei Champions bündelt. In den USA ist genau das passiert. Eine Handvoll Anbieter hat so viel Geld verbaut, dass es sich nur über Masse zurückverdienen lässt. Das ist eine Wette auf ein einziges Pferd und ein Single Point of Failure, falls Modelle schneller zur Massenware werden als geplant. Was wie Europas Schwäche aussah, wird so zum Vorteil. Geplant war das nicht.

Bleibt die Sorge vor der großen Einkaufstour. Aleph Alpha geht bereits im kanadischen Anbieter Cohere auf. Nur verliert ein europäisches KI-Unternehmen, sobald es amerikanisch wird, genau das, wofür man es gekauft hat: das Vertrauen von Kunden, die ihre Daten nicht in fremden Trainingssystemen sehen wollen. Dazu kommt ein Paradox: Mit amerikanischen Frontier-Modellen lässt sich amerikanische Business-Software inzwischen in Teilen nachbauen.

Die zweite Hälfte wird handfest. Wer auf eine heiße Herdplatte fasst, zieht die Hand weg, bevor das Sprachzentrum etwas dazu sagt. Ein Sprachmodell kennt diesen Reflex nicht, ihm fehlt jede Wahrnehmung von Raum und Physik. Roboter lernen dagegen aus harten Fakten, und was ein Gerät beim Umkippen lernt, lernt die Flotte mit. Der Hebel liegt in der Orchestrierung, nicht in immer größeren Modellen. Wer für jede Frage das Frontier-Modell anwirft, schlägt einen Bastelnagel mit dem Vorschlaghammer ein.

Hör rein, wenn du wissen willst, warum Europas KI gerade dort aufholt, wo Geld allein nicht reicht.

Aus der Folge

• Was in wenigen Wochen auf allen Ebenen des europäischen KI-Stacks passiert ist
• Warum die Konzentration auf wenige US-Anbieter zum Single Point of Failure werden kann
• Weshalb ein europäisches KI-Unternehmen nach einem Verkauf in die USA genau das verliert, wofür es gekauft wurde
• Wie amerikanische Frontier-Modelle helfen, amerikanische Software nachzubauen
• Warum ein Sprachmodell allein keinen Roboter steuern kann
• Weshalb bei der Modellwahl oft das Problem vor dem Rechner sitzt

*Korrektur zur Aufnahme: NEURA Robotics sitzt in Metzingen, nicht in Memmingen.

Nach einer kurzen Sendepause sind Oliver und Alois endlich wieder zurück im DEEPTECH DEEPTALK. In der KI-Welt ist aktuell wieder viel los, und in dieser Folge widmen wir uns den heiß diskutierten Entwicklungen rund um AI Safety und Security.

Wir beleuchten die Forderungen nach einem weltweiten "AI Slowdown" von Tech-Größen wie Elon Musk und hinterfragen, wie realistisch das in der Praxis ist oder ob es sich dabei doch eher um PR-Stunts zur Vorbereitung kommender Börsengänge handelt. Außerdem werfen wir einen genauen Blick auf die realen Gefahren durch teilautonome Agenten-Schwärme, die inzwischen mit "Deep Reasoning" komplexe Sicherheitslücken in Sandboxes systematisch aushebeln.

Die wichtigsten Learnings dieser Folge:

• PR oder echte Panik? Warum Forderungen nach einem Slowdown in der KI-Entwicklung auch strategische und marketingtechnische Motive haben könnten.
• Schwarm-Hacking: Wie agentische KI-Systeme Sicherheitsbarrieren gezielt umgehen, Spuren verwischen und warum traditionelles Guardrailing (Sicherheitsleitplanken) massiv an seine Grenzen stößt.
• Das Brechen von Regeln: Die Gefahr von Modellen, die einen so starken Trieb zur Zielerreichung besitzen, dass sie Ausnahmen für das Brechen von Restriktionen argumentativ rechtfertigen können.
• Fehlende "Ground Truth": Warum aktuelle Sprachmodelle (LLMs) kein echtes physikalisches Weltverständnis haben und darauf angewiesen sind, dass wir Menschen ihnen die Realität vorgeben.
• Automatisierte Gefahren: Wie KI-gesteuertes Social Engineering skaliert und massenhafte Hacking-Angriffe ermöglicht, die theoretisch jeden im digitalen Raum treffen können.

