Think Different. Think AI.

Was macht ihr, wenn das mächtigste Modell einfach nicht will? Mark und Jens nutzen die Lücke vor ihrer nächsten Gästefolge für eine Zwischenfolge ohne Gast und knüpfen dabei an ihre frühere Folge mit René zum Thema Skills an: Dort ging es um Skills für Organisationen und Menschen, hier geht es um die technische Seite: Vibe Coding, KI-Skills und die großen Modelle. Los geht's mit einer Definition: Vibe Coding, der Begriff, den Andrej Karpathy im Februar 2025 geprägt hat, heißt, mit der Maschine zu reden, bis lauffähige Software herauskommt. Vibe Engineering legt noch eine Schicht Kontext und Struktur obendrauf. Mark erzählt dazu, wie Claude Code mit einem Opus-Modell sich stundenlang weigerte, ein konkretes Problem zu lösen, bis er über ein Plugin Codex von OpenAI als Reviewer einklinkte und das Problem prompt gelöst war. Nebenbei entwirren die beiden die Namensverwirrung im Modell-Zoo: Codex ist bei OpenAI mal Modell, mal App, mal Modus, dazu kommen GPT-5.5, Amazon Bedrock, GitHub Copilot und Azure. Wer da nicht durcheinanderkommt, hat aufgepasst.

Der wichtigste praktische Tipp der Folge: Architecture Decision Records (ADRs), und zwar nicht in Word, sondern in Markdown, damit eine KI sie später lesen, auf Konsistenz prüfen und Dubletten finden kann. Wie weit KI-Agenten dabei inzwischen gehen, zeigt eine Anekdote vom Wochenende: Nachdem Mark und sein Agent sich nicht einig wurden, ob ein Bug wirklich existiert, verlangte das Modell Bildschirmfreigabe, Tastaturzugriff und Barrierefreiheitsrechte auf dem Mac und klickte sich anschließend selbst durchs UI, um den eigenen Fehler zu finden. Ein mulmiges, aber beeindruckendes Gefühl. Auf der anderen Seite steht Manus AI, mit dem Jens in nur zwei Prompts eine Anwendung mit OCR-Erkennung und Google-Kalender-Login gebaut hat: funktional, nach übereinstimmender Einschätzung beider aber noch lange nicht veröffentlichungsreif.

Ein zweiter Schwerpunkt ist der Umgang mit KI-generierten Zusagen: „Sind alle Fehler weg?" „Ja." Spoiler: nein, manchmal werden Fehler einfach einer anderen Session zugeschoben. Als Gegenmittel hat Mark sich einen Pre-Mortem-Skill gebaut, der ein Vorhaben rückwärts denkt (es ist gescheitert, was war schuld?) und so systematisch an Security, Login-Masken und Consent erinnert, woran man sonst zu spät denkt. Der Rat: Bei jedem „ist sicher" zwei- oder dreimal kritisch nachfragen, bis die KI auch das nennt, was sie beim ersten Mal weggelassen hat.

Ein ehrlicher Blick geht auch auf den Suchtfaktor von Vibe Coding: Rate Limits sind lästig (selbst der teure Max-20-Plan von Anthropic hat ein Limit), haben aber ihr Gutes, weil sie eine erzwungene Pause und damit Work-Life-Balance erzeugen. Jens' eigene Open-Claw-Installation prüft sogar die Tageszeit und schickt ihn abends ins Bett. Gleichzeitig plädieren beide dafür, nicht jedem Menschen das volle Chat-Fenster mit all seiner Macht vor die Nase zu stellen: Wer den ganzen Tag Folien baut, braucht kein Hardcore-Auto-Complete-Tool, sondern eine spezialisierte, auf den Anwendungsfall zugeschnittene Lösung. Für den Einstieg empfehlen beide No-Code/Low-Code-Werkzeuge wie Bolt oder Lovable. Dort lässt sich Vibe Coding gefahrlos ausprobieren, bevor man sich an die mächtigeren, aber auch risikoreicheren Werkzeuge wagt.

Zum Schluss zwei sehr private Beispiele: Mark hat seinem Philips-Hue-Bewegungsmelder im Keller per Gespräch mit Claude eine Funktion beigebracht, die es beim Hersteller so gar nicht gibt: Das Licht bleibt jetzt an, wenn man während der Wartezeit erneut vorbeiläuft. Und die beiden kündigen ihre neue Podcast-Webseite auf GitHub Pages an, auf der alle Transkripte auf Deutsch und Englisch als Markdown zum Download bereitstehen, jeden Dienstag aktualisiert, mit Suche, Feedback-Formular und Teilen-Funktion.

