<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Markus Breuer on Medium]]></title>
        <description><![CDATA[Stories by Markus Breuer on Medium]]></description>
        <link>https://medium.com/@markusbreuer?source=rss-24b4eee20562------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*FwUFBLzmzSDh2ktaDlxTVQ.png</url>
            <title>Stories by Markus Breuer on Medium</title>
            <link>https://medium.com/@markusbreuer?source=rss-24b4eee20562------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 21:41:00 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@markusbreuer/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[KI-Modelle auf dem eigenen Rechner]]></title>
            <link>https://markusbreuer.medium.com/ki-modelle-auf-dem-eigenen-rechner-2ac388f0dff8?source=rss-24b4eee20562------2</link>
            <guid isPermaLink="false">https://medium.com/p/2ac388f0dff8</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[nvidia]]></category>
            <category><![CDATA[apple-silicon]]></category>
            <category><![CDATA[open-weight-model]]></category>
            <dc:creator><![CDATA[Markus Breuer]]></dc:creator>
            <pubDate>Fri, 16 Oct 2026 14:12:43 GMT</pubDate>
            <atom:updated>2026-10-17T06:49:10.874Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9D-c9kspo4deBuHJpGSlKg.png" /></figure><p><em>Stellen Sie sich vor, Sie könnten einen leistungsstarken KI-Chatbot auf Ihrem eigenen Laptop oder PC betreiben. Vertrauliche Dokumente müssten Ihr Haus nicht verlassen und würden zur Verarbeitung nicht an einen chinesischen oder US-amerikanischen KI-Anbieter geschickt. Sie müssten keine monatlichen Abo-Gebühren für diesen Chatbot zahlen, und der Anbieter könnte Ihnen das heruntergeladene Modell nicht mit dem nächsten Update wegnehmen. Ein ziemlich attraktiver Gedanke, oder?</em></p><p>Die Möglichkeit gibt es. Und Sie werden vermutlich auch schon einmal davon gehört haben. Es gibt Open-Source-KI-Modelle, die man sich herunterladen und auf eigener Hardware betreiben kann. Das ist bei Lösungen, die dem auch nur nahekommen, was man von den großen Anbietern gewohnt ist, allerdings keine sehr billige Hardware. Es lohnt sich, vor einer solchen Entscheidung die Erwartungen zu sortieren. Wollen Sie einen vielseitigen Assistenten, der mit Ihnen über fast alles diskutiert? Oder soll eine Software jeden Tag eintausend Kundenanfragen vorsortieren? Beides kann mit einem Sprachmodell funktionieren. Aber aus den unterschiedlichen Anforderungen bei der Anwendung entstehen sehr unterschiedliche Anforderungen an die dafür benötigte Hardware.</p><h3>Was beim Lernen eines KI-Modells entsteht</h3><p>Um die Möglichkeiten und Grenzen des Eigenbetriebs realistisch einschätzen zu können, hilft ein kleiner Exkurs: Wie funktioniert ein Sprachmodell, und wo steckt das, was es gelernt hat? Im Kern eines Large Language Models, kurz LLM, steckt ein künstliches neuronales Netz. Und wie die Bezeichnung schon erahnen lässt, ist das ein Netz aus künstlichen Neuronen. Spoiler: Die sind deutlich einfacher aufgebaut als ihre biologischen Vorbilder. Ein Netz aus einigen Milliarden davon kann trotzdem zumindest einige der kognitiven Leistungen erbringen, die biologische Netzwerke dieser Art schaffen — wie uns die KI-Modelle in den letzten Jahren bewiesen haben.</p><p>Ein solches künstliches Neuron ist eine sehr simple, in Software abgebildete Funktion. Diese bekommt mehrere Zahlenwerte als Eingabe und liefert einen Zahlenwert als Ausgabe. Im Innern der Funktion wird jeder Eingangswert mit einem sogenannten „Gewicht“ multipliziert. Danach werden die so verstärkten Eingangswerte alle addiert. (Das Gewicht bestimmt also, wie stark ein Eingangswert in die Berechnung eingeht.) Eine weitere Funktion, die sogenannte Aktivierungsfunktion, nimmt sich die entstandene Summe und entscheidet nur anhand dieser einen Zahl, welcher Wert am Ende ausgegeben wird. (Oft ist das null; das „Neuron feuert nicht“.)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Eyru3xqTkMrlNEJIDJHJhQ.jpeg" /><figcaption>Abbildung „Künstliches Neuron“ (w1, w2 und w3 sind die erwähnten „Gewichte“)</figcaption></figure><p>Ein vereinfachtes Beispiel: Ein Neuron erhält die Eingangswerte 2 und 3. Mit den Gewichten 0,5 und 2 ergibt die gewichtete Summe 7: (0,5 × 2 + 2 × 3). Ändern sich die Gewichte, verändert sich die Summe als Zwischenergebnis, obwohl die Eingabewerte gleich bleiben. Was die Aktivierungsfunktion aus dieser Summe macht, müssen wir hier nicht im Einzelnen betrachten.</p><p>Ein einzelnes Neuron kann noch keinen Text schreiben. Spannend wird es, wenn die Ausgaben vieler künstlicher Neuronen als Eingabewerte für eine nächste Gruppe von Neuronen dienen, deren Ausgaben dann wieder als Input der nächsten Schicht künstlicher Neuronen dienen und so weiter und so weiter. Aus dem Zusammenspiel sehr vieler solcher Bausteine entstehen die Fähigkeiten des neuronalen Netzes. Sein Verhalten hängt allein von den Gewichten ab.</p><p>Wandelt man zum Beispiel den Text „Sein oder nicht sein, das ist hier die“ in eine Zahlenfolge um und schiebt diese dann links als Input in das neuronale Netz eines LLMs hinein, kommt rechts eine Zahlenfolge heraus, die man zu „Frage“ dekodieren kann. Denn „Sein oder nicht sein, das ist hier die Frage“ ist im deutschen Sprachraum die plausibelste Vervollständigung des Anfangs „Sein oder nicht sein, das ist hier die“.</p><p>Diese Gewichte justiert bei einigen hundert Millionen dieser künstlichen Neuronen niemand einzeln von Hand. Sie werden „antrainiert“. Und bei diesem Training wird im Prinzip immer verglichen, ob bei einem bestimmten Input, den man in das neuronale Netz gibt, am Ende der gewünschte Output herauskommt. Das ist am Anfang selbstverständlich nicht der Fall. Aber jedes Mal, wenn ein nicht gewünschtes Ergebnis herauskommt, werden die Gewichte ein bisschen nachjustiert. Und dann wieder ein bisschen, und wieder ein bisschen. Und nach ein paar Milliarden Verbesserungsschritten funktioniert es irgendwann. Die Kunst der KI-Entwicklung besteht unter anderem darin, diesen Prozess so raffiniert zu gestalten, dass man möglichst wenige Schritte benötigt. Trotzdem beschäftigt dieser Prozess beim Training moderner KI-Modelle ganze Rechenzentren Wochen oder Monate und kostet zig oder hunderte von Millionen an Stromkosten. Das ist aber ein anderes Thema.</p><p>[<strong>ANZEIGE</strong>: <em>Wer mehr zu diesem und anderen Themen wissen möchte, dem sei wärmsten mein letztes Buch </em><a href="https://kis-sind-auch-nur-menschen.de/"><em>KIs sind auch nur Menschen</em></a><em> empfohlen. Einfach mal reinschauen und aufschlauen — das lohnt sich rund um KI wirklich und ist nicht so schwierig, wie es sich gelegentlich anhört.</em>]</p><p>Am Ende steht bei diesem Prozess ein trainiertes Netz mit sehr vielen feinjustierten Gewichten. Wer ein fertiges Modell mitsamt seinen Gewichten herunterlädt, erhält dabei vor allem diese Trainingsleistung. Die Software, die mit diesen Gewichten dann arbeitet, ist verhältnismäßig simpel. Dieses Benutzen des Modells — zum Beispiel aus „Sein oder nicht sein, das ist hier die“ dann „Sein oder nicht sein, das ist hier die Frage“ abzuleiten — nennt man „Inferenz“. Die benötigt wesentlich weniger Ressourcen als das Training — aber immer noch sehr viel.</p><p>Entscheidend sind drei Erkenntnisse aus diesen Prinzipien:</p><ol><li>Es sind die Gewichte, die bestimmen, was ein neuronales Netz/KI-Modell tut.</li><li>Je mehr Gewichte, desto „schlauer“ ist es (wenn alle anderen Faktoren gleich bleiben).</li><li>Je mehr Gewichte, desto mehr muss der Computer bei jedem Schritt rechnen (wenn alle anderen Faktoren gleich bleiben) und desto mehr Daten muss er für jeden Arbeitsschritt durch den Speicher schaufeln. Bei der Inferenz werden nämlich immer wieder alle Gewichte einmal komplett mit den Input-Werten multipliziert.</li></ol><h3>Was Sie bei einem „eigenen“ KI-Modell bekommen</h3><p>Bei einem geschlossenen Modell (zum Beispiel von OpenAI, Google oder Anthropic) erhalten Sie Zugang zu einem Service. Sie schicken eine Eingabe ab, der Anbieter ermittelt die Antwort auf seinen Rechnern. Wie das Modell intern aufgebaut ist und welche Gewichte es verwendet, bleibt verborgen. Sie zahlen für die Bereitstellung dieser Software auf den Rechnern in der Cloud und für deren Betrieb.</p><p>Bei einem Modell mit offenen Gewichten, englisch „Open Weights“, können Sie die trainierten Zahlenwerte erhalten und mit geeigneter Software eine eigene KI betreiben („Inferenz“ machen). Was Sie genau dabei machen dürfen und was nicht, bestimmt die Lizenz: Kommerzielle Nutzung, Veränderungen oder Weitergabe sind nicht immer zulässig.</p><p>„Open Source“ geht über den Download der Gewichte hinaus. Nach der Definition der Open Source Initiative gehören dazu auch geeigneter Code und Informationen über die Trainingsdaten. Ein frei herunterladbares Modell ist deshalb nicht automatisch komplett „offen“. Oft bekommt man aber auch den Sourcecode für das Training (selten brauchbar, weil riesiger Aufwand; siehe oben) und für die Inferenz, also die Benutzung, unter einer Open-Source-Lizenz.</p><p><em>Offenheit</em> und Betriebsort sind übrigens zwei verschiedene Dinge. Ein offenes Modell muss durchaus nicht unter oder auf Ihrem Schreibtisch arbeiten. Es kann auch bei einem Cloud-Anbieter laufen. Ein selbst betriebenes Modell kann auf Ihrem Laptop, auf einem Server im Unternehmen oder auf gemieteter Infrastruktur arbeiten. Entscheidend ist, wer die jeweilige Instanz kontrolliert und wohin die Daten fließen.</p><p>Ein Modell ist auch noch kein vollständiger Chatbot oder KI-Assistent. Oberfläche, Dokumentensuche, Webzugriff, Gedächtnis und Werkzeuge kommen als weitere Software hinzu. Die Software um das Modell herum wird auch „Harness“ genannt; zusammen mit dem Modell ergibt sie das, was wir als Anwender benutzen und als KI wahrnehmen. Für den Betrieb braucht man außerdem eine spezielle Software, die die Gewichte lädt und die Berechnung ausführt. Wer ein Modell installiert, hat zunächst nur dessen Fähigkeiten zur Verarbeitung von Eingaben. Den Komfort eines umfangreichen Onlinedienstes muss er zusätzlich bereitstellen. Auch hierfür gibt es proprietäre Produkte der großen Anbieter und Open-Source-Lösungen.</p><h3>Und was kann man damit machen?</h3><p>„Dann habe ich eben mein eigenes ChatGPT“ klingt einfacher, als es ist. ChatGPT ist ein Dienst mit verschiedenen Modellen und zusätzlichen Funktionen. Seine aktuellen Spitzenmodelle oder Claude Opus werden durch den Kauf eines großen Rechners nicht zu herunterladbarer Software. Für den eigenen Betrieb wählen Sie unter den tatsächlich verfügbaren <strong>offenen</strong> Modellen.</p><p>Diese Auswahl kann für bestimmte Aufgaben sehr breit sein. Es gibt inzwischen hunderte Angebote mit gewichtsoffenen und auch vollständig Open-Source-Netzen. Ob die tatsächlich die proprietären Modelle in der Cloud der großen Anbieter ersetzen können …, hängt vom Anwendungszweck ab.</p><p>Wer komplizierte Programmierarbeiten, umfangreiche Recherchen und überzeugende Texte in vielen Sprachen — letztendlich also einen Ersatz für ChatGPT und Co. — erwartet, wird mit dem, was er heute auf dem eigenen Rechner ans Laufen bekommt, oft nicht so zufrieden sein wie jemand, der in einer Firma täglich Hunderte von kurzen Supportanfragen auf fünf Abteilungen verteilen möchte, Tausende von englischen Texten in passables Deutsch übersetzen muss oder eingehende Rechnungen vorkontieren möchte. Auch ein Softwareentwickler kann mit einem lokalen Modell zufrieden sein, wenn es die Aufgaben, für die er es einsetzt, gut genug erledigt und er mit den Wartezeiten leben kann.</p><p>Dieser Text wird zum Beispiel auf einem Laptop geschrieben, der mit 128 Gigabyte Speicher und einem zentralen Chip mit 18 CPU-Kernen (zentraler Prozessor) und 40 GPU-Kernen (für viele parallel ausgeführte Rechenoperationen) ausgestattet ist. Völliger Overkill. Wenn ich in diesen ein Modell lade, das den Speicher nahezu ausfüllt und mit dem ich dann anspruchsvolle Arbeiten angehe, dreht der Lüfter auf volle Umdrehungen und die Batterie reicht vielleicht eine halbe Stunde. Die „Intelligenz“ eines solchen Modells ist „OK“ (knapp unterhalb des Niveaus, auf dem die Top-Modelle vor einem Jahr waren), die Geschwindigkeit akzeptabel. Für wirklich anspruchsvolle Arbeiten muss ich aber dann doch wieder in die Cloud gehen.</p><p>Ob es sich kaufmännisch rechnet, die erheblichen Mehrkosten für diesen Laptop zu akzeptieren, um lokale KI-Modelle zu nutzen? Eher nein. Da müssen dann schon andere Beweggründe entscheidend sein, zum Beispiel die Behandlung vertraulicher Daten.</p><p>Für die oben genannten Aufgaben bei der Klassifizierung von Support-Tickets, Übersetzungen, Rechnungskontierung und viele andere, ähnliche repetitive Aufgaben kann es hingegen schon praktisch sein, sie lokal abarbeiten zu lassen. Dafür reichen auch Systeme, die einen Bruchteil meines Monster-Laptops kosten und nur Modelle mit maximal 16 Gigabyte oder 32 Gigabyte Größe aufnehmen können. Es gibt spezialisierte KI-Modelle, die sogar mit 8 Gigabyte oder weniger an Speicher auskommen. Man darf von diesen aber nicht die Leistung eines Frontier-Modells erwarten.</p><h3>Warum Speicher und Rechenleistung so wichtig sind</h3><p>Womit wir bei der Modellgröße sind. Wenn Sie sich die Namen vieler offener Modelle ansehen, werden Sie darin oft Zahlenkombinationen wie 8B, 32B oder 70B sehen. Das B steht für „billion“, also englisch für Milliarden. Gemeint ist die Anzahl der Gewichte des Modells (oft auch als „Parameter“ bezeichnet). Und Sie wissen ja: Je mehr, umso schlauer.</p><p>Der Speicherbedarf hängt zusätzlich auch davon ab, wie genau jeder Wert gespeichert wird. Je genauer das Gewicht gespeichert wird, desto mehr Platz braucht es im Speicher. Bei 8 Bits pro Gewicht ist das ein Byte und damit können 256 verschiedene Werte für jedes Gewicht unterschieden werden. Das lässt sich durch „Quantisierung“ reduzieren. Begnügt man sich beispielsweise mit 4 Bits, reduziert das den Speicherbedarf um die Hälfte. Allerdings gibt es dann nur noch 16 verschiedene Werte pro Gewicht. Das kann je nach Modell die Qualität der Antworten spürbar verschlechtern.