Viel Spaß beim Reinhören!

In dieser spontanen Folge haben wir Dr. Michael Müller-Wünsch (MüWü), den Technologie-Vorstand der Marke Otto, bei uns zu Gast. Während viele Unternehmen beim Thema Künstliche Intelligenz noch in strategischen Grundsatzdiskussionen feststecken oder aus Unsicherheit abwarten, plädiert MüWü für einen pragmatischen Ansatz: Willkommen im #Makerland. Es geht darum, aus der reinen Beobachterrolle herauszutreten und den technologischen Wandel wieder aktiv und mutig zu gestalten.

Wir sprechen in dieser Folge darüber, warum klassische Zehnjahrespläne in der aktuellen KI-Dynamik völlig obsolet sind. MüWü erklärt, wie sich stattdessen mit fokussierten 90-Tage-Sprints echte Use Cases validieren lassen als risikoarme Entscheidungen, die jederzeit korrigiert werden können. Ein weiteres zentrales Thema unserer Diskussion ist die digitale Souveränität. Mit dem treffenden Bild des „digitalen Suezkanals“ beleuchten wir die Gefahr von einseitigen Abhängigkeiten und plötzlichen Service-Ausfällen durch große US-Anbieter. Wir diskutieren, warum ein zeitgemäßes Risikomanagement heute zwingend lokale Infrastrukturen, europäische Optionen und Multi-Cloud-Strategien erfordert.

Darüber hinaus werfen wir einen kritischen Blick auf unseren alltäglichen Umgang mit Informationen. In einer Zeit, in der global jede Sekunde 60.000 Fotos entstehen, ersticken wir zunehmend an unreflektiertem Datenmüll. Wir beleuchten, wie smarte, lokale KI-Agenten künftig beim digitalen Aufräumen helfen müssen und warum in einer Ära immer perfekterer Deepfakes die nachweisbare „Echtheit“ von Informationen zur wertvollsten Währung für Gesellschaft und Wirtschaft wird. Eine Episode über technologische Eigenständigkeit, den Aufbau echter KI-Datenkompetenz und den Mut, einfach mal zu machen.

Modelle wie die von OpenAI oder Anthropic werden zur Commodity. Wer ein bisschen wartet, bekommt die gleiche Qualität ohnehin von mehreren Anbietern. Was bleibt, ist die Architektur drumherum, der Harness. Oliver und Alois erklären, wie Unternehmen General-Purpose-Modelle mit Speicher, Prompts und Agenten so einbetten, dass ein verlässliches eigenes System entsteht. Für manche Startups ist das schon die neue Core IT der Firma.

Ein Thema ist das Geschäftsmodell dahinter: günstige Einstiegszugänge für 100 bis 300 Dollar im Monat binden Early Adopter in Teams, bis am Ende die großen Enterprise-Tickets über die API laufen.

Lizenzchaos als Symptom: Kontingente wechseln wöchentlich, Power User werden automatisch gedrosselt, SLAs sind kaum planbar. Was früher eine feste DSL-Leitung war, ist heute eine Blackbox mit wechselnder Durchsatzrate. Wer eine verlässliche Entwicklungsstrecke bauen will, baut sie momentan auf Treibsand.

Für Oliver und Alois ist das ein Argument für Dezentralisierung: eigene On-Prem-Architekturen, eingefrorene Modelle für stabile Use Cases, das Frontier-Modell nur noch als Dispatcher. Gerade im Verteidigungssektor, mit verteilten Datenquellen und Sensorik, wird daraus ein hierarchischer oder asymmetrischer Harness aus Spezialmodellen.

China im Vergleich: weniger Brute Force, mehr Smart Force, dazu eine Open-Source-Szene, die mit weniger Rechenleistung mehr rausholt. Für europäische Anwender sind chinesische und amerikanische Modelle inzwischen ähnlich compliant. Bei sensiblen Workloads bleibt trotzdem die eigene Infrastruktur die sicherere Wahl.