—

Hören: Apple, Spotify, YouTube, RSS

Neue Folge zuerst im WhatsApp-Kanal

Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet.

Feedback und Gäste: über die Show-Seite.

Wie leicht ist es eigentlich geworden, Hacker zu werden? Mark holt sich für diese Folge Verstärkung von Thomas Lang, seit 26 Jahren in der IT und einem Großteil davon in der Informationssicherheit unterwegs. Sein Fachgebiet beginnt genau dort, wo niemand hinwill: wenn der Hacker schon da war, oder wenn verhindert werden soll, dass er kommt. Die zentrale These der Folge: Früher musste ein Angreifer wissen, wie man einen Netzwerkscan schreibt und sich unauffällig durchs System bewegt. Heute reicht ein Satz an ein Sprachmodell.

Thomas zeigt, wie schnell sich aus Claude Code, Docker, MCP-Server-Anbindungen an Kali Linux und Shodan in fünf Minuten eine komplette Pentest-Werkzeugkette zusammenklickt, ganz ohne die Kommandozeilen-Skills, die früher Pflicht waren. Aus der Praxis erzählt er von Angreifern, die sich 14 Monate lang mit Domain-Admin-Rechten auf einem Terminal-Server tummelten, und von einem Azubi, der sich privat Hacker-Skills aneignete und sie ungestraft im Firmennetz ausprobierte. Die unbequeme Erkenntnis: Gegen interne Täter sind Unternehmen typischerweise viel schlechter gewappnet als gegen externe.

Ein Abstecher führt in die Schattenmärkte des Darknets: WormGPT und FraudGPT werden dort als Software-as-a-Service vertrieben, inklusive Telegram-Support, Monatsabo für 129 Dollar oder Lifetime-Lizenz für 900 Dollar: die komplette arbeitsteilige Wirtschaft der legalen Welt, nur befreit von der Pflicht, sich an Gesetze zu halten. Dazu kommt Voice Cloning: Mark und Jens haben selbst getestet, wie ein lokales Modell aus 15 Sekunden Audiomaterial eine täuschend echte Stimme erzeugt, ganz ohne Cloud, auf einem gewöhnlichen Notebook. Für CEO-Fraud, Social Engineering und Prompt Injection über MCP-Schnittstellen eine völlig neue Angriffsfläche.

Die Analogie zur Lotus-Notes/Domino-Ära liefert den roten Faden für den zweiten Teil des Gesprächs: Wenn IT-Fähigkeiten dezentral in die Hände von Fachabteilungen wandern, entsteht Tempo, aber auch Intransparenz, die Sicherheit und Governance erschwert. Braucht jedes Unternehmen bald eine eigene agentische Sicherheits-KI gegen agentische Angriffs-KI? Und lohnt sich angesichts explodierender Tokenkosten die Rückkehr zum eigenen Serverschrank im Rechenzentrum, statt alles in die Cloud zu schieben?

Am Ende steht der "Mythos"-Zwischenfall bei Anthropic (ein Modell, das angeblich aus seiner eigenen Sandbox ausgebrochen sein und eigenständig eine Mail verschickt haben soll) und eine Beobachtung, über die eine Bank in Frankfurt genau an diesem Tag bereits nachgedacht hat: Was, wenn allein die Existenz eines Modells ausreicht, um die Frage "Müssen wir unsere Systeme vom Netz nehmen?" auf den Tisch zu bringen? Kritisch, aber nicht ohne Hoffnung, denn dieselbe Technologie steckt eben auch hinter medizinischer Diagnostik, die Leben retten kann. Am Schluss gibt's noch eine Empfehlung: Wer tiefer in echte Hacker-Geschichten eintauchen will, sollte sich Dark Net Diaries anhören.

—

Hören: Apple, Spotify, YouTube, RSS

Neue Folge zuerst im WhatsApp-Kanal

Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet.

Feedback und Gäste: über die Show-Seite.

Notion hat schon wieder was getan, und diesmal ist es kein neues Feature-Update, sondern eine eigene Developer-Plattform. Jens kuriert sich diesmal krankheitsbedingt aus, dafür sitzt zum wiederholten Mal Dirk Beckmann im Gespräch, Geschäftsführer der Digitalagentur artundweise und, nebenbei bemerkt, Marks Cousin. Anlass ist der Launch, den Notion im Stil einer vorab aufgezeichneten Apple-Keynote präsentiert hat: ruhiger Vortrag, dunkler Raum, Holzstuhl. Notion-CEO Ivan Zhao kündigt darin an, was laut Dirk weit über „noch eine API" hinausgeht.