</p><p>Ein aktuelles Beispiel dafür ist NVIDIAs am 15.10.2026 veröffentlichtes Nemotron 3.5 Bolt 74B-A9B 24GB. Trotz seiner 74 Milliarden Parameter soll es dank einer auf lediglich zwei Bit ausgelegten Quantisierung laut Hersteller mit 24 GB Speicher auf lokalen RTX- und Spark-Systemen auskommen. Das macht solche Modelle auch für kleinere Rechner interessant; ob Qualität und Geschwindigkeit für die eigene Aufgabe ausreichen, muss man weiterhin ausprobieren.</p><p>Der Speicherbedarf belastet sowohl die Platte des PCs als auch vor allem den Hauptspeicher. Denn bei der Inferenz müssen diese Daten von der Platte komplett in den schnellen Arbeitsspeicher geholt werden. Ansonsten kommen die Antworten meist unerträglich langsam.</p><p>Zugleich braucht man aber auch sehr leistungsfähige Rechenkerne. Die zentrale Recheneinheit (CPU) ist auch bei modernen PCs mit dem Multiplizieren von zig Milliarden Zahlenwerten pro Sekunde oft deutlich überfordert. Deshalb wird in Systemen, die für die Arbeit mit KI-Modellen optimiert sind, zumeist spezielle Hardware eingesetzt, wie sie ursprünglich für Grafikkarten entwickelt wurde (auch die müssen nämlich für die Anzeige realistischer Bilder Unmengen von Zahlen miteinander multiplizieren). Diese spezielle Rechen-Hardware muss aus dem Hauptspeicher so schnell wie möglich mit den Modelldaten versorgt werden. Auch das ist bei herkömmlichen PCs oft ein Problem. Die Übertragungswege zwischen dem Hauptspeicher der CPU und der Grafikkarte sind für diese nötigen Geschwindigkeiten meist nicht ausgelegt. Deshalb bestimmt der Speicher auf der oder den Grafikkarte(n) die Größe der Modelle, die damit verarbeitet werden können. Falls Sie sich schon einmal gefragt haben sollten, warum Grafikkarten mit viel Speicher (bzw. schnelle Speicherchips überhaupt) in den letzten Monaten und Jahren so teuer geworden sind … Jetzt wissen Sie es: Die werden inzwischen vorwiegend dafür verwendet, riesige KI-Modelle zu speichern.</p><p>Kleiner Exkurs: Ein Spezialfall in diesem Kontext sind die zentralen Recheneinheiten von Apple und die RTX-Spark-Systeme von NVIDIA. Diese Chips vereinen klassische CPUs mit der speziellen Rechenhardware, die sonst auf Grafikkarten zu finden ist, und dem Hauptspeicher „direkt daneben“. Das hat sowohl Kosten- als auch Performance-Vorteile. Aber auch hier gilt, dass das limitierende Element am Ende der Hauptspeicher ist. Diesen Ansatz praktiziert Apple seit der Umstellung auf eigene „Apple-Silicon-Chips“. Neuerdings gibt es das auch unter Windows: Microsoft und NVIDIA haben am 7. Oktober 2026 RTX-Spark-Laptops mehrerer Hersteller sowie die Surface RTX Spark Dev Box vorgestellt. Mit gemeinsamem Speicher bis 128 GB sind sie eine Alternative zu ähnlich ausgestatteten MacBooks und kompakten Macs für lokal betriebene KI.</p><h3>Was auf welchem Rechner möglich ist</h3><p>Die folgende Tabelle ist eine Orientierung für gebräuchliche Modelle. Sie beschreibt Größenordnungen und konkrete Beispiele, keine garantierte Leistung jeder Speicherausstattung. Ein neues Basismodell und ein älterer Ultra-Chip können trotz gleicher Speichermenge sehr unterschiedlich arbeiten.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OkJ1HPx1tTtDtBYR_wAmnQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AylhH6GLVL97wkoG21pWmA.png" /></figure><h3>Kleine Rechner für KI und ihre Grenzen</h3><p>Für lokale KI brauchen Sie nicht unbedingt einen eigenen Server. Ein PC mit geeigneter Grafikkarte kann zugleich Ihr normaler Arbeitsplatz bleiben. Bei Apple Silicon und der neuen RTX-Spark-Architektur haben Sie die Wahl zwischen einem Laptop und einem Desktop-Rechner. Wer die KI regelmäßig oder gar im Hintergrund arbeiten lassen möchte, wird eher einen Rechner wählen, der dauerhaft am Strom und im Netzwerk hängt. Ein Laptop bietet dagegen die Möglichkeit, das Modell samt vertraulichen Unterlagen mitzunehmen. Man sollte sich hier aber keinerlei Illusionen hingeben: Wie ich oben schon einmal sagte, führt die starke Beanspruchung der Rechen-Hardware bei Laptops dazu, dass bei diesen der Lüfter deutlich hörbar sein Werk verrichtet und der Akku in null Komma nichts entleert wird.</p><p>Die Tabelle beantwortet vor allem die Frage, welche Modelle in den Speicher passen. Für die tägliche Arbeit kommt es darauf an, wie flüssig sie auf dem jeweiligen Rechner laufen. Ein Modell, das den Speicher nahezu vollständig belegt, lässt wenig Platz für andere Programme und die Verarbeitung umfangreicher Unterlagen. Ein etwas kleineres Modell kann deshalb die praktischere Wahl sein, wenn Sie währenddessen weiterarbeiten möchten.</p><p>Dabei zählt nicht nur, wie schnell die Antwort auf dem Bildschirm erscheint. Bevor das Modell sie schreiben kann, muss es Ihre Eingabe verarbeiten. Bei einer kurzen Frage fällt das kaum auf; bei einem Stapel Dokumente kann schon dieser erste Schritt erhebliche Wartezeit verursachen. Probieren Sie deshalb möglichst die Arbeit aus, für die Sie den Rechner tatsächlich einsetzen wollen: eine Unterhaltung, die Auswertung eines Vertrags oder die Bearbeitung vieler kurzer Anfragen.</p><p>Für einen spontanen Gedankenaustausch ist das möglicherweise zu langsam. Für einen Bericht, der nachts entstehen soll, kann es vollkommen ausreichen. Und ich kenne auch Softwareentwickler, die mit der Leistung, die ihnen ein lokal betriebenes Modell heutzutage auf einem System mit 64 GB oder 128 GB bietet, rundherum zufrieden sind. Das liegt unter anderem daran, dass man bei der Softwareentwicklung auch dann, wenn man gute Cloud-betriebene Modelle verwendet, längere Wartezeiten gewohnt ist.</p><h3>Warum Unternehmen andere Fragen stellen sollten</h3><p>Persönliche Bequemlichkeit steht bei den Entscheidungen für diese oder jene Lösung aber nicht immer im Vordergrund. Nehmen wir einen Maschinenbaubetrieb. Jeden Tag kommen Anfragen nach Ersatzteilen, Lieferterminen und Wartung herein. Eine lokale KI soll die Texte einordnen, Artikelnummern herausziehen und einen Antwortentwurf vorbereiten. Sie muss dafür keine Reise planen oder ein Gedicht schreiben können. Und es ist auch nicht wichtig, dass die Bearbeitung einer solchen Anfrage innerhalb von wenigen Sekunden abgeschlossen ist.</p><p>Die Aufgabe lässt sich begrenzen. Das System bekommt relevante Produktunterlagen und klare Ausgabefelder. Die Unterlagen werden als Arbeitsmaterial zur Anfrage bereitgestellt; das Modell muss dafür nicht neu trainiert werden. Mit festen Kategorien und Ausgabefeldern lässt sich leichter prüfen, ob es seine Aufgabe erfüllt. Das gilt sowohl für lokale als auch für Cloudmodelle. Eine andere Software prüft, ob die genannte Artikelnummer im Katalog existiert. Unklare Fälle gehen an einen Mitarbeiter. Solche Jobs (und davon auch einige verschiedene parallel) lassen sich unter Umständen sehr gut auf einem guten Standard-PC mit einer 32-GB-Grafikkarte abarbeiten.</p><p>Oder denken Sie an ein Unternehmen, das abends Belege verarbeitet. Datum, Lieferant und Betrag sollen in eine Tabelle übernommen werden. Eine Texterkennung kann vorarbeiten; die KI hilft bei wechselnden Formulierungen und unübersichtlichen Dokumenten. Rechenregeln prüfen Summen, fehlende Angaben lösen eine Rückfrage aus. Das System hat die Nacht Zeit. Die eigentliche Buchung kann weiterhin eine Freigabe erfordern.</p><p>Beide Beispiele sind mögliche Anwendungen, keine Erfolgsmeldungen aus einem konkreten Betrieb. Ihr Vorteil liegt darin, dass man die Aufgabe, die erlaubten Ausgaben und mögliche Fehlerfälle sehr gut kennt. Darauf kann man die Prompts anpassen und eventuell auch eine Vor- oder Nachbearbeitung mit ganz normaler Nicht-KI-Software ergänzen. Häufig beginnen solche Projekte mit einem Prototypen, den man zunächst einmal mit einem normalen Cloud-basierten Modell aufbaut, dann auf ein lokal betriebenes überträgt, optimiert und dann im täglichen Betrieb guten Gewissens mit einem kleineren Modell durchlaufen lassen kann. Wenn das dann pro Aufgabe ein bisschen länger dauert, als wenn man das mit dem jeweils neuesten Highend-Modell von OpenAI, Google oder Claude machen lässt, tut das nicht wirklich weh.</p><p>Geduld ersetzt allerdings keine Kapazitätsplanung. Wenn jeder Vorgang eine Minute dauert und alles nacheinander läuft, beanspruchen eintausend Vorgänge halt 17 Stunden. Steigt die Zahl der eingehenden Anfragen über die geplante Menge, kann es passieren, dass die Maschine die Arbeit an einem Tag nicht mehr schafft und sich ein Rückstau bildet. Mehrere Anfragen parallel können den Gesamtdurchsatz erhöhen, benötigen eventuell zusätzlichen Speicher und müssen mit der tatsächlichen Software getestet werden. „Läuft im Hintergrund“ ist eine brauchbare Anforderung. „Darf beliebig lange dauern“ ist selten eine. Das ist eben der Vorteil der cloud-basierten Verarbeitung. Dort wächst die Kapazität normalerweise mit den Anforderungen.</p><h3>Lohnt sich das denn?</h3><p>Ob es sich rechnet, sich die KI ins Haus zu holen, ist wieder eine andere Frage. Bei der automatisierten Nutzung eines in der Cloud betriebenen Modells stellt die eigene Software die Anfragen über eine Programmierschnittstelle, kurz API. Dabei werden Eingaben und Ausgaben „nach Volumen“ abgerechnet. Das ist nicht mit einem monatlichen Chat-Abo zum Festpreis vergleichbar. Jede einzelne Frage mag an der API maximal kleine Cent-Beträge kosten. Zusammengenommen läppert sich das aber im Verlauf eines Tages, einer Woche oder gar eines Monats.</p><p>Und wir dürfen nicht vergessen, dass die Preise, die die meisten Anbieter für die Nutzung ihrer KI-Schnittstellen verlangen, heutzutage immer noch subventioniert sind. Preissteigerungen sind deshalb nicht ausgeschlossen. Umgekehrt darf man aber auch nicht außer Acht lassen, dass die Nutzung eines bestimmten Niveaus von „Intelligenz“ jedes Jahr um ungefähr den Faktor 10 billiger wird. Zumindest deuten das die Erfahrungen der vergangenen Jahre an. Und es gibt immer wieder „Rabatt-Aktionen“. Eine sichere Prognose der Betriebskosten, mit der sich die Kosten der eigenen KI auf eigener Hardware vergleichen ließen, ist deshalb schwierig.</p><p>Ein frei lizenziertes lokal betriebenes Modell benötigt für Aufgaben wie die oben beschriebenen solche API-Aufrufe nicht. Dafür bezahlen (finanzieren) Sie den Rechner, Strom, Einrichtung und Betreuung. Dazu kommen gegebenenfalls andere Dienste und die Nacharbeit an fehlerhaften Ergebnissen.</p><p>Eine fiktive Rechnung macht den Unterschied sichtbar. Angenommen, die anteiligen monatlichen Kosten einer lokalen Lösung betragen einschließlich Hardware, Betrieb und Betreuung 500 Euro. Angenommen, die vergleichbare Alternative aus der Cloud kostet pro vergleichbarem Vorgang zwei Cent. Dann liegt der rein rechnerische Gleichstand bei 25.000 Vorgängen im Monat. Bei einem halben Cent wären es schon 100.000.</p><p>Die Rechnung hilft nur, wenn beide Lösungen die Aufgabe ähnlich gut erledigen und die lokale Maschine das Volumen schafft. Braucht jeder zehnte Vorgang aufwendige menschliche Nacharbeit (und die Cloud-Lösung nicht), kann ein scheinbar günstiges lokales Modell teuer werden.</p><h3>Mehr Kontrolle, mehr Verantwortung</h3><p>Das sind aber nur die kaufmännischen Erwägungen. Viele Unternehmen interessieren sich auch deswegen für selbst betriebene KI, weil sie dann die vollständige Hoheit über die eigenen Daten behalten und diese nicht über das Internet zu Anbietern mit undurchschaubaren Interessen in anderen Rechtssystemen abfließen. Der eigene Betrieb sorgt dafür, dass Dokumente und Eingaben im Unternehmen bleiben. Sie können eine bewährte Modellversion behalten, ihre Anwendung darauf abstimmen und selbst über einen Wechsel entscheiden.</p><p>Dafür müssen Sie Zugriffsrechte, Updates, Backups und den Schutz des Systems organisieren. Eine lokale KI, die anschließend einen externen Suchdienst aufruft oder Dokumente an eine andere Schnittstelle schickt, arbeitet nicht mehr vollständig lokal.</p><p>Und nicht vergessen darf man auch, dass, sobald die lokale KI unternehmenskritische Aufgaben übernimmt, auch sichergestellt werden muss, dass sie einigermaßen ausfallsicher betrieben wird. Wenn der lokale Server am Montagmorgen nicht mehr startet: Wie lange darf die Bearbeitung stillstehen? Wer besorgt Ersatz? Und wie kommen Modell, Software, Einstellungen und benötigte Daten rechtzeitig auf das andere Gerät? Ein Backup allein hilft wenig, wenn die passende Hardware erst in mehreren Wochen lieferbar ist. Bei spezieller Hardware, die man nicht unbedingt von heute auf morgen nachgekauft bekommt, ist die praktikabelste Lösung, sich das Ganze zweimal hinzustellen.</p><p>Fassen wir zusammen: Es ist kompliziert! ;-)</p><h3>Mit der Aufgabe anfangen</h3><p>Trotzdem kann man selbstverständlich bei vielen Anwendungen zu einer zumindest begründbaren Entscheidung kommen, wenn man von der konkreten Aufgabe ausgeht. Wer gelegentlich einen vielseitigen Assistenten braucht, der gelegentlich auch sehr anspruchsvolle Fragen zuverlässig bearbeiten kann, bekommt mit einem gehosteten Dienst oft die beste Lösung. Eine große lokale Maschine allein kann dieses Nutzungserlebnis meist nicht reproduzieren.</p><p>Wer dagegen viele ähnliche Vorgänge verarbeitet, vertrauliche Unterlagen intern halten möchte und den Betrieb organisieren kann, sollte lokale Modelle ernsthaft prüfen. Der Entscheidungsprozess dabei ist nicht trivial. Das gilt sowohl für die Kosten (hier oben) als auch für die Auswahl des Modells und damit der benötigten Hardware. Ein kleineres Modell, das eine abgegrenzte Aufgabe zuverlässig erledigt, kann nützlicher sein als ein großes Modell, das vieles halbwegs gut kann und dafür zu lange braucht.</p><p>In der Praxis wird es in den meisten Unternehmen oft auf eine hybride Lösung hinauslaufen: Interne Routine lässt sich vielleicht lokal abarbeiten, ausgewählte schwierige Aufgaben bei einem externen Dienst. Welche Daten dabei übertragen werden dürfen, muss bewusst entschieden werden. Und vor einer Investitionsentscheidung ist es auf jeden Fall empfehlenswert, die konkrete Anwendung tatsächlich auf der gewählten Hardware laufen zu lassen. Auf dem Papier mag die zu erwartende Performance gut aussehen. Im praktischen Einsatz gehen nicht alle Über-den-Daumen-Kalkulationen auf.</p><p>Am wichtigsten ist eine grundsätzliche Erkenntnis: Die eigene KI muss nicht alles können. Sie muss die Arbeit, für die Sie sie einsetzen wollen, gut genug und zu vertretbaren Kosten erledigen.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2ac388f0dff8" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Was man nicht im Kopf hat … Warum KIs ein drittes Gedächtnis brauchen]]></title>