Für den Einstieg raten beide zu fertigen Plattformlösungen mit fester Modellauswahl. Das senkt die Hürde und liefert schnell ein erstes Ergebnis. Je klarer der eigene Use Case wird und je mehr proprietäre Daten und Geschäftslogik einfließen, desto mehr lohnt sich der Wechsel zum eigenen Harness statt der fremden One-Click-Lösung.

Fazit: Harnessing ist am Ende eine Make-or-Buy-Entscheidung. Die großen Anbieter liefern den Göffel, die Mischung aus Löffel und Gabel für fast alles. Wer sein eigenes Besteck zusammenstellt, tauscht die stumpfe Gabel gegen ein schärferes Werkzeug, sobald der Use Case es verlangt. Wenn du wissen willst, wie das geht, ist diese Folge für dich.

In dieser Folge des DEEPTECH DEEPTALK ordnen Oliver Rößling und Alois Krtil ein, was es bedeutet, wenn der amerikanische Staat den eigenen Frontier Modellen plötzlich die Leine anlegt. Die USA verkauften sich jahrelang als der Ort, an dem KI ohne Bremsen läuft. Jetzt stehen erste regulatorische Eingriffe neben der Ankündigung von 100 Prozent Digitalzöllen als Antwort auf die europäischen Acts. Das trifft tokenbasierte, hochsubventionierte Geschäftsmodelle direkt an der Refinanzierung. Profiteur könnte Europa sein. Modelle wie Mistral gewinnen an Boden, auch als Schutz vor einer Übernahme durch amerikanische oder chinesische Käufer.

Den Kern der Folge bildet die These, dass nicht die Modellgröße zählt, sondern die Architektur darum herum. Kleine gehärtete Modelle mit Quelle, Fehlercode und Diagnose schlagen ein Frontier Modell überall dort, wo proprietäre Industriedaten, kritische Infrastruktur oder Edge-Einsatz in Drohnen und Sensorik gefragt sind. Daneben geht es um die Frage, wie man gewachsene ERP-Systeme angreift, ohne die Bilanz zu sprengen. Modul für Modul von innen aushöhlen statt einer Komplettablösung lautet die Strategie. Welcher Stein im Jenga-Turm der Legacy IT sich noch ziehen lässt, bevor das System kippt, bleibt am Ende eine Frage fürs Management.

Zum Schluss geht es um das europäische Zeitfenster. Neue Vergabelogiken wie in Paris oder Estland geben auch kleinen Anbietern eine Chance. Talent-Hotspots wie Station F oder King's Cross ziehen Köpfe und Kapital an. Krtils These zum Schluss: Die eigentliche Gefahr liegt nicht in einer durch Open Source entstehenden Superintelligenz, sondern in der Machtkonzentration bei wenigen Anbietern mit milliardenschweren Staatsverträgen über Jahrzehnte.

Key Learnings

• US-Regulatorik wird zur Waffe. 100 Prozent Digitalzölle als Antwort auf die europäischen Acts und ein erster regulatorischer Eingriff bei Frontier Modellen setzen tokenbasierte, hochsubventionierte Geschäftsmodelle an der Refinanzierung unter Druck.
• Kleine Modelle schlagen große dort, wo es zählt. Gehärtete Branchenmodelle mit Quelle, Fehlercode und Diagnose liefern für proprietäre Industriedaten und Edge-Einsatz verlässlichere Antworten als ein Frontier Modell.
• Wert entsteht durch Architektur, nicht durch Modellgröße. Orchestrierung, Guardrails und Härtung um das Modell herum entscheiden, ob ein System im B2B-Umfeld überhaupt einsatzfähig wird.
• Legacy IT lässt sich nicht ersetzen, nur aushöhlen. Modul für Modul von innen aushöhlen erhält den bilanziellen Wert und vermeidet eine teure Komplettablösung.
• Europa hat ein Zeitfenster, kein Zeitproblem. Neue Vergabelogiken in Paris oder Estland öffnen Beschaffung auch für kleine Anbieter. Talent-Hotspots wie Station F oder King's Cross ziehen zusätzlich Köpfe und Kapital an.
• Die größere Gefahr ist Machtkonzentration, nicht Open Source. Wenige Anbieter mit milliardenschweren, jahrzehntelangen Staatsverträgen sind nach Krtils Einschätzung das eigentliche Risiko, nicht eine durch offene Modelle entstehende Superintelligenz.