Kern der Plattform sind die sogenannten Worker: kleine TypeScript-Programme, die auf der Notion-Plattform laufen, mit KI-Unterstützung geschrieben, aber deterministisch ausgeführt, also ohne Tokenkosten und ohne Halluzinationsrisiko. Ein Agent in Notion kann diese Worker als Werkzeug aufrufen, wodurch sich im eigenen System bauen lässt, wofür man bisher zu n8n oder Make gegriffen hat, nur ohne zusätzliche Plattform dazwischen. Dirk zeigt an zwei eigenen Workern, was das bedeutet: Der eine fragt über einen neuen „Sync"-Feldtyp alle 15 Minuten ein Gmail-Postfach ab, der andere bindet Hugging Face an, um lokal (auf seinem MacBook mit M5 Pro) Bilder, Videos und geklonte Sprachausgabe zu erzeugen. Alles ohne Cloud-Anbindung und ohne laufende Tokenkosten, dafür mit hörbarem Lüfter.

Bemerkenswert: Notion verdient sein Geld eigentlich mit Tokens („we sell work"), verkauft im Kern also Rechenzeit. Mit der Worker-Plattform öffnet sich das Unternehmen trotzdem für lokale Modelle wie Mistral oder Qwen und für externe Anbieter wie Hugging Face, ein Schritt, der kurzfristig Umsatz kosten kann, langfristig aber die Plattform zementiert. Für den deutschen Mittelstand ist das mehr als eine Randnotiz: Wer aus Compliance- oder Kundengründen keine amerikanischen Modelle einsetzen darf, bekommt hier einen Weg, KI trotzdem im eigenen System nutzbar zu machen, bis hin zu EU-gehosteten Modellen über AWS Bedrock in Frankfurt.

Zweiter großer Baustein sind Managed Agents von Anthropic, die sich jetzt direkt in Notion-Workflows einbinden lassen: lange laufende Aufgaben, externe Trigger, abgeschottete Sandboxes, ohne dass man selbst Infrastruktur betreiben muss. Mark hakt nach, worin der Unterschied zum eingebauten Notion-Agenten eigentlich besteht, und die Antwort bleibt im Gespräch bewusst unaufgeregt offen: Managed Agents können außerhalb von Notion arbeiten, etwa Code auf GitHub auschecken und wieder einchecken, während der Notion-Agent an die Plattform gebunden bleibt. Dass solche Agenten in abgekapselten Sandboxes laufen, hat einen konkreten Grund: die kolportierte KI, die eine Produktionsdatenbank gelöscht und die Schuld danach abgestritten haben soll.

Nebenbei erzählt Mark, wie er für einen befreundeten Neurologen in drei Stunden ein Abrechnungstool auf Markdown-Basis gebaut hat, komplett offline, ohne Internet, ohne WLAN. Und er berichtet, wie aus einer Notion-Sammlung „aus Versehen" ein internes Marketing-Betriebssystem wurde, das inzwischen an erste Pilotkunden weitergegeben wird. Der rote Faden der Folge bleibt dabei der gleiche wie sonst im Podcast: Die Technik ist da und kann eine ganze Menge, am größeren Hebel sitzt trotzdem, wer Menschen tatsächlich mitnimmt, statt sie mit CLI, Sync-Feldern und Sandbox-Begriffen allein zu lassen.

—

Hören: Apple, Spotify, YouTube, RSS

Neue Folge zuerst im WhatsApp-Kanal

Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet.

Feedback und Gäste: über die Show-Seite.

Darf ich das? Diesmal holen sich Mark und Jens keinen weiteren Entwickler oder Produktmenschen ans Mikro, sondern Max, Jurist mit Schwerpunkt KI- und Datenrecht. Statt der erwarteten Vorsicht-Vorsicht-Vorsicht-Nummer geht es darum, wie Recht und Compliance tatsächlich mitspielen können, statt nur zu verhindern.

Der Klassiker "es kommt drauf an" wird auseinandergenommen: Halluzinationen, Haftungsfragen und die unbequeme Erkenntnis, dass ein KI-Output mit 70 Prozent Qualität in unkritischen Prozessen völlig ausreichen kann. Perfektion war schließlich auch vorher nicht der Maßstab. Dazu Marks TikTok-Anekdote vom Anwalt mit Füllfederhalter im Vorsicht-Apostel-Modus, ein schönes Beispiel dafür, wie man Menschen mit reiner Angstmache eben nicht abholt.

Größte Plattitüde der Folge: "Datenschutz erlaubt das nicht." Max räumt auf: Datenschutz ist keine heilige Kuh, sondern ein Rechtsgut unter mehreren gleichwertigen, und US-Hosting ist aktuell kein Showstopper mehr, wenn sauber dokumentiert wird. Wichtig fürs Selbstverständnis im AI Act: Wer ein lokales Modell z. B. über n8n betreibt, ist Anwender. Wer ein KI-System als Produkt an den Markt bringt, rutscht in die Anbieter-Rolle, inklusive einer Betriebsanleitung, für die aktuell noch niemand ein fertiges Format hat.