            <link>https://markusbreuer.medium.com/was-man-nicht-im-kopf-hat-warum-kis-ein-drittes-ged%C3%A4chtnis-brauchen-17826eff0451?source=rss-24b4eee20562------2</link>
            <guid isPermaLink="false">https://medium.com/p/17826eff0451</guid>
            <dc:creator><![CDATA[Markus Breuer]]></dc:creator>
            <pubDate>Mon, 12 Oct 2026 02:53:10 GMT</pubDate>
            <atom:updated>2026-10-12T02:53:10.194Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*ZwcpVFDN9ZSy89MO" /></figure><p><em>Wer die Entwicklung von KI-Modellen verfolgt, bekommt schnell den Eindruck, dass es in erster Linie darum geht, diese Schritt für Schritt immer “intelligenter” zu machen. Da ist auch etwas Wahres dran. Aber tatsächlich entsteht die zusätzliche Leistungsfähigkeit seit Langem vor allem auch dadurch, dass sich diese KIs immer länger selbstständig mit einer Aufgabe beschäftigen können. Und dafür ist das Thema </em><strong><em>Gedächtnis</em></strong><em> bzw. Erinnerung extrem wichtig. Eine KI darf ja nicht vergessen, was das Endziel einer Aufgabe ist, wie der Plan dahin aussieht, welche Zwischenergebnisse erarbeitet wurden, und so weiter. Auch für die KI-Assistenten, die seit Anfang 2026 immer brauchbarer wurden, ist ein gutes Gedächtnis essentiell. Wer länger mit einem Assistenten arbeitet, möchte an frühere Gespräche anknüpfen, Entscheidungen weiterverwenden und bewährte Vorgehensweisen beibehalten. Dafür muss das System Informationen über mich und vergangene Zusammenarbeit behalten und idealerweise dazulernen. Und damit sind wir wieder beim </em><strong><em>Gedächtnis</em></strong><em>. Es lohnt sich deshalb, etwas darüber zu wissen, wie das Gedächtnis der KIs funktioniert.</em></p><p>Und dazu lohnt es sich, sich erst einmal anzuschauen, wie das menschliche Gedächtnis grob funktioniert. Denn da gibt es ausgeprägte Parallelen. Haben Sie deshalb etwas Geduld mit mir, wenn ich zunächst einmal einen kleinen Exkurs über das Funktionieren des menschlichen Gehirns mache. (Der ist tatsächlich eine leicht ergänzte Zusammenfassung des entsprechenden Kapitels aus meinem Buch <a href="https://kis-sind-auch-nur-menschen.de/">„KIs sind auch nur Menschen“</a>. Bei Interesse können Sie dort tiefer in dieses und andere Themen einsteigen.)</p><p>KIs verarbeiten und speichern Informationen (wie Menschen) über Muster und Beziehungen (Assoziationen) und finden sie so auch wieder. Das unterscheidet sie grundsätzlich vom Speichern und Abrufen präziser Informationspakete in einem Computer.</p><h3>Der Zahnputztrick</h3><p>Immer, wenn ich dieses Prinzip anderen Menschen verdeutlichen möchte, verwende ich seit vielen Jahren eine kleine Anekdote mit einem Trick, den ich auch wirklich alle paar Tage nutze: Wenn mir beim Zähneputzen ein Gedanke kommt und ich 2 Minuten später in der Küche stehe, ist der Gedanke oft weg. Ich weiß nicht mehr, was mir da eingefallen ist, nur, dass „da irgendetwas war“. Dann gehe ich zurück ins Badezimmer, nehme die Zahnbürste in die Hand und nehme dieselbe Haltung vor dem Spiegel ein wie in dem Moment, als mir der Gedanke gekommen war. Und zack: kommt die Idee zurück.</p><p>Das funktioniert, weil in unserem Gehirn keine Information ohne Zusammenhang existiert. Jede einzelne Information ist assoziativ mit vielen anderen verknüpft. Und dazu gehören eben auch der Ort, die Körperhaltung oder der Geschmack der Zahnpasta. Je mehr solche Verbindungen (Assoziationen) für eine Erinnerung existieren, desto einfacher kann sie hervorgeholt werden.</p><p>Solche Erfahrungen zeigen, weshalb es irreführend ist, das menschliche Gedächtnis mit einem Computerspeicher oder einer Festplatte zu vergleichen. Eine Datei öffnen wir über ihren Namen und ihren Speicherort. Beim menschlichen Erinnern helfen Verknüpfungen: Ein Eindruck führt zum nächsten, ein Begriff zu einer Geschichte, ein Gesicht zu einem Namen. Wir sprechen von Assoziationen.</p><p>Dieser Unterschied ist für KIs extrem wichtig. Denn genauso funktionieren die Ablage und das Wiederfinden von Informationen in den künstlichen neuronalen Netzen, auf denen die modernen großen Sprachmodelle (LLMs) basieren. In diesem neuronalen Netz sitzt das im Training erworbene Wissen ebenfalls nicht als Sammlung von Datensätzen, die es unter einer Adresse unverändert ausliest, sondern in Form vieler kleiner Informationshäppchen, die intensiv miteinander verknüpft sind.</p><p>Das hat praktische Folgen. Eine Datenbank kann einen gespeicherten Rechnungsbetrag genau wiedergeben. Eine Antwort aus dem Modellwissen wird dagegen anhand der Eingabe neu erzeugt. Sie kann bei Details ungenau sein, auch wenn sie plausibel klingt. Das gilt etwa für Namen, Zahlen oder Quellenangaben. Dass die Antwort von einem Computer kommt, macht sie noch nicht zu einem präzise ausgelesenen Datenbankeintrag.</p><h3>Was wir wissen, ist mehr als das, was wir gerade im Kopf haben</h3><p>Das menschliche Gedächtnis ist zudem zweigeteilt: Es besteht zum einen aus einem Langzeitgedächtnis und zum anderen aus dem Kurzzeitgedächtnis oder Arbeitsgedächtnis. (Tatsächlich gibt es noch eine andere Form: das Ultrakurzzeitgedächtnis. Das spielt für diesen Artikel aber mal keine Rolle.) Unser Langzeitgedächtnis enthält Wissen, Erinnerungen und erlernte Fertigkeiten. Die Quelle dafür liegt oft weit in der Vergangenheit. Und was die Präzision der Erinnerungen angeht, ist das Langzeitgedächtnis oft nicht sehr gut. An viele Dinge erinnern wir uns nur vage (hieß der Vertriebsmitarbeiter einer Firma, den wir letzte Woche auf einer Messe getroffen haben, nun Müller oder Maier?). Das Arbeitsgedächtnis oder Kurzzeitgedächtnis hält dagegen Informationen bereit, mit denen wir uns gerade beschäftigen: die Zahlen einer Rechnung, die Argumente eines Gesprächs oder die nächsten Schritte einer Aufgabe.</p><figure><img alt="Aufgabe: Langzeitgedächtnis — Wissen, Erfahrungen und Fertigkeiten längerfristig bewahren. Kurzzeit- / Arbeitsgedächtnis — Informationen für die aktuelle Aufgabe bereithalten. Kapazität: Langzeitgedächtnis — Sehr, sehr groß. Kurzzeit- / Arbeitsgedächtnis — Stark begrenzt. Dauer: Langzeitgedächtnis — Tage, Jahre oder ein Leben lang. Kurzzeit- / Arbeitsgedächtnis — Kurzzeitig; durch aktive Beschäftigung aufrechterhaltbar. Zugriff: Langzeitgedächtnis — Über passende Assoziationen und Abrufhinweise." src="https://cdn-images-1.medium.com/max/1024/0*mFhir0UnYcTtSX1b" /></figure><p>Dieses Arbeitsgedächtnis ist begrenzt und flüchtig. Versuchen Sie einmal, eine unbekannte zehnstellige Zahl kurz anzusehen und anschließend aus dem Kopf wiederzugeben. Das können nur wenige von uns. Es gelingt leichter, wenn Sie die Ziffern zu Gruppen zusammenfassen. Aus demselben Grund helfen Gruppierungen beim Lesen und Merken von Telefonnummern oder IBANs.</p><p>Wenn neue Informationen unsere Aufmerksamkeit beanspruchen, müssen andere aus dem Arbeitsgedächtnis herausgekickt werden. Wenn wir eine längere, komplexe Aufgabe erledigen, müssen wir Zwischenergebnisse entweder im Langzeitgedächtnis ablegen (was auf die Schnelle und bewusst fast unmöglich ist) oder uns Notizen machen. Deshalb ist es für die meisten von uns zum Beispiel so schwierig, zwei längere Zahlen im Kopf miteinander zu multiplizieren.</p><p>Ich hatte gerade ja schon erwähnt, dass es sehr schwierig ist, Informationen aus dem Kurzzeitgedächtnis bewusst ins Langzeitgedächtnis zu tragen. Das ist vor allen Dingen deshalb schwierig, weil es länger dauert und dabei in unserem Gehirn tatsächlich andere Prozesse angestoßen werden und die Informationen auf andere Art abgelegt werden als im Kurzzeitgedächtnis. Dafür spielt unter anderem auch eine Rolle, wie oft wir einer Information begegnen. Ich kann mich bis heute an die Telefonnummer meiner Eltern erinnern, die ich vor 25 Jahren das letzte Mal benutzt habe — eben weil ich sie in der Zeit davor so oft gesehen und benutzt habe. Damals musste man solche Nummern meist ja noch manuell wählen und hat nicht einfach einen Namen in einer Liste angetippt. Aus den letzten fünf Jahren kann ich mich an keine neue Telefonnummer mehr erinnern — ich sehe und benutze diese ja nicht mehr oder höchstens nur kurz und flüchtig, nachdem ich den Namen des Anzurufenden in einer Liste antippe.</p><p>Zwischen dem aktuellen Erleben und längerfristigen Erinnerungen gibt es beim Menschen zudem einen weiteren Prozess: die Konsolidierung. Neue Erfahrungen werden stabilisiert, mit vorhandenem Wissen verknüpft und neu eingeordnet. Dabei spielt der Schlaf eine wichtige Rolle. Erinnerungen werden also über das unmittelbare Erleben hinaus verarbeitet. Nicht jedes Detail bleibt erhalten. <a href="https://walkerlab.berkeley.edu/reprints/Walker_RV_NatNeuro_2013.pdf">Hintergrund zur Gedächtnisverarbeitung im Schlaf</a>.</p><p>Und wenn wir neue Fertigkeiten erlernen wollen, müssen wir die entsprechenden Arbeitsabläufe oder Bewegungsabläufe oft zigmal oder gar tausende Male durchlaufen, bis das genug Spuren im neuronalen Netz unseres Gehirns hinterlässt, damit wir das danach, ohne nachzudenken, tun können. Das ist noch etwas aufwendiger, als sich eine lange Telefonnummer oder PIN zu merken.</p><h3>Das “Dritte Gedächtnis”</h3><p>Seit Erfindung der Schrift erweitern Menschen ihre Möglichkeiten durch Notizen, Akten, Bücher und Archive, später durch Datenbanken und digitale Ablagen. In meinem Buch nenne ich diesen Bereich das „Dritte Gedächtnis“.</p><p>Die Notwendigkeit dafür ist leicht nachvollziehbar. Sie erinnern sich vielleicht noch gut an das Essen und das Restaurant, in dem Sie einen besonderen Hochzeitstag gefeiert haben. Wie hoch die Rechnung genau war, wissen Sie meist nicht mehr. Wenn Sie diesen Betrag später benötigen, hilft der aufbewahrte Beleg.</p><p>Externe Aufzeichnungen können Informationen langfristig und in genauer Form bewahren. Dafür müssen wir die passende Aufzeichnung finden, lesen und in unsere aktuelle Überlegung einbeziehen. Ein Beleg im Ordner beantwortet eine Frage erst dann, wenn wir ihn tatsächlich heranziehen (und finden).</p><p>Damit stehen uns als Menschen drei unterschiedliche “Gedächtnisse” zur Verfügung:</p><ol><li>Nachhaltig erworbenes, “erlerntes” Wissen im Langzeitgedächtnis</li><li>Einige wenige Informationen als Material unserer aktuellen Überlegung im Kurzzeitgedächtnis</li><li>Zusätzlich eine fast beliebig große Menge von Aufzeichnungen, Notizen, Protokollen, Datenbanken etc. — das “Dritte Gedächtnis”</li></ol><p>Diese Unterscheidung lässt sich als Analogie auf KI übertragen. Die technischen Mechanismen unterscheiden sich vom menschlichen Gedächtnis, die Aufgaben der drei Bereiche sind jedoch gut vergleichbar.</p><h3>Das Modellwissen entsteht im Training.</h3><p>Ein großes Sprachmodell, ein Large Language Model oder LLM, erwirbt seine Sprachfähigkeiten, Wissensmuster und eine unglaublich große Menge an Informationen über die Welt und die menschliche Kultur sowie auch die Verfahren zur Bearbeitung von Aufgaben im “Pre-Training”. Sie sind in den Parametern des neuronalen Netzes verankert, den sogenannten “Gewichten”. Dieser Bereich entspricht in unserer Analogie dem Langzeitgedächtnis.</p><p>Es gibt allerdings einen dramatischen Unterschied zwischen dem neuronalen Netz einer KI und unserem Langzeitgedächtnis: Neue Erfahrungen und Erlebnisse können bei uns längerfristig verändern, was wir wissen und wie wir handeln. Die Gewichte im künstlichen neuronalen Netz eines LLMs sind hingegen “eingefroren”. Bei der Benutzung eines LLMs findet keine Veränderung dieser Gewichte statt. KIs lernen nach dem Training nicht mehr dazu. Was bei der Zusammenarbeit an Arbeitsergebnissen, Erkenntnissen und Erfahrungen entsteht, muss auf einem anderen Weg für die Zukunft erhalten werden.</p><h3>Kontextfenster und Arbeitsgedächtnis</h3><p>Wenn Sie einem KI-Chatbot eine Frage stellen, gehen diese und weitere Informationen, die zur Beantwortung benötigt werden (der “Kontext” der Frage), ins Arbeitsgedächtnis, das “Kontextfenster”. Da stehen grundsätzliche Anweisungen, der bisherige Verlauf des Gesprächs, Dokumentauszüge, gespeicherte Erinnerungen, die Ergebnisse der letzten Web-Recherche drin etc. Der Chatbot bearbeitet dieses Material dann mit seinen antrainierten Fähigkeiten und unter Berücksichtigung der Informationen in seinem großen neuronalen Netz. Das ist riesig.</p><p>Wie viele aktuelle Informationen berücksichtigt werden, ist hingegen beschränkt. Das Kontextfenster ist im Verhältnis zum Langzeitgedächtnis klein. Seine Größe wird in Token angegeben. Ein Kontextfenster kann sehr viel umfangreicher sein als unser menschliches Arbeitsgedächtnis. Seine Kapazität bleibt dennoch endlich. Üblich sind heute Größen zwischen 128.000 Token (ca. 40.000 Wörter) und 1 Million Token (350.000 Wörter).</p><p>Bei langen Gesprächen oder länger laufenden Agentenaufgaben wächst die Menge des Materials. Das hat vor allem mit zusätzlichen Informationen zu tun, die aus Dokumenten kommen. Dann ist selbst ein Fenster mit 350.000 Wörtern schnell voll. Beim Programmieren schaffe ich es zum Beispiel regelmäßig, diesen Speicher innerhalb von einer halben bis 1 Stunde zu füllen. Viele Systeme kürzen dann ältere Inhalte oder fassen den bisherigen Verlauf zusammen. Diese Verdichtung wird häufig als <a href="https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents">Kompaktierung</a> bezeichnet. Sie schafft Platz für die Fortsetzung. Dabei können aber selbstverständlich Details verloren gehen.</p><p>Wenn etwa von „Wir haben Zielgruppe A geprüft und verworfen; wir arbeiten mit Zielgruppe B weiter“ nur „Zielgruppe A wurde besprochen“ übrig bleibt, fehlt eine wichtige Unterscheidung. Eine gute Zusammenfassung muss deshalb auch den Status einer Information erhalten: vorgeschlagen, geprüft, beschlossen oder verworfen.</p><h3>Das dritte Gedächtnis der KIs</h3><p>Alles, was nicht ins Kontextfenster passt, aber für die Beantwortung einer Frage oder die Bearbeitung einer Aufgabenstellung relevant ist, muss anderweitig abgelegt werden. Dazu können persönliche Präferenzen, Projektstände, Entscheidungen, Quellen, Unterlagen, Datenbankinhalte und Arbeitsanleitungen gehören. Sie erfüllen für den Chatbot eine ähnliche Aufgabe wie unsere Notizen, Belege und Nachschlagewerke.