Diese Folge widmet sich den Begriffen Resilienz und Souveränität und versucht, sie aus dem abstrakten Raum in den Alltag zu holen; von der Logistik im Hamburger Hafen bis zur KI auf dem Gefechtsfeld. Der Talk ordnet ein, warum Verteidigung, Dual Use und kritische Infrastruktur derzeit zusammen gedacht werden müssen, und bleibt dabei mechanikorientiert statt wertend. Eine inhaltliche Beobachtung: Stellenweise bleibt es bei der Bestandsaufnahme; konkrete Beispiele, Zahlen oder ein Praxisfall hätten manche Thesen (etwa zu Edge-KI oder Token Economics) greifbarer gemacht.

Die Haupt-Learnings

• Resilienz und Souveränität sind Sammelbegriffe für viele konkrete Felder: Verteidigung, Dual Use, Wertschöpfungsketten, kritische Infrastruktur (Kritis), Logistik, Space und zunehmend auch Nachhaltigkeit („enkelfähig denken").
• Es geht nicht um Unabhängigkeit, sondern um Handlungsfähigkeit. Entscheidend ist, einseitige Abhängigkeiten zu erkennen und zu managen – etwa durch mehrere Zulieferer, eigene Tech-Stacks und neue Sourcing-Strategien.
• Krisen härten Technologie und beschleunigen Innovation. Unter realem Druck entstehen Drohnen, Sensorik und Edge/Federated AI, die robust erprobt und über Dual Use später auch zivil nutzbar sind.
• Militär denkt „Bottom-up", Big Tech „Top-down". Statt immer größerer Modelle und tokenbasierter Dauernutzung zählen ressourceneffiziente On-Prem-Lösungen, „Smart Force"- statt „Brute Force"-KI und spezialisierte Hardware.
• Ein starkes Ökosystem braucht drei Dinge: Mindset, Finanzierung und Talent. Eine klare Mission liefert das Mindset fast von selbst; europäische Fonds-Allianzen öffnen sich; Talente brauchen attraktive Perspektiven.
• Die Haltung gegenüber Verteidigung hat sich gedreht – von Tabuthema zu legitimem, teils patriotisch motiviertem Investitionsfeld.
• Innovation entsteht durch Technologiekonvergenz, an den Schnittstellen verschiedener Hardware-, Software- und Forschungsdisziplinen.
• Hamburg hat als Standort starke Karten: Exzellenzforschung, hohe Interaktionsdichte und die Rolle als zentraler Kritis-Standort (Hafen, Logistik).

Fazit

Europäische Souveränität ist kein kurzfristiges Krisenthema, sondern eine Daueraufgabe – und zugleich eine Chance, im Innovationswettbewerb wieder aufzuschließen. The Forge am Deep Tech Campus setzt hier an: Die Initiative vernetzt Forschung, Investoren und Startups in Hamburg und überregional, um aus vorhandenem Potenzial Handlungsfähigkeit zu machen. Die zentrale Botschaft der Folge: Abwarten ist keine Option – es gilt, ins Machen zu kommen. Wer mitwirken möchte, findet The Forge auf deeptech.hamburg.

In dieser Folge geht es um einen Widerspruch, der den europäischen KI-Markt aktuell prägt: Während die großen Infrastrukturbetreiber in immer kürzeren Abständen massive Updates ausspielen, verharrt ein Großteil der hiesigen Wirtschaft in einer ausgeprägten Abwartehaltung. Unsicherheit, Angst vor Fehlentscheidungen und das parallele Einprasseln geopolitischer, technologischer und regulatorischer Themen führen dazu, dass viele Organisationen die fällige Transformation vor sich herschieben.

