Prompt mich mal! — Der Podcast über KI, ChatGPT & kreative Prompts

Codex begann als KI-Assistent für Entwickler. Doch die neuesten Erweiterungen zeigen, dass OpenAI inzwischen deutlich größere Ambitionen verfolgt.Mit Funktionen wie der automatischen Erstellung und dem Hosting von Webseiten, rollenspezifischen Plugins für Fachabteilungen und gezielten Änderungsmöglichkeiten entwickelt sich Codex zunehmend zu einer universellen Arbeitsplattform.Die zentrale Idee dahinter: Nutzer sollen nicht mehr einzelne Werkzeuge bedienen müssen, sondern ihre Ziele beschreiben. Die KI übernimmt anschließend die Umsetzung über verschiedene Systeme hinweg.Dadurch verschwimmen traditionelle Grenzen zwischen Entwicklern, Fachanwendern und Softwareprodukten zunehmend.Die Folge beleuchtet:

•  warum Codex längst kein reines Coding-Tool mehr ist 
•  wie KI-Agenten ganze Arbeitsabläufe übernehmen 
•  weshalb Business-Software zunehmend abstrahiert wird 
•  und welche Auswirkungen diese Entwicklung auf Unternehmen und Wissensarbeit haben könnte 

Denn die eigentliche Frage lautet vielleicht nicht mehr, welche Software wir nutzen – sondern welche Aufgaben wir überhaupt noch selbst erledigen müssen.

Der Begriff „AI Operating System“ ist aktuell überall. Start-ups, Tech-Unternehmen und Influencer sprechen von KI-Betriebssystemen, die Arbeit organisieren, Wissen verwalten und ganze Prozesse steuern sollen.Doch technisch betrachtet ist diese Bezeichnung problematisch.
Echte Betriebssysteme basieren auf klaren Regeln, Ressourcenverwaltung, Prozesskontrolle und hoher Zuverlässigkeit. KI-Systeme hingegen arbeiten probabilistisch, erzeugen Wahrscheinlichkeiten statt Gewissheiten und verfügen weder über einen stabilen Kernel noch über eine globale Kontrolle aller Prozesse.
Das bedeutet nicht, dass Agenten-Plattformen oder KI-Frameworks wertlos sind – im Gegenteil. 

Sie können enorme Produktivitätsgewinne ermöglichen und komplexe Workflows automatisieren.Die Gefahr entsteht erst dann, wenn Marketing-Begriffe falsche Erwartungen erzeugen.Die Folge beleuchtet:

•  was ein Betriebssystem technisch tatsächlich ausmacht 
•  warum KI-Agenten anders funktionieren 
•  welche Risiken durch überhöhte Erwartungen entstehen 
•  und weshalb präzise Sprache für die Zukunft der KI wichtiger wird 

Denn manchmal entscheidet die Metapher darüber, wie wir Technologie verstehen.

Wir reden bei neuen KI-Modellen oft über Geschwindigkeit, Kontextfenster oder Benchmarks. Doch die spannendste Veränderung bei Claude 4.8 ist eine andere: Das Modell beginnt selbst zu entscheiden, wie intensiv es über ein Problem nachdenken muss. Genau das könnte ein Hinweis darauf sein, wohin sich die nächste Generation intelligenter Systeme entwickelt.

Die eigentliche Zukunft der KI liegt möglicherweise nicht in immer größeren Modellen, sondern in Systemen, die ihre Aufmerksamkeit, Energie und Denkstrategie flexibel an die jeweilige Aufgabe anpassen. Claude 4.8 zeigt damit einen Wandel von reiner Leistungssteigerung hin zu intelligenter Ressourcensteuerung – und genau das könnte die Grundlage zukünftiger Agentensysteme werden.