</p><p>Moderne Chatbots wie CahtGPT oder Claude bieten dafür verschiedene Funktionen. Anwender können Erinnerungen ausdrücklich hinterlegen und bearbeiten. Die Systeme speichern auch selbst Informationen, die sie für spätere Gespräche als relevant einstufen. Sie können Informationen aus dem Internet besorgen, Dokumentenarchive durchsuchen oder auch in Datenbanken nachschlagen. Hinzu kommen Möglichkeiten, Inhalte aus vergangenen Unterhaltungen wieder heranzuziehen. Umfang und Verfügbarkeit unterscheiden sich je nach Produkt und Konto.</p><p>Gespeicherte Erinnerungen und die Suche im Chatverlauf erfüllen unterschiedliche Aufgaben. Eine Erinnerung kann eine verdichtete Information enthalten, etwa eine bevorzugte Schreibweise oder eine wichtige Projektvorgabe. Eine Suche kann dagegen frühere Gesprächsstellen wiederfinden, an denen eine Frage ausführlicher behandelt wurde.</p><p>Auch die Pflege solcher Erinnerungen wird weiterentwickelt. OpenAI beschreibt unter dem Namen <a href="https://openai.com/index/chatgpt-memory-dreaming/">„Dreaming“</a> Hintergrundprozesse, die Informationen aus mehreren Gesprächen zusammenführen und Erinnerungen aktuell halten sollen. Das ist angelehnt an die weiter oben beschriebene Konsolidierung von Erinnerungen im menschlichen Gehirn. Das ist allerdings noch ziemliches Neuland, wo die Ergebnisse solcher Prozesse durchwachsen sind. Das ist ein ständiger Balanceakt zwischen der notwendigen Verdichtung von Informationen und dem Verlieren von Details (was, wenn wir ehrlich sind, auf die menschliche Erinnerung sehr ähnlich zutrifft — und ich spreche da aus leidvoller Erfahrung).</p><p>Fest etabliert ist hingegen die Verwendung von Informationen in digitalen Dokumenten. Das Internet, Dateien auf unserer Festplatte oder im Intranet einer Organisation, Datenbanken, ERP- und CRM-Systeme können das externe Gedächtnis einer KI ebenfalls erweitern. Hier gibt es für alle großen Chatbots und KI-Plattformen inzwischen einen bunten Strauß von Plugins, Extensions, Anbindungen an Dateisysteme und andere IT-Plattformen. Man spricht in diesem Zusammenhang von “RAG”, Retrieval-Augmented Generation. Der Umfang der Informationen, auf die auf diesem Wege zugegriffen werden kann, ist nahezu unbegrenzt.</p><p>Aber — und das ist ein sehr gewichtiges “Aber”: Zur Beantwortung der aktuellen Frage bzw. zur Bearbeitung des aktuellen Arbeitsauftrags müssen die dafür benötigten Informationen aus dem dritten, externen Gedächtnis immer erst einmal wieder in das Kontextfenster gelangen. Was gespeichert ist, wird also nicht automatisch bei jeder Antwort berücksichtigt. Das System muss passende Inhalte auswählen und bereitstellen — so wie wir Menschen für eine genaue Auskunft erst den richtigen Beleg finden und aus dem Aktenordner oder einer Datei lesen müssen.</p><p>Das erklärt auch, weshalb eine Erinnerung (Information) vorhanden sein kann und dennoch in einer Antwort fehlt. Speicherung, Wiederfinden und ihre korrekte Interpretation und Anwendung sind jeweils eigene Aufgaben. Bei all diesen Schritten können Fehler passieren. Wir dürfen niemals vergessen, dass die Prozesse, die in einer KI ablaufen, keine Algorithmen sind. Algorithmen führen, wenn sie denn fehlerfrei sind, stets zuverlässig zu einem korrekten Ergebnis. Eine KI hingegen kann — wie ein Mensch — jederzeit eine wichtige Information, die vielleicht in einem einzelnen Wort steht, übersehen oder einen Satz anders interpretieren.</p><h3>Erfahrungswissen festhalten — Skills</h3><p>Und das waren nur die faktischen Informationen. Wenn ein Mensch eine Aufgabe zehn- oder zwanzigmal erledigt, sammelt er dabei Erfahrungen. Er lernt, welche Schritte funktionieren, was unnötig ist und wo Fehler auftreten. Mit der Zeit kann daraus eine eingeübte Vorgehensweise werden.</p><p>Ein KI-Modell verändert durch die wiederholte Bearbeitung einer Aufgabe die Gewichte in seinem neuronalen Netz aber <strong>nicht</strong>. Damit der Chatbot beim nächsten Durchlauf von früheren Erfahrungen profitieren kann, müssen diese außerhalb des Modells erhalten bleiben. Ein gespeicherter Gesprächsverlauf enthält sie möglicherweise, aber oft nur verstreut zwischen Fragen, Versuchen und Korrekturen.</p><p>Deshalb lohnt es sich, nach einer gelungenen Aufgabe die Vorgehensweise ausdrücklich herauszuarbeiten: Welche Schritte haben zum Erfolg geführt? Welche Bedingungen müssen erfüllt sein? Welche Fehler sollten vermieden werden? Woran erkennt man ein gutes Ergebnis? Das sollte man unbedingt “schriftlich festhalten”, wenn es wahrscheinlich ist, dass eine solche Aufgabe noch einmal erledigt werden muss. Glücklicherweise müssen wir das nicht unbedingt selbst tun. Die KI kann uns dabei helfen, das präzise auszuformulieren (wir sollten das selbstverständlich danach immer prüfen) und abzulegen.</p><p>Hier kommen die sogenannten <a href="https://agentskills.io/home">Skills</a> ins Spiel. Ein Skill beschreibt, wie eine KI eine bestimmte Aufgabe bearbeiten soll. Dazu können Arbeitsschritte, Qualitätskriterien, Checklisten und Beispiele gehören. Dafür gibt es inzwischen ein Format, auf das sich alle relevanten Entwickler und Betreiber von modernen KI-Modellen geeinigt haben. In diesem Format lassen sich außerdem Vorlagen, Referenzmaterial und sogar ausführbare, kleine oder große Programme mitgeben. Das ist eine ausgesprochen mächtige Funktionalität. Es lohnt sich für jeden, der intensiv mit KIs arbeitet, sich damit auseinanderzusetzen.</p><p>Angenommen, Sie haben mit einer KI einen monatlichen Bericht erfolgreich erstellt. Ein daraus abgeleiteter Skill könnte festhalten, welche Daten verwendet wurden, welche Berechnungen und Prüfungen folgen und wie der fertige Bericht aufgebaut sein soll. Beim nächsten Mal steht damit eine erprobte Vorgehensweise bereit. Kein Trial und Error, kein mehrfaches Nachsteuern.</p><p>Die Anleitung wird bei einer passenden Aufgabe dann meist sogar automatisch geladen und beeinflusst so die Arbeit des Modells. Das offene Format erleichtert die Übernahme zwischen verschiedenen KI-Modellen. Man kann so relativ komfortabel einmal kondensierte Erfahrungen auch mitnehmen, wenn man den Anbieter wechselt.</p><h3>Von Dokumenten zum Second Brain</h3><p>Neben solchen Arbeitsanleitungen brauchen Menschen und Organisationen aber auch eine Ablage für das oft sehr spezifische Wissen, mit dem die KI im Kontext einer Organisation oder eines Arbeitsplatzes arbeiten soll: Organisationsstandards, Corporate Design und Corporate Wording, Personen, Ansprechpartner, Kunden- und Dienstleisternamen, Projektziele, verbindliche Entscheidungen, geprüfte Fakten, Erfahrungen und ihre Quellen. Dazu gehören heute gerade auch Informationen, die erst in der Zusammenarbeit mit der KI entstanden sind.</p><p>Für diese selbst aufgebauten Wissensbestände bieten sich zwei Organisationsformen an.</p><ul><li>Ein Dokumentenordner</li><li>Ein Second Brain</li></ul><h3>Der Projektordner</h3><p>Die erste ist der <strong>Projektordner mit Dokumenten</strong>. Ein Projektbriefing hier drin beschreibt Ziele und Rahmenbedingungen, eine weitere Datei hält Entscheidungen fest, eine dritte den aktuellen Arbeitsstand. Irgendwo liegt ein Unterordner, der Organisationsvorgaben, Richtlinien und Standards enthält. Häufig werden dafür sogenannte Markdown-Dateien verwendet: einfache Textdateien mit Überschriften, Listen und Links, die Menschen und KI-Systeme gut lesen und bearbeiten können. KIs können aber auch PDFs oder Office-Dokumente für diesen Zweck verdauen. Sie brauchen nur mehr Zeit und Rechenleistung dafür.</p><p>Der Vorteil ist die Übersichtlichkeit. Zusammengehöriges steht beieinander; der Zusammenhang lässt sich beim Lesen leicht erfassen. Für ein überschaubares Vorhaben ist das oft völlig ausreichend. Mit zunehmendem Umfang werden solche Dokumente allerdings schwerer zu pflegen. Einzelne Informationen sind darin schwieriger gezielt heranzuziehen, und Wissen, das mehrere Projekte betrifft, wird leicht mehrfach abgelegt. Dann muss dieselbe Änderung an verschiedenen Stellen nachgetragen werden.</p><h3>Das Second Brain</h3><p>Die zweite Form ist eine Sammlung von vielen kleineren, miteinander verknüpften Notizen. Dafür wird oft die Bezeichnung <strong>Second Brain</strong> verwendet. Man kann es sich wie ein persönliches oder gemeinsames Wiki vorstellen. Eine Notiz enthält beispielsweise eine Entscheidung samt Begründung und verweist auf das betroffene Projekt, die zugrunde liegenden Quellen und eine daraus entstandene Arbeitsanleitung. Solche Netze lassen sich zum Beispiel mit einer Software wie Obsidian ziemlich einfach auf Basis von Markdown-Dateien aufbauen.</p><p>Der Vorteil liegt in der gezielten Wiederverwendung: Eine Information kann an einer Stelle gepflegt und aus verschiedenen Zusammenhängen heraus aufgerufen werden. Es gibt weniger Redundanzen als bei der Ablage von Informationen in großen, zusammenhängenden, monolithischen Dokumenten. Eine KI mit entsprechendem Zugriff kann Links folgen und das benötigte Wissen schrittweise zusammentragen. Der Preis ist zusätzlicher Ordnungs- und Pflegeaufwand. Ohne verständliche Benennung, sinnvolle Verknüpfungen und erkennbare Einstiegsseiten entsteht schnell eine Sammlung verstreuter Fragmente. Ein Second Brain wird durch viele kleine Dateien allein noch nicht brauchbar.</p><p>Beides lässt sich kombinieren: Ein Projektbriefing gibt den Überblick und verweist auf kleinere Notizen zu einzelnen Themen. RAG kann sowohl solche eigenen Ablagen als auch vorhandene Unternehmensdokumente erschließen. Es beschreibt den Weg, relevante Inhalte in den Kontext zu holen. Welche Informationen verbindlich sind und wie sie gepflegt werden, muss die Wissensablage selbst erkennen lassen.</p><h3>Wichtiges Wissen gehört in die eigene Hand!</h3><p>Eine solche Wissensdatenbank zu pflegen, ist nicht unaufwendig. Und jede Person und jede Organisation, die intensiv mit KIs arbeitet, muss sich selbstverständlich die Frage stellen, ob sich der Aufwand lohnt oder ob man sich einfach auf die immer besser werdenden Erinnerungs-Funktionen der großen KI-Anbieter verlässt.</p><p>Meine Empfehlung dazu ist relativ klar und eindeutig: Legen Sie Informationen, die Sie künftig verlässlich benötigen, in einer eigenen, übertragbaren Struktur ab. Die Erinnerungsfunktionen eines Chatbots sind im Alltag hilfreich und bequem. Als alleiniger Speicher für wichtiges Wissen können sie jedoch einen gefährlichen “Vendor-Lock-in” erzeugen — eine Abhängigkeit vom jeweiligen Plattformanbieter.</p><p>Wenn Projektwissen, Erfahrungen und Arbeitsregeln nur im Gedächtnis einer Plattform stecken, kann ein Wechsel mühsam werden. Alle großen Betreiber bieten heute Import- und Exportfunktionen für diese automatisch generierten Erinnerungen an. Aber der Export-Import der Daten garantiert nicht, dass ein anderes System deren Zusammenhänge und Bedeutung sauber übernimmt.</p><p>Das schränkt die Handlungsfreiheit ein: Man bleibt möglicherweise bei einem Anbieter, obwohl dessen Preise steigen oder ein anderes Werkzeug besser zur Aufgabe passt. Der Wechsel kann zusätzlich Zeit und Geld kosten, wenn Wissen rekonstruiert und neu geordnet werden muss.</p><p>Offene Dateiformate wie Markdown erleichtern es, Inhalte mit anderen Werkzeugen weiterzuverwenden. Auch Verknüpfungen und ergänzende Funktionen sollten möglichst übertragbar bleiben. Für Organisationen gehört dazu, festzulegen, wer verbindliche Informationen freigibt und aktuell hält. Eine selbst kontrollierte Ablage kann durchaus in der Cloud liegen; entscheidend ist, dass Inhalte samt ihrer Struktur zugänglich, sicherbar und mit anderen KI-Systemen nutzbar bleiben.</p><p>Auf jeden Fall. Stellen Sie sicher, dass Sie die Kontrolle und Verfügungsgewalt über Ihr Wissen oder das Ihrer Organisation behalten.</p><h3>Weiterführende Links</h3><ul><li>Breuer, Markus (2026): <a href="https://kis-sind-auch-nur-menschen.de/"><em>KIs sind auch nur Menschen</em></a>. steingrau. ISBN 978–3–9829157–1–5 (Hardcover). — Insbesondere Kapitel 10 „Gedächtnis“: Grundlage für die hier verwendete Analogie zwischen menschlichem Gedächtnis, Modellwissen, Kontextfenster und externen Aufzeichnungen.</li><li>Cowan, Nelson (2008): <a href="https://pmc.ncbi.nlm.nih.gov/articles/PMC2657600/">What are the differences between long-term, short-term, and working memory?</a> — Wissenschaftlicher Übersichtsartikel zu den Unterschieden zwischen Langzeit-, Kurzzeit- und Arbeitsgedächtnis, ihren Kapazitätsgrenzen und der Rolle von Aufmerksamkeit und Gruppierung. Vertieft die Grundlagen des menschlichen Gedächtnisses im ersten Teil dieses Artikels.</li><li><a href="https://walkerlab.berkeley.edu/reprints/Walker_RV_NatNeuro_2013.pdf">Stickgold und Walker: Sleep-dependent memory triage</a> — Wissenschaftlicher Übersichtsartikel zur selektiven Verarbeitung und Einordnung von Erinnerungen im Schlaf. Hintergrund für den menschlichen Teil der Erklärung.</li><li><a href="https://help.openai.com/en/articles/8590148-memory-in-chatgpt">OpenAI: Memory in ChatGPT</a> — Erläutert die Erinnerungsfunktionen von ChatGPT sowie Möglichkeiten, gespeicherte Informationen zu prüfen, zu bearbeiten und zu löschen.</li><li><a href="https://support.claude.com/en/articles/11817273-use-claude-s-chat-search-and-memory-to-build-on-previous-context?trk=public_post_comment-text">Anthropic: Chat search and memory</a> — Beschreibt Claudes Gedächtnis und die Suche in früheren Gesprächen. Hilfreich für die Unterscheidung zwischen gespeicherten Erinnerungen und erneut abgerufenen Chat-Inhalten.</li><li><a href="https://openai.com/index/chatgpt-memory-dreaming/">OpenAI: Dreaming</a> — Einblick in Hintergrundprozesse zur Zusammenführung und Aktualisierung von Erinnerungen. Zeigt, wie sich die externe Gedächtnisverarbeitung weiterentwickelt.</li><li><a href="https://support.claude.com/en/articles/12123587-import-and-export-your-memory-from-claude">Anthropic: Import and export your memory from Claude</a> — Praktische Anleitung zur Übertragung von Erinnerungen zwischen KI-Diensten. Beschreibt auch Grenzen: Importierte Informationen werden möglicherweise nicht vollständig übernommen. Ein konkreter Hintergrund zur Empfehlung, wichtiges Wissen in einer eigenen, übertragbaren Ablage zu sichern.</li><li>Lewis, Patrick et al. (2020): <a href="https://arxiv.org/abs/2005.11401">Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks</a> — Der grundlegende Forschungsbeitrag zu RAG verbindet das in Modellparametern gespeicherte Wissen mit extern abgerufenen Informationen. Technische Vertiefung zur Unterscheidung zwischen Modellwissen und zusätzlichem Informationsmaterial.