Ein zentraler Strang dreht sich um die Ökonomie der KI selbst. Die Amortisierungslogik der Hyperscale-Rechenzentren wirft Fragen auf, zumal sich Technologie und Preisstrukturen schneller wandeln als jede klassische Investitionsrechnung. Hinzu kommt eine neue Doppelrechnung: Wer früher 200 Personen brauchte, kommt heute mit 20 aus, zahlt diesen Vorteil aber zunehmend in Tokenkosten zurück. Token-Effizienz wird damit zur eigentlichen Schlüsselgröße, nicht der reine Tokenpreis. Modelle, die zuverlässig zum Ziel führen, sind ökonomisch oft sinnvoller als günstige Modelle, die sich verirren.

Parallel dazu hat sich die Governance-Diskussion in der Tiefe verändert. Compliance-Themen, Datensouveränität und die Frage, auf welche Anbieter man sich überhaupt verlassen will, prägen heute fast jedes ernsthafte Projekt. Dabei wird zunehmend deutlich, dass die europäische Perspektive zwischen US-amerikanischen und chinesischen Angeboten differenziert betrachtet werden muss, einschließlich der oft übersehenen Tatsache, dass auch Microsoft kein europäischer Anbieter ist.

Inhaltlich verschiebt sich das KI-Narrativ in zwei Richtungen. Zum einen verschwindet das Superintelligenz-Motiv aus der öffentlichen Debatte, KI wird stärker als Werkzeug zur Erweiterung eigener Fähigkeiten verstanden. Zum anderen folgt auf die B2C-Welle der ChatGPT-Jahre nun eine B2B-Phase, in der es um robuste, vertrauenswürdige Systeme, kritische Infrastruktur und die Integration in gewachsene Legacy-Landschaften geht. Genau hier liegen europäische Stärken: Patente, industrielle Datenbestände und Kompetenz in Bereichen jenseits klassischer Sprachmodelle, etwa in Embodied AI, Sensorik, Robotik und neurosymbolischen Ansätzen.

Das wichtigste Learning für Entscheider: Abwarten ist keine Strategie. Wer sich heute nicht ernsthaft mit agentischer KI, mit Make-or-Buy-Fragen, mit Souveränitätsentscheidungen und mit der Ablösung eigener Legacy-Systeme beschäftigt, verspielt seine Position im nächsten Zyklus. Die Folge plädiert für eine selbstbewusste Haltung, für Investitionsmut gegen den Trend und für eine Rückbesinnung auf das, was in Europa traditionell gut funktioniert: ingenieurgetriebene Neugier statt bewahrender Angst.

Ein Ausblick auf die nächste Folge rundet die Episode ab: Im Gespräch mit einem erfahrenen Gast geht es dort darum, wie Innovationsmanagement in Organisationen aussehen muss, die aus der Abwartehaltung herauskommen wollen.

Oliver Rößling und Alois Krtil diskutieren den Paradigmenwechsel von Copilot zu Agent: KI sitzt heute nicht mehr neben dem Piloten, sie fliegt selbst. Agentenflotten, die man nur noch orchestriert, werden zur neuen Normalität, was klassische Organisationsstrukturen fundamental herausfordert. Gleichzeitig erodiert die Grenze zwischen Prototyp und Produkt: Agentische Architekturen ermöglichen heute SLA-konforme, sicherheitsgeprüfte Softwareentwicklung, die früher erfahrene Teams voraussetzte.

Für Europa sehen beide reale Chancen, besonders durch Leapfrogging, Federated Learning und eine starke Forschungslandschaft. Regeln werden nicht als Innovationsbremse verstanden, sondern als historisch bewährte Skalierungsinfrastruktur.