Weiterführende Literatur zu diesem Thema: 

Autin, F., & Croizet, J.-C. (2012). Improving working memory efficiency by reframing metacognitive interpretation of task difficulty. Journal of Experimental Psychology: General, 141(4), 610–618. https://doi.org/10.1037/a0027478
Bick, A., Blandin, A., & Deming, D. (2024). The Rapid Adoption of Generative AI (Nr. W32966; S. w32966). National Bureau of Economic Research. https://doi.org/10.3386/w32966
Brod, C. (1984). Technostress: The human cost of the computer revolution. Addison-Wesley.
Chuang, Y.-T., Chiang, H.-L., & Lin, A.-P. (2025). Insights from the Job Demands–Resources Model: AI’s dual impact on employees’ work and life well-being. International Journal of Information Management, 83, 102887. https://doi.org/10.1016/j.ijinfomgt.2025.102887
Edmondson, A. C., & Bransby, D. P. (2023). Psychological Safety Comes of Age: Observed Themes in an Established Literature. Annual Review of Organizational Psychology and Organizational Behavior, 10(1), 55–78. https://doi.org/10.1146/annurev-orgpsych-120920-055217
Grange, C., Demazure, T., Ringeval, M., Bourdeau, S., & Martineau, C. (2026). The Human‐ GenAI Value Loop in Human‐Centered Innovation: Beyond the Magical Narrative. Information Systems Journal, 36(1), 29–51. https://doi.org/10.1111/isj.12602
Kotter, J. P. (2012). Leading change. Harvard Business Review Press.
Luhmann, N. (2000). Organisation und Entscheidung. Westdeutscher Verlag.
Maslej, N. (2025). Artificial Intelligence Index Report 2025. Artificial Intelligence.
Myszak, J. M., & Filina-Dawidowicz, L. (2025). Leaders’ Competencies and Skills in the Era of Artificial Intelligence: A Scoping Review. Applied Sciences, 15(18), 10271. https://doi.org/10.3390/app151810271
Nagi, Dr. M. (2020). Reverse Mentoring-A Tool to Develop Future Leaders for Organizations. Journal of Advanced Research in Dynamical and Control Systems, 12(SP7), 605–608. https://doi.org/10.5373/JARDCS/V12SP7/20202148
OECD. (2024). Artificial intelligence and the changing demand for skills in the labour market (OECD Artificial Intelligence Papers Nr. 14; OECD Artificial Intelligence Papers, Bd. 14). https://doi.org/10.1787/88684e36-en
Reiß, M., Rosenstiel, L. von, & Lanz, A. (Hrsg.). (1997). Change-Management: Programme, Projekte und Prozesse. Schäffer-Poeschel.
Scharmer, C. O. (2018). The essentials of Theory U: Core principles and applications (First edition). BK, Berrett-Koehler Publishers, Inc., a BK Business book.
Scoggin, J. (2025). Cognitive Machines and Cultural Shifts: How AI Redefines Organizational Development and Consulting Practice. International Journal of Behavior Studies in Organizations, 14, 50–60. https://doi.org/10.32038/jbso.2025.14.04
Sha, C., & Chai, T. (2025). When digital-AI transformation sparks adaptation: Job crafting and AI knowledge in job insecurity contexts. Frontiers in Psychology, 16, 1612245. https://doi.org/10.3389/fpsyg.2025.1612245
Tadimalla, S. Y., & Maher, M. L. (2026). AI Identity as a Boundary Object: Unpacking the Intersection of AI and Identity. Proceedings of the Extended Abstracts of the 2026 CHI Conference on Human Factors in Computing Systems, 1–9. https://doi.org/10.1145/3772363.3798844
Villa, R. A., & Thousand, J. S. (Hrsg.). (2000). Restructuring for caring and effective education: Piecing the puzzle together (2nd ed). P.H. Brooks Pub.
Wandoko, W., Abbas, B. S., Budiastuti, D., & Kosala, R. (2017). Online trust building through third party trust transfer and third party protection. Journal of Physics: Conference Series, 801, 012060. https://doi.org/10.1088/1742-6596/801/1/012060
Weick, K. E. (2010). Sensemaking in organizations (Nachdr.). Sage Publ.

Die Google I/O 2026 zeigt deutlicher als je zuvor, wohin sich das Internet entwickelt: weg von klassischen Apps und Suchmaschinen – hin zu einem agentischen Web.Mit Gemini integriert Google KI-Agenten direkt in Betriebssysteme und digitale Interfaces. Systeme wie Gemini Spark sollen Aufgaben künftig eigenständig im Hintergrund erledigen, anstatt nur auf einzelne Prompts zu reagieren.Gleichzeitig verändert sich die Art, wie Menschen mit Technologie interagieren:
Die klassische Suche wird zunehmend durch dialogorientierte Interfaces ersetzt, während neue Hardware wie Android-XR-Brillen und das Googlebook eine KI-zentrierte Nutzung in den Mittelpunkt stellen.Auch auf Modellebene zeigt sich dieser Wandel:
Gemini 3.5 Flash und Gemini Omni setzen verstärkt auf multimodale Fähigkeiten, schnellere Verarbeitung und agentisches Verhalten über verschiedene Anwendungen hinweg.Die Folge beleuchtet:

• warum Google vom „agentischen Web“ spricht
• wie KI-Agenten digitale Arbeit verändern könnten
• weshalb klassische Suchmaschinen zunehmend verschwinden
• und warum neue Sicherheitsmechanismen wie SynthID wichtiger werden

Denn die eigentliche Veränderung ist vielleicht nicht ein besseres Modell –
sondern ein Internet, das beginnt, selbstständig zu handeln.

https://blog.google/intl/de-de/unternehmen/technologie/sundar-pichai-io-2026/

Social Media wirkt oft spontan und chaotisch.
Doch hinter jedem Feed arbeiten KI-Systeme, die permanent entscheiden, welche Inhalte sichtbar werden – und welche nicht.Likes, Verweildauer, Kommentare und emotionale Reaktionen dienen dabei als Trainingsdaten für Algorithmen, die unsere Aufmerksamkeit möglichst lange halten sollen.
Das Problem:
Nicht die sachlichsten Inhalte gewinnen Reichweite, sondern häufig die emotionalsten.Wut, Empörung und extreme Meinungen verbreiten sich deshalb oft schneller als differenzierte Inhalte. Gleichzeitig entstehen personalisierte Feeds, die dazu führen können, dass Menschen zunehmend unterschiedliche digitale Realitäten erleben.
Diese Folge beleuchtet:

•  wie moderne Empfehlungsalgorithmen funktionieren 
•  warum KI emotionale Aktivierung optimiert 
•  wie Filterblasen und Echokammern entstehen 
•  und weshalb Aufmerksamkeit zur wichtigsten Ressource des Internets geworden ist 

Denn die vielleicht wichtigste Frage lautet längst nicht mehr: Was sehen wir online?
Sondern: Warum sehen wir genau das?

KI verändert Recruiting-Prozesse spürbar: Chatbots beantworten Standardfragen, Algorithmen unterstützen bei der Vorauswahl und digitale Persönlichkeitstests versprechen objektivere Entscheidungen.
Doch genau hier beginnt das Problem.
Viele Bewerber empfinden KI-gestützte Prozesse als unpersönlich, wenig transparent oder sogar unfair. Gleichzeitig zeigen aktuelle Analysen, dass automatisierte Bewertungen nicht automatisch valide sind. Persönlichkeitstests können durch äußere Faktoren wie Kleidung, Bildhintergründe oder technische Rahmenbedingungen beeinflusst werden.
Auch die Nutzung von KI durch Bewerber selbst wird ambivalent bewertet. Nach der Signal-Theorie kann erkennbare KI-Unterstützung den Eindruck geringerer Eigenleistung erzeugen und damit Bewerbungschancen verschlechtern.
Diese Folge zeigt, warum KI im Recruiting nicht grundsätzlich schlecht ist – aber sehr gezielt eingesetzt werden muss. Denn Effizienz ersetzt nicht Vertrauen. Und gerade im Bewerbungsprozess bleibt der persönliche Kontakt ein entscheidender Erfolgsfaktor.

Über diese Episode: In dieser Folge widmen wir uns der spannenden Frage, wie weit wir eigentlich davon entfernt sind, uns einen eigenen „JARVIS“ (bekannt aus den Iron-Man-Filmen) zu bauen. Die Antwort: Näher, als die meisten denken. Wir beleuchten das Projekt von Tobias Wachtel, der auf seinem normalen MacBook Pro einen komplett lokalen, offline-fähigen KI-Assistenten entwickelt hat, der durch einfaches Händeklatschen aktiviert wird.
Die Architektur des Systems (Die drei Schichten):