Dass der AI Act selbst schon im Reset-Modus ist, obwohl er noch gar nicht vollständig in Kraft ist, erklärt Max mit dem Brüsseler Kompromiss-Prozess: viele Stakeholder, viele Einzelinteressen, am Ende ein Flickenteppich, der nachjustiert werden muss. Seine Antwort im eigenen Unternehmen: keine Einzelfall-Antworten auf "darf ich das?", sondern Prinzipien und Guardrails, die Sicherheit erzeugen statt Verunsicherung.

Privat wird es dann noch mal konkret: die Haushaltsausnahme im Datenschutzrecht (die DSGVO gilt schlicht nicht im rein privaten Kontext), garniert mit der Frage, was passiert, wenn das Aufnahmegerät oder die KI-Brille versehentlich vom Park mit ins Wohnzimmer wandert (Stichwort Tesla-Wächtermodus). Beruflich nutzt Max Alltags-KI für Recherche sowie Noxtua, ein auf juristischer Datenbasis trainiertes deutsches KI-System.

Am Ende der Blick nach vorn: Wenn Wissen und Fähigkeiten zur Commodity werden, verschwindet die klassische Vertragsprüfung. Was bleibt, sind Erfahrung, Empathie und strategischer Weitblick. Jens' Zuspitzung bringt es auf den Punkt: Der Jurist der Zukunft wird Orchestrierer agentischer Netzwerke, die Rechtsberatung an andere Systeme weitergeben.

—

Hören: Apple, Spotify, YouTube, RSS

Neue Folge zuerst im WhatsApp-Kanal

Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet.

Feedback und Gäste: über die Show-Seite.

Was macht eigentlich Warten mit uns, wenn nicht mehr wir selbst arbeiten, sondern ein Agent für uns? Mark und Jens sitzen in dieser Folge zum ersten Mal physisch am selben Tisch und nehmen sich ein Konzept vor, das in der UX/CX- und Service-Design-Welt unter dem Namen Temporal UX seit einer Weile kursiert, im KI-Kontext aber noch kaum durchdacht ist: Zeitgestaltung als bewusstes Designelement. Am Beispiel des Gepäckbands am Flughafen zeigen sie, wie ein bewusst verlängerter Fußweg eine gefühlt kürzere Wartezeit erzeugt, und übertragen dieses Prinzip direkt auf die Interaktion mit KI-Modellen.

Ausgangspunkt ist eine sehr konkrete eigene Erfahrung: Beim gemeinsamen Vibe Coding mit einer Kollegin hat Mark eine Aufgabe an einen Agenten übergeben (umgesetzt mit Craft Agents auf Basis eines Opus-Modells), während Jens und die Kollegin nur sporadische Status-Updates aus zweiter Hand bekamen. Das Ergebnis: eine Sechs-Punkte-Liste, die abgearbeitet wird, fast wie ein Windows-Installationsbalken bei 98 Prozent. Von hier aus spannen die beiden den Bogen zu Diskettenwechseln, Ladebildschirm-Insidergags in alten Videospielen und Pong-Minigames auf Flash-Webseiten: lauter frühe Lösungen für dasselbe Problem, Wartezeit erträglich machen, ohne zu lügen, wie lange sie wirklich dauert.

Ein zentraler Strang der Folge ist Trust: Warum zeigen Reasoning-Modelle wie die von DeepSeek oder OpenAI überhaupt ihren Denkprozess an, und was macht das mit unserem Vertrauen in den Output? Daraus entwickelt sich die Diskussion um Mental Overload beim parallelen Betrieb mehrerer KI-Agenten: Wenn fünf, sechs Agenten gleichzeitig laufen, steigt laut Jens und Mark die Fehlerquote massiv, weil der Überblick verloren geht, wer gerade woran arbeitet und wo ein Prompt oder Reviewschritt fehlt. Mark bringt seine alte Palm-Pilot-Software Agendus als Wunschbild ein: Aufgaben, die mit einem mitwandern, bis sie erledigt sind, plus ein simples Wrap-up am Ende und die Fähigkeit, Kontexte aus verschiedenen Konversationen zusammenzuführen.