Key Learnings

• Der Shift von Copilot zu Agent vollzieht sich schneller als erwartet, Agentenflotten sind bereits Commodity
• Vibe Coding ist Prototyping, Agenti Coding ist Produktion, der Unterschied ist nicht kosmetisch
• Token-Limits treiben Open-Source-Adoption und Architekturdenken, nicht jede Aufgabe braucht das stärkste Modell
• Leapfrogging macht Digitalisierungsrückstände paradoxerweise zum Vorteil
• Europas regelbasierte Tradition und Forschungsstärke sind ein USP für dezentrale, vertrauenswürdige Systeme
• AGI wird Infrastruktur, still und ohne großes Geschäftsmodell, ähnlich wie das Internet

In dieser Folge des DEEPTECH DEEPTALK ist Hermann D. Grünfeld, Head of Traffic Management bei der Hamburg Port Authority (HPA), eigentlich nur auf einen Kaffee vorbeigekommen. Was folgt, ist ein ungewöhnlich offenes Gespräch über den Einsatz von Quantensimulation im Hafenalltag, digitale Zwillinge ohne Visualisierung und die Frage, warum intelligente Steuerung mehr bringt als jede neue Fahrspur.

Hermanns Kernthese: Ein Hafen funktioniert nicht an der Kaikante, sondern an seiner Hinterlandverbindung. Täglich 16.000 LKW, 142 Kilometer Hafenstraße, 35 Ampeln. Wer hier mehr herausholen will, baut nicht aus. Er optimiert. In Zusammenarbeit mit Fujitsu und der TU Graz setzt die HPA auf Quantum Annealing, eine Quantensimulation und damit eine wichtige Vorstufe zum echten Quantencomputing. Die Technologie berechnet bei sechs koordinierten Kreuzungen Milliarden von Schaltmöglichkeiten und gewinnt daraus 10 bis 15 Prozent mehr Durchsatz. Der Effekt einer neuen Fahrspur, ohne einen Quadratmeter Fläche anzufassen.

Alois Krtil weitet den Blick auf die nächste Technologieklasse: Large Quantitative Models, physikalisch verankerte KI-Systeme, die nicht in Sprache, sondern in Physik denken. Für reale Infrastruktur im Wert von hunderten Millionen Euro ist das keine Zukunftsvision, sondern der logische nächste Schritt. Und Hamburg, mit seiner gewachsenen Komplexität und seinen echten Constraints, ist dafür das beste Reallabor Europas.

• Kapazität ist kein Bauprojekt, sondern ein Steuerungsproblem. ca. 10 bis 15 Prozent mehr Durchsatz durch intelligente Ampelsteuerung entsprechen dem Effekt einer neuen Fahrspur, ohne einen Quadratmeter anzufassen.
• Quantum Annealing ist heute produktiv, nicht morgen. Wichtig zu verstehen: Es handelt sich nicht um echtes Quantencomputing, sondern um eine Quantensimulation, eine leistungsstarke Vorstufe. Sie läuft im Hamburger Hafen, vollautomatisch, mit messbaren Ergebnissen bei einem Optimierungsproblem, das klassische Rechner schlicht überfordert.
• Visualisierung war ein Missverständnis. Ein digitaler Zwilling muss nicht schön sein. Er muss funktionieren. Steuerung schlägt Darstellung.
• Daten bleiben der eigentliche Engpass. Nicht Rechenpower, nicht Algorithmen. Qualität, Verfügbarkeit und Latenz der Eingangsdaten entscheiden alles.
• Physikalische KI schlägt Sprachmodelle dort, wo es wirklich zählt. Large Quantitative Models halluzinieren nicht. Sie rechnen. Für reale Infrastruktur ist das der entscheidende Unterschied.
• Hamburg ist das bessere Reallabor. Gewachsene Strukturen mit echten Constraints sind kein Nachteil, sondern der härteste und wertvollste Testfall für KI in komplexen Systemen.

🎧 Executive Summary

Die Episode beleuchtet den massiven Hype um Open Claw, ein Open-Source-Tool, das es ermöglicht, KI-Agenten lokal zu installieren und autonom Aufgaben ausführen zu lassen. Oliver und Alois diskutieren die schmale Gratwanderung zwischen faszinierender Produktivitätssteigerung (der „Jarvis“-Traum) und massiven Sicherheitsrisiken („Fahren ohne Anschnallgurt“). Ein zentrales Thema ist der Kontrollverlust, wenn Agenten beginnen, untereinander zu kommunizieren und eigene Lösungswege zu finden.