</li><li><a href="https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents">Anthropic: Effective context engineering for AI agents</a> — Technischer Hintergrund zu Kontextauswahl, Kompaktierung und externen Arbeitsnotizen.</li><li><a href="https://agentskills.io/home">Agent Skills: Überblick und Spezifikation</a> — Einführung in das offene Format für wiederverwendbare Arbeitsanleitungen und ergänzende Ressourcen.</li><li><a href="https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents">Anthropic: Effective harnesses for long-running agents</a> — Ein Praxisbeispiel dafür, wie Arbeitsnotizen, überprüfbare Teilziele und geordnete Übergaben die Fortsetzung längerer Aufgaben unterstützen.</li><li><a href="https://help.obsidian.md/Files+and+folders/How+Obsidian+stores+data">Obsidian: Speicherung der Daten</a> und <a href="https://help.obsidian.md/Linking+notes+and+files/Internal+links">interne Verknüpfungen</a> — Ein konkretes Beispiel für eine Wissensablage aus eigenen Markdown-Dateien. Die Dokumentation erläutert auch, welche Verknüpfungen sich mit anderen Werkzeugen verwenden lassen und welche Obsidian-spezifisch sind.</li><li>Forte, Tiago (2023): <a href="https://fortelabs.com/blog/basboverview/">Building a Second Brain: The Definitive Introductory Guide</a> — Grundlegende Einführung in die Methode: Wissen erfassen, organisieren, verdichten und für eigene Arbeit nutzbar machen. Der Begriff bezeichnet hier ein umfassenderes System persönlicher Wissensorganisation; eine Sammlung kleiner, verknüpfter Markdown-Notizen ist eine mögliche Umsetzung.</li><li>Karpathy, Andrej (2026): <a href="https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f">LLM Wiki</a> — Der Originalbeitrag vom 4. April 2026 beschreibt eine von der KI gepflegte Wissensablage aus verknüpften Markdown-Dateien. Er unterscheidet unveränderte Originalquellen, ein daraus aufgebautes Wiki und Regeln für dessen Pflege. Besonders relevant: Erkenntnisse aus Gesprächen wieder einarbeiten sowie regelmäßig Widersprüche, veraltete Aussagen und fehlende Verknüpfungen prüfen. Ein Konzepttext mit praktischen Anregungen für die Umsetzung.</li><li><a href="https://github.com/NicholasSpisak/second-brain">NicholasSpisak/second-brain</a> — Eine Umsetzung von Karpathys Konzept mit Obsidian und Agent Skills: Rohmaterial einlesen, verknüpfte Wiki-Seiten erzeugen, Fragen an die Wissensablage stellen und deren Zustand prüfen. Passt besonders gut zum Zusammenspiel von Dokumenten, Second Brain und Skills.</li><li><a href="https://github.com/Pratiyush/llm-wiki">Pratiyush/llm-wiki</a> — Baut eine lokale, durchsuchbare Wissensablage unter anderem aus Sitzungsprotokollen verschiedener KI-Werkzeuge auf. Ergänzt Markdown-Seiten um Wiki-Verknüpfungen, Prüfungen und für andere KI-Systeme lesbare Exporte. Ein Beispiel dafür, wie sich Wissen aus der bisherigen Zusammenarbeit über einzelne Chats hinaus erhalten lässt.</li><li><a href="https://github.com/khoj-ai/khoj">khoj-ai/khoj</a> — Eine selbst betreibbare Second-Brain-Anwendung mit Suche in eigenen Dokumenten, Anbindung verschiedener lokaler oder gehosteter Sprachmodelle und eigenen Agenten. Zeigt einen stärker auf Dokumentensuche und RAG ausgerichteten Ansatz neben den beiden Wiki-Umsetzungen.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=17826eff0451" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Invasion der Kuscheltiere]]></title>
            <link>https://markusbreuer.medium.com/invasion-der-kuscheltiere-e78b7a4d5ac3?source=rss-24b4eee20562------2</link>
            <guid isPermaLink="false">https://medium.com/p/e78b7a4d5ac3</guid>
            <dc:creator><![CDATA[Markus Breuer]]></dc:creator>
            <pubDate>Sun, 11 Oct 2026 02:26:34 GMT</pubDate>
            <atom:updated>2026-10-11T02:26:34.400Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/proxy/0*5VI9gnN8zNBQETTK" /></figure><p>Am 29. September hat OpenAI <em>Dots</em> vorgestellt, den neuen “KI-Agenten für alle”. Der Wettbewerber Meta war schon am 8. September mit Muse gestartet. Beide versprechen, sich auch dann um unsere Aufgaben zu kümmern, wenn wir gerade anderweitig beschäftigt sind. Und beide geben dieser Fähigkeit ein ausgesprochen persönliches, niedliches Gesicht. Diese harmlose Niedlichkeit ist Teil der Produktstrategie. Denn was zunächst wie eine freundliche Benutzeroberfläche für einen hilfreichen Agenten aussieht, verändert dramatisch die Art, wie wir Verantwortung an Software abgeben.</p><p>Je niedlicher ein KI-Agent daherkommt, desto vorsichtiger sollten wir mit dem sein, was wir ihm anvertrauen. Die neuen persönlichen Agenten wollen unsere Nachrichten lesen, Termine koordinieren, Einkäufe erledigen und Projekte voranbringen. Dafür brauchen sie Informationen und Handlungsspielraum. Gleichzeitig begegnen sie uns als kleine, freundliche Wesen, denen man einen Namen gibt, keinen Wunsch abschlagen kann und denen man irgendwann vielleicht sogar etwas Zuneigung entgegenbringt. Genau diese Kombination ist problematisch.</p><p>Die Möglichkeiten der neuen selbstständigen Agenten sind faszinierend. Das sehen auch die Konsumenten so. Metas Muse war über Wochen die meist-heruntergeladene App in den App-Stores. Und ich selbst lasse schon heute KI-Agenten auf meinem Rechner arbeiten und räume ihnen dafür weitgehende Zugriffsrechte ein. Ich mache das sehr bewusst und versuche, die Freiheiten der KI in jedem Fall auf das notwendige Minimum zu beschränken. Aber am Ende muss ich den Tools vertrauen. Gerade deshalb interessiert mich, worauf mein Vertrauen beruht. Und was passiert, wenn auch berechtigte Vorsicht durch psychologisch geschickte Produktgestaltung ausgeräumt wird.</p><h3>Wie die neuen Agenten wirklich arbeiten</h3><p>Die neuen Agenten bündeln drei Fähigkeiten, die einzeln schon länger existieren:</p><ol><li><strong>Handeln statt nur antworten:</strong> Sie bedienen Anwendungen und Websites und erledigen Aufgaben in meinem Namen.</li><li><strong>„Always on“:</strong> Sie behalten Kontext über Gespräche hinweg und reagieren auf Zeitpläne, Ereignisse oder neue Nachrichten. Das bedeutet keinen ununterbrochenen Denkprozess.</li><li><strong>Eigeninitiative:</strong> Sie verfolgen längerfristige Ziele, leiten nächste Schritte ab und melden sich nur, wenn etwas Wichtiges passiert oder eine Entscheidung nötig ist.</li></ol><p>Diese Prinzipien sind nicht neu. Tatsächlich sind sie in genau dieser Kombination die wichtigsten Merkmale von OpenClaw, einer Open-Source-Lösung, die anfang des Jahres auf den Markt kam, und schon damals einen Hype auslöste. Die war allerdings noch dafür konzipiert, auf eigener Hardware zu Hause zu laufen. Muse und Dots stellen dafür einen eigenen Cloud-Rechner mit Browser bereit. Wie viel man selbst einrichten muss und wo der Agent im Alltag auftaucht, unterscheidet sich.</p><p><strong>OpenClaw</strong> ist die Variante für technisch versierte Bastler: eine quelloffene Umgebung, in der sich Modelle, Werkzeuge, Gedächtnis und Kommunikationskanäle selbst zusammenstellen und erweitern lassen. Sie kann auf einem eigenen Rechner oder einem Server in derr Cloud laufen. Ihr Betrieb verlangt Erfahrung mit Einrichtung, Wartung und Absicherung; für technisch unerfahrene Nutzer ist er kaum geeignet. (Siehe <a href="https://www.linkedin.com/redir/suspicious-page?url=https%3A%2F%2Fopenclaw%2eai%2F">OpenClaw: Funktionen</a>, <a href="https://www.linkedin.com/redir/suspicious-page?url=https%3A%2F%2Fdocs%2eopenclaw%2eai%2Fvps">Betrieb auf einem Server)</a></p><p><strong>Muse</strong> bringt dieses Arbeitsprinzip besonders nah an den Alltag. Über die Anbindung an Metas Glasses soll der Agent auf das reagieren können, was ich gerade sehe. Muse Charm, ein parallel angekündigtes kleines Sprachgerät für die Tasche, macht daraus eine Art KI-Tamagotchi. Daneben hat Meta ein quelloffenes Entwicklungspaket (SDK) für eigene Geräte mit Displays, Mikrofonen oder Sensoren veröffentlicht. Es ist ein experimentelles Bastelangebot; der Verkauf damit verbundener Geräte benötigt Metas zusätzliche Erlaubnis. Es ist jedenfalls ziemlich offensichtlich, dass Meta die Strategie verfolgt, uns die KI über diverse kleine Geräte buchstäblich nahe zu bringen. <a href="https://about.fb.com/news/2026/09/the-biggest-news-from-connect-2026/">Brillen und Muse Charm</a>, <a href="https://github.com/facebookincubator/muse-gadget-sdk">Gadget-SDK</a>, <a href="https://gadgets.muse.ai/sdk-terms">Nutzungsbedingungen</a></p><p><strong>Dots</strong> ist dagegen in die bestehende ChatGPT-Arbeitsumgebung eingebettet. Der Plural im Begriff ist kein Zufall. Tatsächlich können User mehrere Agenten starten. Jeder davon ist ein Dot. Ein solcher Dot lässt sich auch über Slack oder Teams erreichen und bei Bedarf mit dem eigenen Rechner verbinden — und bekommt dort dann eben auch Zugang zu lokalen Tools und Daten. Eine Besonderheit ist die Trennung zwischen beauftragter Arbeit und selbst begonnener Hintergrundrecherche: Arbeiten, die ein Dots auf Eigeninitiative beginnt, haben von Hause aus weniger Zugriffsrechte (die man aber erweitern kann). (Zum Weiterlesen <a href="https://openai.com/index/introducing-dots/">Dots im Überblick</a>, <a href="https://openai.com/index/how-we-build-safety-security-and-privacy-into-dots/">OpenAIs Sicherheitskonzept</a>)</p><p>Zwischen Eigenbetrieb und fertigem Agentendienst liegen gehostete Angebote. Hoster wie Hostinger und xCloud übernehmen Infrastruktur und Teile der Wartung von OpenClaw; bei xCloud gibt es das bereits seit Februar. Das erleichtert den Einstieg, nimmt mir aber die Entscheidung über Datenzugänge und Befugnisse nicht ab. Perplexity bietet mit Computer eine eigene Lösung, deren Aufgaben in isolierten virtuellen Cloud-Rechnern laufen. (Mehr dazu: <a href="https://www.linkedin.com/redir/suspicious-page?url=https%3A%2F%2Fdocs%2eopenclaw%2eai%2Finstall%2Fhostinger">Hostinger</a>, <a href="https://xcloud.host/xcloud-february-2026-release-notes/">xClouds Einführung</a>, <a href="https://www.perplexity.ai/en-GB/hub/blog/making-space-secure-and-efficient-runtimes-for-long-running-agents">Perplexitys Cloud-Architektur)</a></p><h3>Der Nutzen wächst mit dem Handlungsspielraum</h3><p>Ein eigener Cloud-Rechner schafft zunächst Abstand zu meinem Laptop, Sicherheit. Entscheidend dafür ist die sogenannte „Sandbox“-Umgebung: Der Agent darf zunächst einmal nur auf das zugreifen, was sich innerhalb dieser Sandbox befindet: Dateien, Programme und Verbindungen. Für alles, was außerhalb der Sandbox liegt, benötigt er explizite Freigaben — auch für die Daten auf meinem lokalen Rechner oder die, die in meinen verschiedenen Cloud-Systemen liegen (also z. B. E-Mails, Slack, WhatsApp, Dokumente, Archive etc.). Eine Sandbox hält den Agenten allerdings nicht automatisch von meinem Postfach oder Kalender fern, wenn ich diese Dienste verbunden habe. Cloud-Betrieb allein sagt deshalb noch wenig über seine tatsächlichen Rechte aus. <a href="https://openai.com/index/how-we-build-safety-security-and-privacy-into-dots/">OpenAI zur Trennung der Arbeitsumgebungen</a>, <a href="https://www.linkedin.com/redir/suspicious-page?url=https%3A%2F%2Fdocs%2eopenclaw%2eai%2Fgateway%2Fsandboxing">OpenClaw zu Sandbox-Grenzen</a></p><p>Nehmen wir die Vorbereitung einer Feier. Für eine Liste geeigneter Lokale braucht ein Agent noch wenig Wissen über mich. Soll er Termine abstimmen und verbindlich buchen, braucht er meinen Kalender, Informationen über Gäste und die Befugnis, Nachrichten zu verschicken oder Geld auszugeben. Je mehr er weiß und je freier er handeln darf, desto mehr Arbeit kann er mir abnehmen — und desto seltener unterbrechen mich Rückfragen.</p><p>Damit wächst auch die Tragweite eines Fehlers: Aus einer unpassenden Empfehlung wird womöglich eine verschickte Nachricht, eine Buchung oder eine gelöschte Datei. Der zusätzliche Nutzen und das zusätzliche Risiko entstehen aus derselben Freiheit.</p><h3>Die Versuchung ist groß</h3><p>Und hier liegt die psychologische Falle. Stellen wir uns vor, mein Agent hat einige Tage, Wochen oder Monate zuverlässig gearbeitet. Anfangs habe ich jede Freigabe geprüft. Inzwischen scheint es immer auf dasselbe hinauszulaufen: Er fragt, ich bestätige. Die Rückfragen werden lästig. Warum sollte ich ihm nicht gleich erlauben, solche Dinge künftig selbst zu erledigen? Aus erfolgreicher Routine wird schrittweise eine immer großzügigere Haltung. Dass bislang alles gut gegangen ist, sagt aber wenig darüber aus, wie er mit der nächsten ungewohnten Situation umgehen wird.</p><p>Die plüschige Niedlichkeit macht diese Entwicklung besonders verführerisch. Der Agent begegnet mir als freundliches kleines Wesen, das mich kennt, sich kümmert und mir schon oft geholfen hat. Da liegt der Gedanke nahe: „Der wird schon wissen, was gut für mich ist.“ Gute Erfahrungen und gefühlte Nähe können sich gegenseitig verstärken. So droht das Vertrauen in einzelne gelungene Aufgaben zu einem allgemeinen Vertrauen in sein Urteil zu werden. Die notwendige Vorsicht fühlt sich irgendwann an wie unnötiges Misstrauen gegenüber dem liebgewonnenen Helfer.</p><p>Für Hersteller/ Betreiber ist diese Verbindung wirtschaftlich attraktiv: Wer mehr Dienste verbindet und mehr Aufgaben delegiert, verankert das Produkt tiefer im eigenen Alltag. Die niedliche Gestaltung erleichtert diesen Schritt. Darin liegt ein Interessenkonflikt: Was Nutzung und Kundenbindung fördert, kann zugleich dazu beitragen, dass ich mehr Daten und Kontrolle abgebe, als für den jeweiligen Auftrag vernünftig wäre. Die Freigabe kommt dann zwar von mir. Sie entsteht aber unter Bedingungen, die Vertrauen und Bequemlichkeit belohnen. Gerade deshalb ist „Sie haben es doch selbst erlaubt“ eine unzureichende Antwort auf das Risiko.</p><h3>Welche Risiken auch technisch bleiben</h3><p>Ein Teil der Risiken ist uns von Sprachmodellen vertraut: Sie können Sachverhalte verwechseln, fehlende Informationen ergänzen, als wären sie bekannt, oder eine Anweisung falsch auslegen. Bei längeren Aufgaben kommt hinzu, dass wichtige Bedingungen über viele Arbeitsschritte hinweg erhalten bleiben müssen. Eine Aktion kann formal erlaubt und trotzdem sachlich falsch sein: etwa eine Nachricht an den richtigen Empfänger mit einem unzutreffenden Termin oder in einem unglücklichen Tonfall.