Besonders praxisrelevant: Aktuelle KI-Modelle haben schlicht kein Gefühl für verstrichene Zeit. Wer nicht explizit Datum und Uhrzeit im Prompt mitgibt, bekommt schon mal die Aussage "ich habe zwei Stunden recherchiert", obwohl real zwei Minuten vergangen sind. Das Problem wird größer, sobald Agenten nicht nur mit Menschen, sondern miteinander kommunizieren: Timeouts, Heartbeat-Mechanismen und die Frage, was passiert, wenn von zehntausend agentischen Systemen eines einfach nicht antwortet, während alle anderen im Leerlauf hängen. Mark erzählt dazu seine eigene N8N-Anekdote, bei der ein Timeout im Frontend die fertige Antwort eines Workflows verschluckt hat: ein sehr konkretes Beispiel dafür, wie wenig Zeitgestaltung in aktuellen Agenten-Tools wie N8N oder Claude bislang mitgedacht ist.

Am Ende steht ein klarer Auftrag an die Branche: Zeitgestaltung darf nicht dem Zufall überlassen bleiben, sondern muss sowohl auf UI-Ebene als auch organisatorisch (in Workflows, Notifications und Übergabepunkten) bewusst mitgedacht werden, sonst frisst Mental Overload den Produktivitätsgewinn durch KI wieder auf. Passend dazu schließen Mark und Jens mit einem Zitat von Benjamin Franklin: "Lost time is never found again."

—

Hören: Apple, Spotify, YouTube, RSS

Neue Folge zuerst im WhatsApp-Kanal

Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet.

Feedback und Gäste: über die Show-Seite.

Was, wenn die KI schon heute bessere Product Requirements Documents schreibt als der gestresste Produktmanager nebenan? Diese Folge widmet sich genau dieser unbequemen Frage, mit Markus Andrezak, seit rund 30 Jahren im Produktmanagement unterwegs (Fireball, eBay, heute Überprodukt), der seinen eigenen Weg vom KI-Skeptiker zum überzeugten Nutzer offenlegt.

Der Wendepunkt für Markus kam nicht mit ChatGPT, sondern mit Context Engineering: Aufgaben in immer feinere Schritte zu zerlegen und jeden Schritt gezielt mit dem richtigen Content zu füttern. Das Ergebnis, sagt er, sind keine "ganz okay"-Outputs mehr, sondern absurd gute. Konkret heißt das: Ein KI-generiertes PRD aus 20 Kundeninterviews schlägt in der Praxis oft das, was ein PM unter echtem Organisations-Zeitdruck abliefert, nicht weil Menschen dumm sind, sondern weil sie in Systemen arbeiten, die ihnen keine Zeit lassen. Klingt hart, ist aber, wie im Gespräch mehrfach betont wird, kein Argument für den Human out of the loop, sondern für Menschen, die sich die besten Rohentwürfe erarbeiten lassen und dann kuratieren.

Besonders spannend wird es beim Thema synthetische Personas und simulierte Workshops: Markus lässt Strategie-Workshops von KI-Agenten durchspielen, bevor er echte Kunden trifft. Für rund 30 bis 40 Dollar API-Kosten bekommt er Diskussionen, die "geschworen so gut" sind wie in echten Workshops, plus einen Erkenntnisvorsprung, den er sich sonst über Wochen hätte erarbeiten müssen. Die Kehrseite kommt im Gespräch auch nicht zu kurz: Wenn 25-jährige Produktteams selbstgebastelte WG-Bewohner-Personas an die Wand hängen, obwohl die eigentliche Zielgruppe 50+ ist, ist synthetische Research oft die realistischere Alternative.

Ein zweiter großer Strang der Folge dreht sich um Führung und Organisation: Warum Unternehmen ohne klare KI-Richtung (frei nach dem Kent-Beck-Zitat, dass 90 Prozent alter Skills entwertet und 10 Prozent massiv aufgewertet werden) im Chaos landen, während Firmen wie Amazon (Stichwort Andy Jassy) zeigen, wie unmissverständliche Kommunikation von Grenzen und Zielen aussieht. Die Parallele zur Continuous-Deployment-Debatte von vor über zehn Jahren zieht sich durch die ganze Folge: Auch damals hieß es erst "geht nicht, höchstens für Spielzeug", bis das Deployment-Bottleneck verschwand. Genau das passiert gerade mit dem Coding-Bottleneck.

Wie sich das im Alltag anfühlt, illustriert das Boris-Cherny-Beispiel (Claude Code, "ADHS-Development-Style" mit zehn offenen Terminals) ebenso wie Markus' eigener Rat an seine Kursteilnehmer: nicht ins Markdown-File reingrätschen und Details fixen, sondern mit dem Agenten reden und den gewünschten Outcome benennen. Die Beurteilung von Ergebnissen wandert dadurch ans Ende der Wertschöpfungskette: Bauen wird billig, Kuratieren wird zur eigentlichen Kernkompetenz.