• Schicht 1: Der „Türsteher“ (Audio-Trigger): Ein Hintergrundprogramm lauscht auf einen spezifischen akustischen Fingerabdruck – ein Doppelklatschen. Dabei musste explizit programmiert werden, dass immer das interne MacBook-Mikrofon genutzt wird, da verbundene AirPods solche Geräusche für eine bessere Sprachqualität automatisch herausfiltern.
• Schicht 2: Der Dirigent (Automation): Nach dem Klatschen startet eine Choreografie über AppleScript-Befehle: Ein Chrome-Fenster mit Musik (AC/DC) öffnet sich, ein eigenes Dashboard geht intelligent in den Vollbildmodus und ein Sprachfenster erscheint.
• Schicht 3: Die KI-Engines: Hier arbeiten drei künstliche Intelligenzen lokal zusammen, um in unter drei Sekunden zu reagieren:
  • Whisper (faster-whisper): Wandelt die gesprochene deutsche Sprache in unter zwei Sekunden in Text um.
  • Llama 3.2 (über Ollama): Ein effizientes Sprachmodell von Meta (drei Milliarden Parameter), das durch einen Systemprompt darauf trainiert ist, knapp, präzise und leicht ironisch zu antworten.
  • Piper: Ein Text-to-Speech-Tool, das aus dem Text mithilfe der freiwillig eingesprochenen deutschen Stimme „Thorsten“ wieder Sprache macht.

Technische Hürden & das eigene Interface: Das Projekt entstand auf einer Beta-Version von macOS 26, was zu einigen kreativen Workarounds zwang – etwa der Umstieg von der Bibliothek PyQt auf Tkinter, was wiederum komplexe Threading-Probleme mit sich brachte. Um das von Apple integrierte „Audio Ducking“ (das unerwünschte automatische Leiserstellen der Musik, während der Assistent spricht) zu umgehen, schickt Piper die synthetisierte Sprache trickreich am System vorbei direkt an die Soundkarte. Das visuelle Iron-Man-Interface (mit rotierenden Ringen und wandernden Punkten je nach Status) wurde komplett selbst per Programmcode auf eine leere Leinwand gezeichnet, was dem Assistenten eine ganz eigene Persönlichkeit und Lebendigkeit verleiht.
Warum das mehr als eine Spielerei ist: Das System zeigt ein enormes Potenzial für mehr Autonomie im Alltag und in der Pflege. Eine bettlägerige Person könnte allein durch Klatschen den Pflegedienst rufen, Angehörige informieren, das Licht dimmen oder ein Hörbuch starten. Die dafür nötigen Bausteine sind alle längst existent, funktionsfähig und günstig.
Zentrale Erkenntnisse der Folge:

• Lokale KI ist reif: Werkzeuge wie Whisper und Llama sind frei verfügbar, funktionieren ohne Cloud (Datenschutz!) und laufen auf ganz normaler Hardware.
• Die Engpassstelle ist die Integration, nicht die Technik: Jede Komponente ist machbar, aber das nahtlose Zusammenspiel mit der richtigen Latenz und im passenden Kontext ist die eigentliche Arbeit.
• Spielen ist die ehrlichste Forschung: Echte Herausforderungen und Grenzen findet man nicht bei der Planung am Whiteboard, sondern beim pragmatischen Bauen.
• Vom Gimmick zur Infrastruktur: Was heute als Bastelprojekt mit dem Laptop im Wohnzimmer beginnt, legt den Grundstein für den normalen Einsatz von KI in der Pflege, Forschung und Bildung in fünf bis zehn Jahren.

Kennt ihr jemanden, für den eine solche Klatsch-Automation ein Stück Selbstbestimmung bedeuten würde? Dann leitet diese Folge unbedingt weiter! Und wenn ihr selbst Lust bekommen habt, zu experimentieren: Whisper, Ollama und Piper sind völlig frei verfügbar. Ein erstes funktionsfähiges System lässt sich bereits an einem Wochenende bauen.

Weitere Literatur zu diesem Thema:

Autin, F., & Croizet, J.-C. (2012). Improving working memory efficiency by reframing metacognitive interpretation of task difficulty. Journal of Experimental Psychology: General, 141(4), 610–618. https://doi.org/10.1037/a0027478
Bick, A., Blandin, A., & Deming, D. (2024). The Rapid Adoption of Generative AI (Nr. W32966; S. w32966). National 