</p><p>Daneben gibt es gezielte Angriffe. Eine Webseite oder E-Mail kann Anweisungen enthalten, die den Agenten von seinem Auftrag abbringen sollen. Das wird als Prompt Injection bezeichnet. Besonders problematisch wird es, wenn ein System zugleich private Informationen lesen, fremde Inhalte verarbeiten und nach außen kommunizieren kann. OpenAI und Meta beschreiben diesen Angriffsweg ausdrücklich als Gegenstand ihrer Schutzmaßnahmen. (Dazu: <a href="https://openai.com/index/how-we-build-safety-security-and-privacy-into-dots/">OpenAI zu Prompt Injection und Handlungskontrollen</a>, <a href="https://research.meta.ai/blog/security-and-safety-for-ai-agents-our-approach-with-muse">Metas Sicherheitsarchitektur</a>)</p><p>Zur beschriebenen Abschottung kommen weitere Schutzschichten: Getrennte Zugangsdaten sollen verhindern, dass das Modell Passwörter selbst lesen muss. Rechte lassen sich auf bestimmte Anwendungen und Aktionen beschränken; sensible Handlungen verlangen eine Bestätigung. OpenAI nennt die separate Prüfung geplanter Schritte Auto-review. Bei Meta übernimmt die Komponente “Sentinel” die Entscheidung über Zugriffe und ausgehende Verbindungen. Beide Hersteller stellen explizit fest, dass der arbeitende Agent diese Kontrollsysteme nicht selbst abschalten kann.</p><p>Bei selbst betriebenem OpenClaw ist standardmäßig keine Sandbox für die Werkzeugausführung vorhanden; sie muss bewusst eingerichtet werden. Auch die Freigabe eines externen Zugangs ist nicht dasselbe wie die Kontrolle jeder späteren Aktion. Der Satz „Frag mich vorher“ bleibt eine Anweisung an das Modell. Eine technisch entzogene Löschberechtigung ist eine andere Art von Grenze. (Siehe <a href="https://www.linkedin.com/redir/suspicious-page?url=https%3A%2F%2Fdocs%2eopenclaw%2eai%2Fgateway%2Fsandboxing">OpenClaw: Sandboxing</a>)</p><p>Diese Schutzsysteme können schnell Fehler übersehen. Hinzu kommt die beschriebene psychologische Falle: Ein Agent muss keine Zugriffssperre überwinden, um mit freiwillig eingeräumten Rechten Schaden anzurichten. Die technische Kontrolle einer Handlung ersetzt nicht meine Entscheidung darüber, wie weit seine Befugnisse reichen sollen. Gerade ausgefeilte Schutzmaßnahmen können ein zusätzliches Gefühl von Sicherheit vermitteln — und damit die Bereitschaft erhöhen, großzügig zu delegieren. Entscheidend bleibt, ob die Gestaltung des Produkts mir hilft, Grenzen bewusst zu setzen, oder mich daran gewöhnt, sie als lästige Hindernisse zu behandeln.</p><h3>Zwei Missgeschicke zur Illustration</h3><p>Im Februar berichtete die KI-Sicherheitsforscherin Summer Yue, dass OpenClaw E-Mails aus ihrem Posteingang löschte, obwohl es zunächst nur Vorschläge machen sollte. Ihre Stoppnachrichten hätten den Vorgang nicht beendet; sie habe am Rechner eingreifen müssen. Yue vermutete, dass beim Zusammenfassen eines zu umfangreichen Gesprächskontexts die ursprüngliche Einschränkung verloren gegangen sei. Der öffentlich dokumentierte Verlauf zeigt aber, wie wenig eine sprachliche Einschränkung helfen kann, wenn das System die betreffende Aktion weiterhin ausführen darf. (<a href="https://feeds.simonwillison.net/2026/Feb/23/summer-yue/">Yues Bericht, dokumentiert bei Simon Willison</a>)</p><p>Ende September schilderte der Influencer Matt Robb ein anderes Problem mit Muse. Nach seinem von TechRadar wiedergegebenen Bericht hatte der Agent bei einem Facebook-Marketplace-Verkauf einen zu niedrigen Preis akzeptiert, seine Adresse weitergegeben und eine Abholung zugesagt, obwohl Robb nicht verfügbar war. Ein Interessent stand schließlich verloren — und wütend — vor seiner Wohnung. Die Kombination aus Kommunikation, persönlichen Daten und verbindlichen Zusagen hat hier aber eine sehr konkrete Bedeutung. (<a href="https://www.techradar.com/ai-platforms-assistants/you-gotta-never-do-that-again-youtuber-says-metas-muse-ai-ruined-a-sale-and-gave-out-his-home-address-without-permission">Bericht über Robbs Erfahrung</a>)</p><p>Diese Fälle belegen keine prozentuale Fehlerquote. Sie belegen auch nicht, dass Dots dieselben Fehler gemacht hätte. Sie illustrieren aber verschiedene Probleme: eine missachtete Handlungsgrenze und eine eigenmächtige Interpretation dessen, was im Interesse des Nutzers erledigt werden sollte. Bei beiden reicht eine nachträgliche Entschuldigung im Chat nicht aus.</p><h3>Datenschutz beginnt schon beim normalen Betrieb</h3><p>Auch die leidige Frage Datenschutz kommt ins Spiel. Datenschutzfragen entstehen auch dann, wenn der Agent exakt das tut, was er soll. Mein Posteingang enthält Informationen über Kunden, Kollegen, Freunde und Familienmitglieder. Mein Kalender kann Arzttermine oder vertrauliche Projekte erkennen lassen. Wer diese Quellen verbindet, verarbeitet Daten anderer Menschen mit. Die praktische Bequemlichkeit sagt noch nichts darüber aus, für welche Zwecke diese Verarbeitung zulässig ist.</p><p>OpenAI unterscheidet bei der Trainingsnutzung zwischen privaten und geschäftlichen Angeboten. Bei privaten Konten steuert eine Einstellung, ob Gespräche und Arbeitsergebnisse zur Modellverbesserung verwendet werden dürfen; bei Business, Enterprise und Edu geschieht das standardmäßig nicht. (Am Rande: Das Abschalten dieser Nutzung schließt menschliche Einsicht für Sicherheitszwecke nicht aus.) Bemerkenswert ist außerdem die Löschung: Das Trennen einer App entfernt bereits übernommenes Wissen nicht aus dem Dot. Einzelne Erinnerungen des Dots lassen sich derzeit nicht gezielt bearbeiten oder löschen; dafür muss sein gesamter Kontext gelöscht werden. Separat gespeicherte Dateien und ChatGPT-Erinnerungen sind davon zu unterscheiden. (Dazu <a href="https://help.openai.com/en/articles/20001529-dots-privacy-security-and-safety-faqs">OpenAIs Datenschutz-FAQ für Dots</a>)</p><p>Meta beschreibt ebenfalls eine Trainingsnutzung von zuvor bereinigten Interaktionsdaten, gegen die Nutzer einen Schalter setzen können. Gespräche und Daten aus der virtuellen Muse-Umgebung würden nicht direkt an Metas Werbesysteme weitergegeben. Aktivitäten auf besuchten Webseiten können Werbung trotzdem mittelbar beeinflussen. Die gegenwärtige Architektur schließt betriebsnotwendigen Zugriff durch Meta nicht technisch aus. Eine weitergehende „Confidential VM“, die solche Zugriffe kryptografisch verhindern soll, ist für später angekündigt. Diese Unterscheidung zwischen heutiger Leistung und künftigem Versprechen ist wesentlich. (Nicht unspannend dazu <a href="https://research.meta.ai/blog/security-and-safety-for-ai-agents-our-approach-with-muse">Metas Angaben zur Datenverwendung</a>)</p><h3>Und was bedeutet das in Europa?</h3><p>Zunächst lohnt es sich, Verfügbarkeit und Datenschutz auseinanderzuhalten. Nach OpenAIs Angaben vom 1. Oktober startet Dots für Pro-Kunden nur außerhalb des Europäischen Wirtschaftsraums, der Schweiz und Großbritanniens. Für Business Premium nennt OpenAI dagegen alle unterstützten ChatGPT-Regionen; Enterprise-Zugänge hängen von der Freischaltung der Beta durch Administratoren ab. Muse startete in den USA und wurde anschließend auch in Kanada verfügbar. Ein regulärer EU-Start ist nicht angekündigt.</p><p>Die europäischen Datenschutzanforderungen sind auch für diese Systeme konkret: Verarbeitung braucht eine Rechtsgrundlage und bestimmte Zwecke; Daten müssen auf das Erforderliche begrenzt und angemessen geschützt werden. Eine vom Kontoinhaber erteilte technische Freigabe beantwortet nicht automatisch alle Fragen zur Verarbeitung der Daten Dritter. Ebenso wenig erklärt ein Schalter gegen Modelltraining, wie lange Informationen gespeichert werden oder wohin sie bei der eigentlichen Aufgabenerledigung fließen.</p><p>OpenAIs europäische Datenschutzerklärung sieht auch Verarbeitung außerhalb Europas und entsprechende Übermittlungsmechanismen vor. Für bestimmte Unternehmenskunden gibt es zusätzlich regionale Speicher- und Verarbeitungsoptionen. Daraus lässt sich keine pauschale Zusage ableiten, dass jeder Dot einschließlich aller angebundenen Dienste ausschließlich in der EU arbeitet. Bei Meta wiederum gibt es eine betonte Abschottung gegenüber anderen Nutzern. Das ist aber etwas anderes als ein Ausschluss des Anbieterzugriffs (der für die Interessen von Meta deutlich schädlicher wäre). Für die praktische Bewertung müssen wir deshalb fragen: Welche Daten gehen für welchen Auftrag wohin, wer kann sie verwenden, und wie werden sie wieder entfernt?</p><h3>Die Kuscheltieroptik ist Teil des Problems</h3><p>Die Fragen nach Datenzugriffen und Anbieterinteressen verlangen kritische Distanz. Die Kuscheltieroptik macht es leicht, diese Distanz zu verlieren: Im Alltag begegnen wir einem vertraut wirkenden Helfer, während die Interessen seines Anbieters in den Hintergrund treten. Diese gefühlte Nähe ist bewusst gestaltet. Metas Designteam beschreibt als Ziel bei der Interaktion ausdrücklich eine fortlaufende Unterhaltung, die sich wie der Austausch mit einer anderen Person anfühlen soll. Ein eigener Name, ein Avatar und eine individuelle Persönlichkeit gehören zum Produktkonzept. (<a href="https://introducing.muse.ai/">Wie Meta Muse gestaltet hat</a>)</p><p>Wie folgenreich solche Gestaltung sein kann, zeigt ein Experiment mit 2.165 Teilnehmenden: Ein simuliertes Sprachmodell wurde mit zusätzlicher Stimme als menschlicher wahrgenommen, und seine Informationen wurden als genauer bewertet. Die veränderte Darstellung beeinflusste also auch die Einschätzung seiner Leistung. Genau deshalb gehört die Oberfläche in die Bewertung eines Agenten hinein. (Siehe <a href="https://arxiv.org/abs/2405.06079">Cohn und Kollegen: Anthropomorphe Merkmale und Vertrauen</a>)</p><p>So sehr ich überzeugt bin, dass manche Verhaltensmuster von KIs (insbesondere Fehlverhalten) deutliche Parallelen zu menschlichem Verhalten aufweisen, so sehr bin ich mir sicher, dass wir sie nicht als Menschen sehen dürfen. Sie sind nicht unsere Freunde. Sie interessieren sich nicht für uns und unser Wohlergehen.</p><p>Die freundlich wirkende Fürsorge eines Agenten ist kein persönliches Interesse an uns. Wer Produkte gestaltet, die uns zum Delegieren ermuntern, trägt deshalb auch Verantwortung dafür, dass Vorsicht im Alltag praktikabel bleibt. Ein Verweis auf vorhandene Sicherheitseinstellungen reicht dafür nicht aus.</p><p>Je mehr diese Agenten für uns erledigen, desto bewusster müssen wir eigentlich entscheiden, was wir ihnen anvertrauen.</p><p>Eigentlich.</p><p>¯\_(ツ)_/¯</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e78b7a4d5ac3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Computer Use, das KI-Endgame der Büroarbeit]]></title>
            <link>https://markusbreuer.medium.com/computer-use-das-ki-endgame-der-b%C3%BCroarbeit-6a2ba0bec167?source=rss-24b4eee20562------2</link>
            <guid isPermaLink="false">https://medium.com/p/6a2ba0bec167</guid>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[computer-use]]></category>
            <dc:creator><![CDATA[Markus Breuer]]></dc:creator>
            <pubDate>Sun, 11 Oct 2026 02:25:23 GMT</pubDate>
            <atom:updated>2026-10-11T02:25:23.564Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/proxy/0*y1nZF7G_HbCjcJa7" /></figure><p>Vor drei Wochen habe ich einer KI meinen persönlichen Endgegner bei der Büroarbeit gegenübergestellt. Und nach einer knappen Stunde hatte sie den Kampf gewonnen. Das war ein echter Wow-Effekt. Einen Moment später hatte es mir aber auch Angst gemacht. Denn das, was ich da gesehen habe, wird zumindest kurz- bis mittelfristig deutlich mehr Folgen haben als der Beweis von zehn Vermutungen der Mathematik, an denen sich Menschen seit Jahren die Zähne ausgebissen haben.</p><p>Es ging um eine Anwendung von „Computer Use“, die Steuerung ganz normaler Anwendungen auf meinem Laptop durch eine KI. Computer Use hatte ich gedanklich schon ziemlich weit nach hinten geschoben: reizvolle Idee, im Alltag aber zu unzuverlässig und ein bisschen riskant. Als OpenAI bei Astra Verbesserungen in diesem Bereich ankündigte, habe ich es noch einmal ausprobiert. Und nach weniger als zwei Stunden hatte sich meine Bewertung um 180° gedreht.</p><p>Mein Fazit lässt sich eigentlich nur mit einer auf LinkedIn reichlich überstrapazierten Wendung beschreiben: Das ist ein echter Game Changer. I know, I know … aber in diesem Fall (und für mich persönlich) trifft es zu.</p><h3>Der Endgegner</h3><p>Worum es bei diesem Kampf bzw. diesem Fall von Computer Use ging? Etwas vergleichsweise Triviales: Aus einer Reihe visueller Entwürfe sollte die KI alltagstaugliche Vorlagen für Word-Dokumente und PowerPoint-Präsentationen erstellen. Diese sollten den Designvorgaben exakt entsprechen. Anschließend sollte die KI sie auf mehrere Beispieldokumente anwenden.</p><p>Solche Aufgaben habe ich früher oft an jüngere Mitarbeiter:innen delegiert. Die Ergebnisse waren regelmäßig frustrierend. Das lag weder an mangelnder Intelligenz noch an fehlender Erfahrung mit Microsoft Office. Diese Menschen konnten mit den Anwendungen umgehen. Die Arbeitsergebnisse sahen völlig OK aus. Was fehlte, war das intuitive Verständnis von Formatvorlagen, Folienmastern und Layouts sowie die Einsicht in deren Nützlichkeit.</p><p>Der entscheidende Teil meines Briefings war deshalb die Forderung, die Vorlagen so aufzubauen, dass spätere Änderungen und Umformatierungen perfekt unterstützt werden. Eine Überschrift sollte ihre Gestaltung aus einer Formatvorlage beziehen; Gliederungen sollten mit wenigen Klicks zu Dokumenten werden. Bei PowerPoint sollten die vorgesehenen Layouts genutzt werden und gemeinsame Elemente in den Master wandern; die Anzahl der nötigen Vorlagen sollte minimiert werden. Es genügte nicht, wenn ein Dokument einmal richtig aussah.</p><p>Gut aufgebaute Vorlagen erleichtern auch nachträgliche Korrekturen, für die man nicht jedes Mal einen KI-Lauf anstoßen wird. Eine kleine Ergänzung oder Umstellung ist oft schneller selbst gemacht, als den passenden Prompt dafür zu formulieren (oder einem Menschen zu sagen, was man gerne geändert haben möchte).</p><p>GPT-6 Astra hat das sofort nahezu perfekt umgesetzt. Ein Entwurf, einmal nachsteuern. Fertig. Der Agent beherrscht diese Prinzipien, konnte sie sinnvoll auf die Aufgabe anwenden UND hatte die beiden Anwendungen perfekt im Griff.