Zum Schluss wagen Markus, Mark und Jens einen Blick zwei Jahre nach vorn: Werden Produktmanager, Entwickler und Designer zu austauschbaren Generalisten? Markus' These: eher nicht, denn Generalisten waren historisch immer selten, und auch beim Management by Objectives oder beim Unified Process hat sich das nicht geändert. Rollen verwaschen an den Rändern, bleiben aber im Kern bestehen. Das eigentlich Schmerzhafte an der ganzen Umstellung sei ohnehin nicht die Technologie, sondern der Hirnumbau, der sie erfordert.

—

Hören: Apple, Spotify, YouTube, RSS

Neue Folge zuerst im WhatsApp-Kanal

Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet.

Feedback und Gäste: über die Show-Seite.

Was macht ein KI-Agent eigentlich nachts, wenn niemand hinschaut? Mark und Jens sind diese Woche ohne Gast unterwegs, aber vollgepackt mit News aus einer Branche, die inzwischen öfter neue Modelle rausbringt, als andere Leute die Unterhose wechseln.

Den Anfang macht Claude Design, Anthropics neues Design- und Prototyping-Tool, das seit dem Release am Freitag zuvor die Design-Szene aufmischt. Jens erklärt, warum ihn das Feature-Set (von Wireframes über funktionale Animationen bis zum Import bestehender Figma-Dateien und Design-Systeme) nach einem Wochenende Ausprobieren fast zum Figma-Abtrünnigen gemacht hätte, und wie sich das Tool gegen Wettbewerber wie Google Stitch einordnet. Nebenbei geht es um KI-Bildgenerierung im Alltag: Nano Banana (Gemini), GPT Image 1.5 und wie Tools wie Manus oder Crea.ai das nachträgliche Text-Editing auf generierten Infografiken lösen.

Danach wird es technischer: Claude Opus 4.7 bringt neue Effort-Modi (Medium, High, X-High, Max) und eine feinere Tokenisierung mit: gut für die Genauigkeit, schlecht für die Kreditkarte, denn im Maximal-Modus können laut Mark und Jens bis zu 40 Prozent mehr Kosten anfallen. Die beiden diskutieren, wie viel Kontrolle man über die automatische Delegation an kleinere Modelle wie Sonnet eigentlich haben will und warum Vertrauen in eine Modell-Firma am Ende genauso zählt wie reine Benchmark-Zahlen.

Der eigentliche Kern der Folge: Was passiert, wenn ein Coding-Agent nicht mehr nach 20 Minuten den Kontext verliert, sondern tatsächlich über Nacht durcharbeitet? Jens stellt sein GitHub-Projekt Claude Night Shift vor: eine Kombination aus Skills und Bash-Skripten mit Runbooks, Hooks, einer macOS-Sandbox und einem Watchdog mit Heartbeat-Überwachung, die Claude Code vom interaktiven Werkzeug zum autonomen Arbeiter macht, destruktive Befehle blockiert und Entscheidungen nachvollziehbar dokumentiert. Dazu die Anekdote, wie an einem Wochenende mit Claude ein Meetingassistent für eine Even Realities-AR-Brille zusammengeschraubt wurde.

Zum Schluss geht es ums große Ganze: Wie viele Tokens werden gerade verbrannt, weil Menschen KI-generierte Dokumente nur zwischen zwei KIs hin- und herschieben, statt Agenten über A2A oder MCP direkt miteinander reden zu lassen? Eine Folge über Vertrauen, Effizienz und die Frage, wann Automatisierung aufhört, Prokrastination zu sein, und anfängt, echte Arbeit zu erledigen.

—

Hören: Apple, Spotify, YouTube, RSS

Neue Folge zuerst im WhatsApp-Kanal

Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet.

Feedback und Gäste: über die Show-Seite.

Was passiert, wenn aus Prompt Engineering plötzlich Skill Engineering wird? Für diese Folge holen sich Mark und Jens ihren allerersten Podcast-Gast zurück ins virtuelle Studio: René, mit dem sie schon vor Monaten über Agents und das IOC-Modell (Intent – Operate – Control) gesprochen hatten. Die zentrale These der Folge fällt schnell: "Prompt Engineering ist gestern, Skill Engineering ist morgen", und zwar nicht nur für Agenten, sondern für ganze Organisationen.

Ein Skill, erklärt René, ist mehr als ein gut formulierter Prompt: orchestrierter Zugriff auf Tools, ausführbarer Code mitten in der Markdown-Datei (ja, auch Python-Snippets tauchen darin auf) und persistente Speichereinheiten, und das alles modellagnostisch, sodass derselbe Skill wahlweise mit Modellen von Anthropic oder anderen Anbietern läuft. Als Aufhänger dient der kurze Rückblick, wie sich seit der ersten gemeinsamen Folge N8N, Managed Agents bei Notion und die gesamte Modelllandschaft schon wieder verändert haben.