Bureau of Economic Research. https://doi.org/10.3386/w32966

Brod, C. (1984). Technostress: The human cost of the computer revolution. Addison-Wesley.
Chuang, Y.-T., Chiang, H.-L., & Lin, A.-P. (2025). Insights from the Job Demands–Resources Model: AI’s dual impact on employees’ work and life well-being. International Journal of Information Management, 83, 102887. https://doi.org/10.1016/j.ijinfomgt.2025.102887
Edmondson, A. C., & Bransby, D. P. (2023). Psychological Safety Comes of Age: Observed Themes in an Established Literature. Annual Review of Organizational Psychology and Organizational Behavior, 10(1), 55–78. https://doi.org/10.1146/annurev-orgpsych-120920-055217
Grange, C., Demazure, T., Ringeval, M., Bourdeau, S., & Martineau, C. (2026). The Human‐ GenAI Value Loop in Human‐Centered Innovation: Beyond the Magical Narrative. Information Systems Journal, 36(1), 29–51. https://doi.org/10.1111/isj.12602
Kotter, J. P. (2012). Leading change. Harvard Business Review Press.L
uhmann, N. (2000). Organisation und Entscheidung. Westdeutscher Verlag.
Maslej, N. (2025). Artificial Intelligence Index Report 2025. Artificial Intelligence.
Myszak, J. M., & Filina-Dawidowicz, L. (2025). Leaders’ Competencies and Skills in the Era of Artificial Intelligence: A Scoping Review. Applied Sciences, 15(18), 10271. https://doi.org/10.3390/app151810271
Nagi, Dr. M. (2020). Reverse Mentoring-A Tool to Develop Future Leaders for Organizations. Journal of Advanced Research in Dynamical and Control Systems, 12(SP7), 605–608. https://doi.org/10.5373/JARDCS/V12SP7/20202148
OECD. (2024). Artificial intelligence and the changing demand for skills in the labour market (OECD Artificial Intelligence Papers Nr. 14; OECD Artificial Intelligence Papers, Bd. 14). https://doi.org/10.1787/88684e36-en
Reiß, M., Rosenstiel, L. von, & Lanz, A. (Hrsg.). (1997). Change-Management: Programme, Projekte und Prozesse. Schäffer-Poeschel.
Scharmer, C. O. (2018). The essentials of Theory U: Core principles and applications (First edition). BK, Berrett-Koehler Publishers, Inc., a BK Business book.
Scoggin, J. (2025). Cognitive Machines and Cultural Shifts: How AI Redefines Organizational Development and Consulting Practice. International Journal of Behavior Studies in Organizations, 14, 50–60. https://doi.org/10.32038/jbso.2025.14.04
Sha, C., & Chai, T. (2025). When digital-AI transformation sparks adaptation: Job crafting and AI knowledge in job insecurity contexts. Frontiers in Psychology, 16, 1612245. https://doi.org/10.3389/fpsyg.2025.1612245
Tadimalla, S. Y., & Maher, M. L. (2026). AI Identity as a Boundary Object: Unpacking the Intersection of AI and Identity. Proceedings of the Extended Abstracts of the 2026 CHI Conference on Human Factors in Computing Systems, 1–9. https://doi.org/10.1145/3772363.3798844
Villa, R. A., & Thousand, J. S. (Hrsg.). (2000). Restructuring for caring and effective education: Piecing the puzzle together (2nd ed). P.H. Brooks Pub.
Wandoko, W., Abbas, B. S., Budiastuti, D., & Kosala, R. (2017). Online trust building through third party trust transfer and third party protection. Journal of Physics: Conference Series, 801, 012060. https://doi.org/10.1088/1742-6596/801/1/012060
Weick, K. E. (2010). Sensemaking in organizations (Nachdr.). Sage Publ.

Prompting hat sich jetzt wieder grundlegend verändert.Während früher narrative, „menschliche“ Anweisungen ausgereicht haben, verlangen moderne Modelle wie GPT-5.5 und Claude Opus 4.7 zunehmend präzise, strukturierte Eingaben.
Der Grund: KI interpretiert weniger – und folgt stärker expliziten Anweisungen.
Das bedeutet konkret:
Lose formulierte Prompts erzeugen mehr Rauschen als Nutzen, während klar strukturierte Eingaben – etwa mit XML-Tags oder Markdown – deutlich bessere Ergebnisse liefern.
Gleichzeitig verschiebt sich der Fokus:
Weg vom einzelnen Prompt hin zur Orchestrierung ganzer Workflows und Agentensysteme.Die Rolle des Nutzers verändert sich damit fundamental – vom Ausführenden hin zum strategischen Steuerer komplexer KI-Systeme.