</p><p>Falls Sie das noch nicht getan haben, probieren Sie es unbedingt einmal selbst aus. Es muss nicht gleich eine neue Vorlage sein. Lassen Sie einen vorhandenen Foliensatz an ein vorgegebenes Layout anpassen oder mehrere Word-Dokumente nach denselben Formatvorgaben vereinheitlichen. Prüfen Sie anschließend auch, ob und wie einfach sich das Ergebnis weiterbearbeiten lässt. Am besten funktioniert das meines Erachtens mit ChatGPT und Astra. Für Claude gibt es Add-Ins für Word, Excel und PowerPoint. Die beherrschen das Meiste davon auch, sind aber nicht so gut darin, neue Vorlagen zu erstellen.</p><h3>Warum das das Spiel grundlegend verändert</h3><p>Worum es in solchen Dokumenten inhaltlich geht, ist für die Bedeutung dieses Fortschritts eher sekundär. Die Form ist entscheidend: Es geht um Arbeiten mit Word, Excel und PowerPoint. Inhalte konnten die leistungsfähigsten KI-Modelle schon länger recht gut erstellen. Sie in eine brauchbare Form zu bringen und vorhandene Dokumente zu überarbeiten, erforderte dann doch oft einen Menschen.</p><p>Bei Junior-Rollen, die stark vom Aufbereiten solcher Dokumente geprägt sind, halte ich einen Anteil solcher Tätigkeiten von 20 bis 30 Prozent für denkbar. Das ist meine Einschätzung, keine branchenübergreifend gemessene Zahl. Wenn diese Arbeit an KIs delegierbar wird, betrifft das auf jeden Fall einen erheblichen Teil solcher Rollen.</p><p>Ich bin mir sicher, dass die Sicherheit, die KIs bei diesen Aufgaben jetzt zeigen, den nächsten Effizienzschub auslösen wird. Und das hat mit der Frage zu tun, warum KIs außer in ausgewählten Bereichen noch nicht die Produktivitätssteigerungen gezeigt haben, die Optimisten schon seit über einem Jahr erwartet hatten. Dazu passt ein Satz eines meiner Lieblingsautoren:</p><blockquote>The future is already here — it’s just not evenly distributed.</blockquote><p>— William Gibson</p><p>In der Softwareentwicklung sind die Auswirkungen von LLM-basierter KI bereits deutlich sichtbar. Lange Zeit war das umstritten. Aber diese Phase ist vorbei. Ich habe dazu kürzlich für einen Vortrag auf einer Entwicklerkonferenz eine umfangreiche Studie ausgewertet: „Writing Code vs. Shipping Code“ von Mert Demirer, Leon Musolff und Liyuan Yang. Diese Studie wertet Daten von über 500.000 GitHub-Entwicklern aus. Für drei Generationen von KI-Werkzeugen schätzen die Autoren kumulierte Zuwächse bei den wöchentlichen Commits, also den gespeicherten Änderungen am Code. Inzwischen sind das mit der letzten Generation von Agenten +240 Prozent. (Studie: <a href="https://www.nber.org/papers/w35275">Demirer, Musolff und Yang</a>)</p><p>Auch innerhalb der Softwareentwicklung verteilt sich der Gewinn ungleichmäßig: Den rund 240 Prozent mehr Commits stehen nur etwa 30 Prozent mehr veröffentlichte Softwareversionen gegenüber. Prüfen, Zusammenführen und Ausliefern bleiben Engpässe. Das zeigt, warum ein großer Fortschritt bei einer Teilaufgabe nicht im selben Maß sofort auf den gesamten Arbeitsablauf durchschlägt. Aber +30% sind +30%. Und die Entwicklung läuft weiter.</p><p>Ein plausibler Grund für die frühen Erfolge des KI-Einsatz beim Programmieren ist, dass Programmierung zu einem erheblichen Teil die Erstellung und Bearbeitung umfangreicher Texte ist. Diese Texte hängen auf komplexe Weise zusammen; die Programmiersprachen, in denen sie geschrieben sind, passen zum Arbeitsgebiet von Sprachmodellen. Zudem lässt sich durch Tests oft recht eindeutig feststellen, ob erzeugter Code die Anforderungen erfüllt. Beides erleichtert die Arbeit und ihre Überprüfung.</p><p>Genau an dieser Stelle öffnet Computer Use für KIs neue Betätigungsfelder.</p><h3>Zwischen Text und brauchbarem Dokument</h3><p>Ein erheblicher Teil meiner Büroarbeit besteht aus Fleißarbeit: Inhalte übertragen, Tabellen aufbereiten, Formatierungen vereinheitlichen und vorhandene Dokumente an neue Vorgaben anpassen. Dazu gehören gelegentlich kreative Entscheidungen, aber vor allem viele sorgfältige Handgriffe.</p><p>Bei meinen früheren Versuchen mit KI-generierten Dokumenten gab es häufig Formatprobleme; im schlimmsten Fall ließ sich eine Datei nicht sinnvoll weiterverarbeiten. Eine Tabelle muss zudem korrekt rechnen, auch wenn sie auf den ersten Blick gut aussieht.</p><p>Office-Dateien können durchaus direkt mit Software erzeugt und verändert werden. Eine KI muss dafür nicht jeden Arbeitsschritt durch die Benutzeroberfläche ausführen. Computer Use eröffnet aber einen weiteren Weg und ermöglicht die sofortige Prüfung des Ergebnisses in der Anwendung durch das Modell selbst. Der Agent bekommt eine Aufgabe und betrachtet wiederholt Screenshots der Anwendung. Ein multimodales Modell analysiert die Bildschirmansichten und erkennt dabei auch Symbole, grafische Bedienelemente etc. Über Werkzeuge steuert der Agent eine virtuelle Maus und die Tastatur: Er klickt, tippt, öffnet Menüs oder zieht Elemente an eine andere Stelle. Neue Screenshots zeigen ihm anschließend, was passiert ist.</p><p>Analog funktioniert die Benutzung eines Browsers durch KIs. Das ist besonders relevant, weil ein großer Teil unserer Anwendungen inzwischen im Browser läuft: Redaktionssysteme, Unternehmensportale, soziale Netzwerke und zahlreiche Büroanwendungen. Je nach Umgebung lässt sich dafür ein vorhandener Browser oder eine gesonderte Browsersitzung verwenden. (Dokumentation: <a href="https://developers.openai.com/api/docs/guides/tools-computer-use">OpenAI Computer Use</a>, <a href="https://learn.chatgpt.com/docs/browser">Browsersteuerung in ChatGPT</a>)</p><h3>Was ich heute abgeben kann</h3><p>Ich delegiere inzwischen häufiger ganze Arbeitspakete: “Überarbeite diese Dokumente nach diesen Vorgaben, verwende die vorhandene Vorlage und prüfe anschließend das Ergebnis.” Das ist für mich ein größerer Schritt als die Möglichkeit, mir einen Absatz formulieren zu lassen. Letzteres mache ich immer noch am liebsten selbst.</p><p>Der Agent ist dabei häufig langsamer, als ich selbst wäre. Er muss sich orientieren, Zwischenergebnisse betrachten und gelegentlich einen anderen Weg versuchen. Aber ich muss nicht währenddessen vor dem Bildschirm sitzen und jeden Handgriff selbst ausführen. Meine eigene Zeit wird frei, auch wenn diese eine Aufgabe insgesamt länger dauert.</p><p>Grob geschätzt kann ich heute etwa 20 bis 25 Prozent meiner täglichen Arbeit auf diese Weise abgeben. Das ist eine persönliche Einschätzung, keine gemessene Produktivitätssteigerung. Erfreulicherweise betrifft es vor allem Tätigkeiten, die ich selbst am wenigsten gern erledige.</p><h3>Freigaben und Kontrolle</h3><p>Damit das funktioniert, braucht der Agent Zugriff auf Anwendungen und Dokumente. Daraus folgt aber keine pauschale Erlaubnis für jede Handlung. Änderungen, Löschen, Versenden oder Veröffentlichen müssen vom Auftrag gedeckt sein. Freigaben und Rückfragen helfen dabei; sie ersetzen weder einen klaren Auftrag noch die Prüfung wichtiger Ergebnisse. (Dokumentation: <a href="https://learn.chatgpt.com/docs/computer-use">Computer Use in ChatGPT</a>)</p><p>Ich sichere meine Arbeit inzwischen stündlich statt nur täglich. Das ist eine praktische Konsequenz daraus, dass ich einem Agenten mehr Handlungsspielraum gebe.</p><p>Auch Datenschutz gehört dazu: Dokumentinhalte und Bildschirmansichten können zur Verarbeitung an den Dienst übermittelt werden. Dass die Anwendung auf meinem Rechner läuft, bedeutet nicht, dass alle Inhalte dort bleiben. Vertrauliches Material braucht deshalb einen dafür geeigneten Rahmen. Die psychologische Seite des Vertrauens habe ich in <a href="https://www.linkedin.com/pulse/invasion-der-kuscheltiere-markus-breuer-xance/">Invasion der Kuscheltiere</a> ausführlicher beschrieben.</p><h3>Was aus der Einsteigerarbeit wird</h3><p>Aber von solchen regulatorischen Fragen zu den Folgen für die Arbeitswelt: An den Aufgaben, die jetzt mehr und mehr von KIs übernommen werden, lernen Berufseinsteiger vor allem auch, Vorgaben zu verstehen, Unstimmigkeiten zu erkennen, Werkzeuge zu beherrschen und Ergebnisse zu beurteilen. Mit der Delegation an KIs entfällt nicht nur Arbeit, sondern auch ein Teil dieser Lerngelegenheiten.</p><p>Erste Arbeitsmarktdaten deuten in die Richtung schlechterer Chancen für Berufseinsteiger. Eine aktuelle Stanford-Auswertung amerikanischer Beschäftigungsdaten zeigt eine schwächere Beschäftigungsentwicklung bei jungen Berufseinsteigern in stark KI-exponierten Tätigkeiten, vor allem durch geringere Einstellungen. Die Autoren behandeln das ausdrücklich als frühe beschreibende Evidenz, nicht als kausalen Nachweis, dass KI diese Entwicklung verursacht hat. (Studie: <a href="https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/">Stanford Digital Economy Lab</a>)</p><p>Natürlich lässt sich einwenden, dass Berufseinsteiger dann eben andere Tätigkeiten übernehmen werden. Auch frühere Automatisierungswellen haben neue Aufgaben hervorgebracht. Dieser Einwand ist berechtigt. Worin ich dieses Mal aber einen deutlichen Unterschied sehe, sind die Geschwindigkeit und die unerbittliche Schlagzahl der Entwicklung. Wenn in einer Rolle kurzfristig ein erheblicher Teil der Tätigkeiten an KIs delegierbar wird, stehen nicht automatisch ebenso schnell neue Aufgaben für die frei werdende Kapazität bereit. Und, wenn dann endlich neue Aufgaben identifiziert sind, ist die Entwicklung schon wieder weitergegangen: KIs haben neue Fähigkeiten entwickelt, mit denen sie eventuell auch diese Aufgaben so gut wie ein Mensch oder besser — und irgendwann billiger — erledigen können.</p><p>Für Unternehmen entstehen damit handfeste „Einsparpotenziale“ und „Restrukturierungsbedarf“, wie Controller oder Unternehmensberatungen es formulieren würden. Meine Begeisterung darüber, wie brauchbar Computer Use geworden ist, hat deshalb einen bitteren Beigeschmack.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6a2ba0bec167" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Wasserzeichen bei KI-Texten und die Panik in der KI-Blase]]></title>
            <link>https://markusbreuer.medium.com/wasserzeichen-bei-ki-texten-und-die-panik-in-der-ki-blase-d3ec57547c72?source=rss-24b4eee20562------2</link>
            <guid isPermaLink="false">https://medium.com/p/d3ec57547c72</guid>
            <dc:creator><![CDATA[Markus Breuer]]></dc:creator>
            <pubDate>Tue, 18 Aug 2026 16:33:22 GMT</pubDate>
            <atom:updated>2026-08-18T16:33:22.080Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9tjjsmVLyHXsbglLxMPG_Q.jpeg" /></figure><p>Die Firma Anthropic hat im August 2026 eine neue “Wasserzeichen”-Technologie eingeführt, um KI-generierte Texte eindeutig als solche zu kennzeichnen. Das hat zu viel Kritik von Kommentator:innen in der Fachpresse und vor allem in den Sozialen Medien geführt. Meist fühlten sich die entsprechenden Autor:innen an den Pranger gestellt bzw. fürchteten „Reputationsschäden“. Viele, die offensichtlich KIs zur Texterstellung einsetzen und dies bislang nicht transparent machen, stellten sich auf den Standpunkt, dass aller Geistesschmalz in ihren Beiträgen von ihnen käme und lediglich die Formulierung aus der KI stamme — und dass sie nun zu Unrecht verdächtigt würden, ihre Beiträge von einer KI schreiben zu lassen.</p><p>Ich halte diese Sorgen für menschlich nachvollziehbar und auch nicht für ungerechtfertigt. Zugleich denke ich, dass unsere Gesellschaft „da durchmuss“. Hier findet nicht nur ein Anpassungsprozess an eine neue Technologie, sondern auch ein echter Paradigmenwechsel statt.</p><h3>Die Technik hinter dem Wasserzeichen</h3><p>Vielleicht zunächst einmal etwas zur technischen Grundlage dieses „Wasserzeichens“. Anthropic hat dazu zunächst nicht viel gesagt:</p><blockquote>When a supported Claude model generates text, it weaves an imperceptible watermark directly into the text itself. You won’t see it, and it doesn’t change the meaning, quality, or readability of Claude’s response. (Siehe <a href="https://support.claude.com/en/articles/16266773-how-claude-marks-ai-generated-content">https://support.claude.com/en/articles/16266773-how-claude-marks-ai-generated-content</a>).</blockquote><p>Nicht nur für Laien hörte sich das vage und verwirrend an: Wie will man ein „nicht wahrnehmbares Wasserzeichen“ in einem Text unterbringen, ohne diesen zu verhunzen oder mit versteckten Zeichen zu arbeiten? Versteckte Sonderzeichen wären technisch ein Weg — aber die findet jeder Texteditor, und ein Klick entfernt sie wieder. Bleibt also nur ein Ansatz, der bei der Textentstehung selbst ansetzt.</p><p>Um das zu verstehen, muss man einen kleinen Blick darauf werfen, wie die heutigen Sprachmodelle arbeiten. Diese LLMs, Large Language Models, machen auf der alleruntersten Ebene nicht viel mehr, als einen Text, den man ihnen gibt, zu verlängern bzw. zu komplettieren. Wenn Sie im KI-Chatbot Ihrer Wahl „Sein oder Nichtsein, das ist hier die …“ eingeben, wird dieser mit hoher Wahrscheinlichkeit „Sein oder Nichtsein, das ist hier die Frage!“ antworten (und eventuell noch ein paar weitere Erklärungen dazu ergänzen; gerade die klügeren Modelle sind oft ein bisschen geschwätzig).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*W0aaxh8IaF15J66N743YQw.png" /><figcaption>Typische “Komplettierung” eines Textes durch eine KI</figcaption></figure><p>Die Antwort eines Large Language Models ist eben die kanonische Komplettierung des Textes im Prompt. Dabei wendet die KI dasselbe Komplettierungsprinzip wieder und wieder an: Erst wird ein Wort angehängt, dann wird der neue, um ein Wort verlängerte Text wieder als Input verwendet, ein weiteres Wort angehängt und so weiter.</p><p>Wenn es sich nicht um ein Stück Weltliteratur handelt, ist das Ergebnis (die Response) nicht mehr ganz so vorhersehbar. Das Modell hat dann schon gewisse Freiheiten und wird in vielen Fällen auch leicht unterschiedlich antworten, wenn man dieselben Fragen stellt. Hier kommt auch ein bewusster Zufallsfaktor ins Spiel.</p><p>Und ja, ich gebe zu, dass ich das etwas vereinfacht dargestellt habe. Für alle, die es ganz genau nehmen: Ich verwende den Begriff „Wort“, wo ich korrekterweise „Token“ sagen müsste. KIs behandeln Texte nämlich nicht als Folge von Wörtern, sondern als Sequenz von Token. Ein Wort besteht typischerweise aus mehr als einem „Token“. Token beinhalten zudem oft auch Satzzeichen. Das Token-Prinzip hat viele Vorteile bei der Behandlung von Texten. Es berücksichtigt eben auch Satzzeichen, zusammengesetzte Wörter und sorgt dafür, dass KIs falsch geschriebene Wörter korrekt „verstehen“.