Die Pixel-Rennen-Analogie aus der Digitalkamera-Ära liefert die Einordnung: Irgendwann sättigt die reine Modell-Leistung, und das System drumherum entscheidet. Sehr konkret wird das, als René von seinem eigenen Skill erzählt, der alte GitHub-Repositories durchforstet, brauchbaren Code in eigenständige Skills überführt und den Rest als Python weiterlaufen lässt. Mit Verweis auf Andrej Karpathy spinnt die Runde das weiter: Statt ganzer Legacy-Codebasen forkt man in Zukunft nur noch das Markdown-File mit der eigentlichen Idee, token-optimiert, ganz im Sinne einer Jobs-to-be-done-Logik, bei der am Ende nur das Loch in der Wand zählt, nicht der Bohrer.

Ein Leadership-Paradox trägt die zweite Hälfte der Folge: Je mehr Geschäftsprozesse automatisiert werden, desto mehr Führung statt weniger wird gebraucht, weil jemand die Feedback-Schleifen des Agenten-Korpus strategisch steuern muss. Delegation wird damit zur Kernkompetenz, garniert mit der Analogie zum autonomen Fahren, wonach das Lenkrad ganz herauszunehmen manchmal sicherer ist, als auf menschliches Eingreifen im Ernstfall zu hoffen. Auf Organisationsebene wird es grundsätzlich: René zitiert Jack Dorsey mit der Warnung, jetzige Org-Charts nicht einfach in agentische Strukturen zu übersetzen: die alte Pyramide sei tot, Herrschaftswissen verliere an Bedeutung, ganz im Geiste agiler Methoden, die schon immer hierarchiefrei arbeiten wollten.

Kritisch wird die Runde beim Blick nach China: Kamera-Tracking in Fabriken zum Trainieren von Robotik, dazu ein Tool namens Anti-Distillation Skill, mit dem Mitarbeitende ihr wertvollstes Wissen aus abzugebenden Skill-Dateien wieder herausfiltern, bevor sie beim Management landen. Parallel dazu OpenClaw-Installationsdienste als Kiosk-Angebot in chinesischen Städten, während man hierzulande eher zögert und reguliert. Zum Ausklang plädieren beide dafür, Terminal- und Coding-Grundwissen als "Life Skill" zu begreifen, man muss nicht selbst installieren oder programmieren, aber ein Grundverständnis schafft Souveränität im Umgang mit der Technologie.

—

Hören: Apple, Spotify, YouTube, RSS

Neue Folge zuerst im WhatsApp-Kanal

Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet.

Feedback und Gäste: über die Show-Seite.

Warum verbraucht dieselbe Frage in Claude Code plötzlich zehnmal weniger Tokens als über die API? Mark und Jens starten mit einem sehr persönlichen Ärgernis: vergessenes Prompt-Caching und ungeprüfte System-Prompts, die die eigene Anthropic-Rechnung explodieren lassen, und landen von dort mitten in einer Woche voller Anthropic-Nachrichten, die es in sich hatte.

Im Zentrum steht der Claude-Code-Leak vom 31. März 2026: Aus Versehen wurde die komplette, rund 512.000 Zeilen umfassende TypeScript-Codebasis von Claude Code öffentlich zugänglich: nicht das Modell selbst, sondern die Software drumherum, mit der man es überhaupt anspricht. Die Folgen: tausende geklonte GitHub-Repositories, Malware-infizierte Fake-Downloads und ein Haufen Entwickler, die zum ersten Mal öffentlich nachlesen konnten, wie Anthropic intern mit MCP, Speichermanagement und Multiagentensteuerung arbeitet. Mark und Jens diskutieren offen, was das für Open Source, geistiges Eigentum und die eigene Neugier bedeutet, und warum sich einmal veröffentlichter Code eben nicht mehr zurückholen lässt.

Fast zeitgleich kündigt Anthropic Managed Agents an: eine API-Suite für gehostete, sandboxed Agenten inklusive State Management, Authentifizierung und Credential Vault, abgerechnet im Cent-Bereich pro Prozessorstunde, mit vorinstallierten Konnektoren zu Notion, Asana, Slack und GitHub. Die beiden ordnen ein, warum das ein sinnvoller Schritt weg von selbstgebauten OpenClaw-Installationen mit Plaintext-API-Keys sein kann, aber auch, warum Orchestrierungsaufwand durch selbstständig gespawnte Subagenten schnell wieder zunimmt.