• Lokal heißt nicht sicher: Die lokale Installation von KI-Agenten (wie Open Claw) gibt diesen oft unbeschränkten Zugriff auf Passwörter, E-Mails und Daten. Ohne "Sandboxing" (isolierte Umgebungen) ist das ein enormes Sicherheitsrisiko.

• Vom Nutzer zum Beobachter: Der Mensch wechselt in den "Spectator Mode". Während der Nutzer schläft, kann der Agent autonom iterieren, Software schreiben, Kurse buchen und Geld ausgeben.

• Emergenz von Agenten-Netzwerken: Es entstehen Plattformen (genannt "Moldbook"), die wie Social Media für KI-Agenten funktionieren. Dort tauschen Agenten Wissen aus (Schwarmintelligenz), entwickeln aber auch skurrile Eigendynamiken (eigene Sprachen, "Religionen").

• Neue Metriken für Arbeit: Produktivität wird künftig anders gemessen. Nicht mehr in Arbeitszeit, sondern in "Token-Effizienz", Autonomie-Grad und der Qualität des "Orchestrierens" von Agenten.

• Hype & Verbreitung: Das GitHub-Repo zu Open Claw hat über 85.000 Sterne. Viele Nutzer installieren den Code unbedarft auf Firmenrechnern.

• Funktionsweise: Der Agent agiert wie ein menschlicher User. Er hat Zugriff auf Maus, Tastatur, Passwörter und Tools. Er kann E-Mails schreiben, Kalender verwalten und im Internet agieren.

• Gefahr: Oliver und Alois vergleichen die aktuelle Nutzung mit "Fahren ohne Gurt". Ein Agent könnte sensible Daten leaken oder sich als der Nutzer ausgeben.

• Best Practice: Erfahrene Nutzer installieren solche Agenten auf isolierter Hardware (z.B. Raspberry Pi oder Mac Minis), um Data Leakage zu verhindern.

• Eigenleben: Agenten können so eingestellt werden, dass sie alle 30 Minuten neue "Prompt Injections" triggern, um ein übergeordnetes Ziel zu erreichen – völlig ohne menschliches Zutun ("Human out of the loop").

• Moldbook: Ein Reddit-ähnliches Netzwerk nur für KI-Agenten. Hier beobachten Menschen nur noch. Agenten tauschen Skills aus, was die Lernkurve massiv beschleunigt, aber auch zu unvorhersehbaren Phänomenen führt (Verschlüsselung, Verschwörungstheorien unter Bots).

• Schwache Agenten: Ähneln klassischer RPA (Robotic Process Automation). Sie arbeiten starr in einem engen Korsett regelbasierter Prozesse. Sicher, aber unflexibel.

• Starke Agenten: Sind hoch-adaptiv (Mixture of Experts). Sie suchen eigene Lösungswege.

  • Risiko: Sie könnten ein Ziel erreichen, aber auf einem Weg, der illegal, zu teuer oder unerwünscht ist (z.B. "Ziel erreicht, aber Budget verbrannt").

• Management: Wir brauchen neue Strukturen wie "Meta-Agenten" (Supervisors) oder "Guardrails", die die Qualität und Sicherheit der ausführenden Agenten überwachen.

• Skill-Shift: Der Mensch wird zum Dirigenten einer "Armee von Minions". Die Fähigkeit, Komplexität zu managen und Critical Ignorance (bewusstes Ignorieren von Info-Flut) zu entwickeln, wird wichtiger als das Abarbeiten von Tasks.

• Big Tech profitiert: Jeder autonome Loop verbraucht Rechenleistung (Tokens). Für Cloud-Anbieter ist dieser Trend ein Goldesel.

• Ressourcen: Es stellt sich die Frage nach der Energieeffizienz. Ist es sinnvoll, wenn Millionen Agenten nachts sinnlose Iterationen durchführen? Es könnte zu einer Rationierung von Rechenpower kommen (nur die effizientesten "Prompter" bekommen Ressourcen).