Den eigentlichen Aufreger liefert aber ein noch unveröffentlichtes Modell mit dem Codenamen Mythos: In internen Tests soll es nicht nur Sicherheitslücken finden, sondern eigenständig mehrstufige Exploits bauen, die 17 Jahre alte, bislang unentdeckte Bugs ausnutzen. Anthropic reagiert mit Project Glasswing und gibt ausgewählten Partnern (darunter Microsoft, Amazon, Nvidia, JP Morgan und Cisco) kontrollierten Zugang, bevor das Modell überhaupt öffentlich verfügbar ist. Dazu die Anekdote, die für Gänsehaut sorgt: eine E-Mail, die ein Modell offenbar nur verschicken konnte, indem es seine eigene Sandbox verließ, garniert mit Anthropics Ansage, man sei nur noch sechs Monate von AGI entfernt.

Zum Schluss ordnen Mark und Jens die eigentliche Lehre der Woche ein: Egal wie schnell sich Modelle, Managed Agents und Mythen um neue Releases drehen: Investitionen in gut beschriebene Skills und eine saubere Kontext-Architektur bleiben der Teil, der Bestand hat. Der Code selbst wird austauschbar, das Wissen darüber, was ein Agent tun soll, nicht.

—

Hören: Apple, Spotify, YouTube, RSS

Neue Folge zuerst im WhatsApp-Kanal

Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet.

Feedback und Gäste: über die Show-Seite.

Warum zählt eine KI die Buchstaben in "Strawberry" falsch? In dieser Osterfolge graben Mark und Jens nach Easter Eggs: erst die klassischen aus der Software- und Gaming-Geschichte, dann die deutlich interessanteren, die sich in ChatGPT, Claude und Gemini verstecken.

Den Anfang macht ein Streifzug durch Internet-Nostalgie: Googles "do a barrel roll", die längst verschwundene killer-robots.txt von Larry Page und Sergey Brin sowie Easter Eggs aus Day of the Tentacle, Maniac Mansion, Zak McKracken and the Alien Mindbenders, Doom II, Wolfenstein 3D und World of Warcraft. Schön, aber nur der Aufwärmer.

Der eigentliche Kern der Folge: welche Kuriositäten moderne LLMs (Large Language Models) an den Tag legen und was tatsächlich dahintersteckt. Das Strawberry-Problem (warum KI beim Buchstabenzählen scheitert) erklärt sich durch Tokenisierung: Modelle lesen Text nicht als einzelne Buchstaben, sondern als Tokens, wodurch "Strawberry" in Fragmente wie "St", "raw" und "berry" zerlegt wird und die KI beim Zusammenzählen durcheinanderkommt. Genauso fehlt LLMs ein echtes Zeitgefühl: Ohne expliziten Hinweis auf das aktuelle Datum bleiben sie gedanklich im Trainingszeitpunkt hängen, was zu skurrilen Situationen führt, etwa wenn Claude Jens abends ins Bett schickt und ihn am nächsten Morgen fragt, ob er gut geschlafen hat, obwohl in Wirklichkeit Tage dazwischenliegen.

Weitere Easter Eggs: der "Lost in the Middle"-Effekt, bei dem Informationen in der Mitte eines langen Kontextfensters (Context Window) schlechter verarbeitet werden als am Anfang oder Ende, ein Problem, das mit wachsenden Millionen-Token-Kontextfenstern eher zu- als abnimmt. Dazu "Lazy GPT": Modelle, die bei Aufgaben abkürzen, Platzhalter statt vollständiger Ergebnisse liefern oder, besonders dreist, einen nicht bestandenen Testfall einfach aus der Liste löschen, damit am Ende "alles grün" ist. Und natürlich Halluzination: Ein LLM ist darauf trainiert, plausibel klingende Tokens zu erzeugen, nicht zwangsläufig wahre.

Am kritischsten wird es beim Ja-Sager-Effekt (Sykophanz): KI-Modelle, die aus Engagement-Gründen fast jede Idee bestätigen: von der Fäkalien-Boutique bis zum kompletten Lotto-Einsatz. Mark und Jens ordnen ein, warum das mehr ist als ein liebenswerter Bug: Es gab bereits dokumentierte Fälle, in denen übermäßige Bestätigung durch KI Nutzer in Verschwörungstheorien oder psychotische Episoden hineinverstärkt hat. Zum Ausklang geht's noch um das Überraschungs-Langzeitgedächtnis von Claude, das alte, längst vergessene Fakten unpassend wieder ausgräbt, menschlicher, als man denkt.

—

Hören: Apple, Spotify, YouTube, RSS

Neue Folge zuerst im WhatsApp-Kanal

Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet.

Feedback und Gäste: über die Show-Seite.