</p><p>Von solchen Details mal abgesehen: Genau hier, also bei der Fortsetzung eines Textanfangs mit weiteren Wörtern/Tokens, setzt der Wasserzeichen-Mechanismus an, der tatsächlich schon 2023 in einem Paper („A Watermark for Large Language Models“; Kirchenbauer et al., ICML 2023) beschrieben wurde. Anthropic verwendet ein im Detail leicht anderes Verfahren. Am Kirchbauer-Verfahren lässt sich das Prinzip aber am einfachsten erklären:</p><ul><li>Zunächst teilt das System seinen Wortschatz mit einem geheimen Zufallsverfahren in eine „grüne“ und eine „rote“ Liste.</li><li>Wird dann ein Text „komplettiert“, erhalten die Token der grünen Liste einen kleinen Wahrscheinlichkeitsbonus. Das Modell wählt dadurch, ohne merklichen Qualitätsverlust, etwas öfter „grüne“ Wörter.</li><li>Ein Detektor, der den geheimen Schlüssel kennt, prüft anschließend, ob dieser Überschuss statistisch signifikant ist. Und wenn die Anzahl der „grünen Wörter“ überproportional hoch ist: Bingo! KI-generiert!</li></ul><p>Welches Verfahren Claude genau verwendet, hat Anthropic inzwischen auch mitgeteilt (siehe <a href="https://www.anthropic.com/news/claude-text-watermark):">https://www.anthropic.com/news/claude-text-watermark):</a> eine Variante von SynthID-Text, das Google 2024 in Nature beschrieben hat. Dort konkurrieren die Kandidaten für das nächste Token nicht über grüne und rote Listen, sondern in einer Art Turnier, dessen Bewertungsfunktion am Schlüssel hängt. Für die Konsequenzen ist dieses Detail unerheblich. Das Prinzip bleibt dasselbe und die Charakteristika dieses Wasserzeichens auch: Haltbarkeit gegen Überarbeitung, die Textmenge, die für einen Nachweis nötig ist, die Fehlerraten in beide Richtungen — all das folgt aus dem gemeinsamen statistischen Prinzip und fällt bei allen Verfahren dieser Familie ähnlich aus.</p><h3>Technik hat Konsequenzen</h3><p>Daraus ergibt sich eine ganze Reihe von Konsequenzen für die Eigenschaften dieses Wasserzeichens.</p><ol><li>In einem mit einem solchen Wasserzeichen versehenen Text ist für Menschen und Algorithmen, die den Schlüssel nicht kennen, nichts Auffälliges zu bemerken. Auch die Textqualität ist nicht wirklich schlechter. Es gibt so viele Möglichkeiten, realistische Texte fortzusetzen, dass es praktisch keinen Unterschied macht, ob man in die rote oder grüne Richtung geht.</li><li>Dieses Wasserzeichen zu entfernen ist möglich, aber nicht unaufwendig. Tatsächlich muss ich dazu den Text umformulieren, also Sätze umstellen oder idealerweise mit anderen Wörtern formulieren. Aber: Ein bisschen überarbeiten reicht nicht. Tatsächlich muss man einen erheblichen Teil der Wörter (vermutlich 50% oder mehr) austauschen, um die Erkennungswahrscheinlichkeit spürbar zu senken — die Formulierungen also durchgreifend verändern.</li><li>False Positives, also Fälle, in denen behauptet wird, es sei ein KI-generierter Text, obwohl das nicht stimmt, sind sehr, sehr, sehr, sehr unwahrscheinlich. Dass ein Mensch zufällig, versehentlich überproportional viele Wörter aus der grünen Liste in manuell erstellten Texten verwendet, kann praktisch nicht vorkommen.</li><li>False Negatives kann es durchaus geben: Wird ein Text wie unter 2. beschrieben überarbeitet, kann das Verfahren ein vorhandenes Wasserzeichen nicht mehr zuverlässig identifizieren, obwohl der ursprüngliche Text vielleicht komplett aus einer KI kam. Dasselbe gilt für sehr kurze Texte: Wo nur wenige Wörter frei gewählt wurden, fehlt schlicht die statistische Grundlage für eine Aussage.</li></ol><p>Grundsätzlich gilt also auch bei diesen Verfahren — wie bei den schon vorhandenen und bekannten KI-Detektoren — dass eine Aussage über bestehende Texte nicht wirklich verlässlich ist, insbesondere nicht eine negative Aussage. Freisprechen kann man sich auf diese Art und Weise vom Verdacht der KI-Verwendung nicht. Neu ist allerdings gegenüber den bekannten KI-Detektoren die verschwindend geringe Wahrscheinlichkeit für False Positives.</p><h3>Und woher die Aufregung?</h3><p>Die Autor:innen der kritischen Beiträge fühlten sich dadurch allerdings bislang nicht beruhigt. Und das lässt meines Erachtens schon darauf schließen, dass es eine Menge von Anwendern gibt, die auf Social-Media-Plattformen und in anderem Kontext KI-generierte Texte verwenden und gesteigerten Wert darauf legen, dass das <strong>nicht</strong> erkennbar ist.</p><p>Ein wesentlicher Kritikpunkt ist, dass das Wasserzeichen als „zu pauschal“ empfunden wird. Der Prozess zur Erstellung eines Textes ist ja kein monolithischer Akt, der sich darauf beschränkt, Buchstaben in die Tasten zu hämmern. Tatsächlich kommen dabei eine ganze Reihe von kognitiven/kreativen Leistungen zum Einsatz, die man grob in mindestens drei Gruppen aufteilen kann:</p><ol><li>Kreative und konzeptionelle Leistungen: die Idee, die Entscheidung für das Thema, die Auswahl der Aspekte, die Gewichtung der Argumente, die Haltung zum Gegenstand. Hier entsteht der gedankliche Kern eines Textes.</li><li>Vorbereitende und bearbeitende Tätigkeiten, man könnte auch sagen „Zuarbeiten“: Recherche, Faktensammlung, Fact-Checking, Korrektorat, Lektorat, Prüfung von Verständlichkeit, Struktur, Lesbarkeit, etc.</li><li>Sprachliche Ausformulierung: konkreter „Bau“ der Sätze, Tonalität, Pointen, Übergänge, der sehr persönliche Umgang mit Sprache. Hier wird aus Ideen, Fakten und Gedanken der „Text“.</li></ol><p>KI kann in allen drei Bereichen eingesetzt werden. Das hat sehr unterschiedliche Konsequenzen. Es macht einen großen Unterschied, ob eine KI einen Text auf Verständlichkeit prüft, Recherchefragen sammelt, auf Inkonsistenzen oder eine unglückliche Reihenfolge hindeutet, ob sie Themen auswählt, Inhalte zu einem Thema, Argumente Pro und Kontra oder ob sie den finalen Text ausformuliert.</p><p>Die „gute Nachricht“ (vielleicht): Wenn ein Anthropic-Modell Sie bei der Recherche unterstützt, als Sparringspartner bei der Ideenfindung dient, Fact-Checking durchführt, Rechtschreibfehler und Grammatik korrigiert oder Ihnen empfiehlt, eine andere Reihenfolge für die Argumentation zu wählen, führt das in der Praxis nicht zu einem nachweisbaren Wasserzeichen.</p><p>Auch beim klassischen Lektorat ist es schwierig, solche Spuren im Text zu hinterlassen. Wenn Claude in einem Text nur hier und da ein anderes Wort vorschlägt oder einen Bandwurmsatz in drei kürzere zerlegt, ist nicht genug Platz für „statistisch signifikante“ Änderungen an der Wortwahl. Anthropic bestätigt das inzwischen: Wenn Claude einen von eine Menschen erstellten Text korrigiert, stammen fast alle Wörter weiterhin vom Menschen — es bleibt kaum etwas, woran sich ein Wasserzeichen festmachen kann.</p><p>Wenn ich dagegen alle Vorarbeiten „manuell“ mache und dann den kompletten Text nach einer groben Outline von Claude erstellen lasse, ist das anders.</p><p>Das sind aber Details. Die Angst scheint jedenfalls weit verbreitet zu sein, dass immer dann, wenn eine KI-Beteiligung im Entstehungsprozess ruchbar wird, die Wertschätzung für diese Texte sinkt.</p><p>Und das kann durchaus stimmen. Es gibt einen massiven Backlash gegen KI in bestimmten Kreisen der Bevölkerung. Und der Anteil der Menschen, die entsprechende Ressentiments empfinden, wächst. Diese Entwicklung hat aber wenig mit technischen Maßnahmen wie diesem neuen Wasserzeichen und ähnlichen Verfahren, die andere Hersteller schon einsetzen, zu tun. Es geht um eine grundsätzlich negative Haltung gegenüber KIs bis hin zu dem Denkmuster, dass jede Nutzung von KI bei der Erstellung irgendeines Werkes, dieses “kontaminiert”. Diese Zielgruppe sollten Menschen, die mit KI arbeiten, besser nicht adressieren — auch dann nicht, wenn sie überzeugt sind, dass sie es unbemerkt tun können.</p><p>Für alle anderen Zielgruppen von Texten befinden wir uns in der Zeit eines Paradigmenwechsels. Die Unterstützung von KIs beim Texten, bei der Recherchearbeit, beim Redigieren und Lektorieren muss neu und realistisch bewertet werden.</p><h3>Ein neues Paradigma</h3><p>An diesen Paradigmenwechsel muss sich die Gesellschaft erst einmal gewöhnen. Und wie fast immer bei einem Paradigmenwechsel empfindet ein Teil der Menschen ihn als Katastrophe. Sie möchten die Vorteile, die KIs ihnen bei der Arbeit verschafft nutzen, aber so auftreten, als hätten sie alle Arbeit eigenhändig erledigt.</p><p>Der Paradigmenwechsel ist, dass „Reputation“ und vielleicht auch Urheberschaft für „Textschaffende“ neu bewertet werden muss. Meine Reputation als jemand, der Texte publiziert, sollte sich daraus ergeben, ob die Texte, über/unter denen mein Name steht, gut sind, also ihr kommunikatives Ziel erreichen. Wie diese Texte genau entstanden sind, ist — ganz objektiv betrachtet — irrelevant. Das Ergebnis zählt.</p><p>Wenn wir ehrlich sind, ist dieser Punkt ja bereits erreicht: Viele „Spiegel-Bestseller“ prominenter Autor:innen sind ja nicht tatsächlich von diesen geschrieben, sondern überwiegend oder komplett von Ghostwriter:innen, die sich dafür bei den vorgeblichen Autor:innen Input geholt haben. Der Substanz dieser Bücher — sofern tatsächlich eine vorhanden ist — tut das ja keinen Abbruch und den Verkaufszahlen schon gar nicht.</p><p>Und genau so sollte das meines Erachtens beim KI-Einsatz im Bereich der Texterstellung sein. Wenn ich im Entstehungsprozess KI einsetze, kann das dem Endergebnis förderlich sein oder kann es — immer in Bezug auf das kommunikative Ziel — schlecht sein. Für den Einsatz und dessen Auswirkungen trage ich Verantwortung. Entscheidend bleibt aber immer das Ergebnis, nicht der Prozess.</p><p>Ich selbst bin ein bisschen unentschlossen, ob ich das bei der Bewertung literarischer Texte ebenfalls so konsequent sehe. Im Moment neige ich schon dazu: Entscheidend scheint mir zu sein, was diese Texte in mir verursachen und nicht, ob über diese eine metaphysische, spirituelle Verbindung zu den Autor:innen entsteht.</p><p>Mir ist bewusst, dass viele Menschen anders denken, besonders solche, die sich intensiv mit Literatur beschäftigen und diese sehr schätzen. Ich halte das für legitim.</p><p>Deshalb halte ich es für legitim und sinnvoll, dass der Einsatz von KI-Technologie transparent gemacht wird. Wasserzeichen wie das neue von Anthropic sind ein Schritt in diese Richtung, wenn auch kein perfekter. Tatsächlich glaube ich nicht, dass es eine technisch perfekte Lösung geben kann.</p><p><strong>Und am Ende geht es immer um Verantwortungsbewusstsein und Redlichkeit bei den „Urhebern“. Technisch unterstützte Transparenz kann die Motivation, diese Tugenden auch zu leben, sicher spürbar erhöhen …</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d3ec57547c72" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Das Model Context Protocol (MCP): der USB-Standard für KI]]></title>
            <link>https://markusbreuer.medium.com/das-model-context-protocol-mcp-der-usb-standard-f%C3%BCr-ki-eff010a47a5c?source=rss-24b4eee20562------2</link>
            <guid isPermaLink="false">https://medium.com/p/eff010a47a5c</guid>
            <category><![CDATA[ik]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[mcps]]></category>
            <dc:creator><![CDATA[Markus Breuer]]></dc:creator>
            <pubDate>Tue, 01 Apr 2025 05:50:41 GMT</pubDate>
            <atom:updated>2026-05-19T12:35:42.213Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gnAjbDyiUHmcTdNmc-iSpg.png" /></figure><p>Gleich, nachdem ChatGPT das Licht der Öffentlichkeit erblickte, war klar, dass für viele Anwendungen eine Zusammenarbeit von KI-Intelligenz mit klassischer Software nötig war. ChatGPT hat das relativ schnell unterstützt. Die konkrete Umsetzung war aber oft „wackelig” und technisch herausfordernd. Jede einzelne Anwendung erforderte individuelle, maßgeschneiderte Schnittstellen-Programmierung. Das hat sich geändert. Mit dem <em>Model Context Protocol</em> (<em>MCP</em>) gibt es einen offenen, etablierten Standard, der die Zusammenarbeit von klassischer Software mit KI-Modellen, die Zusammenarbeit mehrerer KI-Modelle untereinander und die Entwicklung von <em>Agenten</em> (KI-Systemen, die etwas tun und nicht nur „chatten”), dramatisch vereinfacht. MCP hat sich seit Ende 2025 zum De-facto-Standard für KI-Integrationen entwickelt. Anthropic hat den Standard im Dezember 2025 an die Linux Foundation übergeben (Agentic AI Foundation). Praktisch alle großen Player der KI-Branche — AWS, Anthropic, Bloomberg, Cloudflare, Google, Microsoft und OpenAI — sind Platinum-Mitglieder.</p><h3>Worum geht’s?</h3><p>Das Model Context Protocol (MCP) wurde von Anthropic, einem Wettbewerber von OpenAI und Betreiber von “Claude” als offener Standard entwickelt, um die Integration von KI-Komponenten in bestehende digitale Infrastrukturen zu erleichtern. Es handelt sich um eine Art universellen Anschluss, quasi den USB-Stecker für KI. Ziel von MCP ist es, die Kommunikation zwischen KI-Modellen und externen Datenquellen oder Werkzeugen zu vereinheitlichen und vor allem auch zu vereinfachen.</p><p>Das Model Context Protocol standardisiert so die Kommunikation zwischen KI-Systemen und externen Ressourcen, wie etwa Datenbanken, Dateisystemen oder Webdiensten. Vor der Einführung dieses Protokolls mussten Entwickler für jede einzelne externe Verbindung eine spezifische Schnittstelle programmieren, was zeitaufwändig und fehleranfällig war. Dieser Aufwand multiplizierte sich noch durch das M x N Problem: wenn <em>m </em>KI-Modelle mit <em>n</em> Datenquellen oder Services zusammenarbeiten wollen, müssen dafür <em>m</em>*<em>n</em> Verbindungen geschaffen werden.</p><p>Zum Vergleich mit USB: Ohne einheitlichen Verbindungs-Standard müsste jedes Peripheriegerät (wie Drucker oder Tastatur), das man an einen Computer anschließen möchte, für jeden Computer-Typ ein individuelles Software-Modul mitbringen (wie es vor langer Zeit tatsächlich einmal war). MCP löst dieses Problem im KI-Bereich analog zum USB-Standard im Computerbereich.</p><h3>Grundprinzipien und Ziele von MCP</h3><p>MCP verfolgt einige grundlegende Ziele:</p><ul><li><strong>Standardisierte Kommunikation</strong>: Es bietet eine einheitliche Methode zur Verbindung von KI-Modellen und externen Werkzeugen.</li><li><strong>Offener Standard</strong>: Da MCP offen zugänglich ist, können alle Entwickler darauf zugreifen, was Interoperabilität ermöglicht.</li><li><strong>Reduzierung von Komplexität</strong>: MCP reduziert das komplizierte “M×N-Problem” (viele Modelle mit vielen Werkzeugen) zu einem handhabbaren “M+N-Problem”. Nun muss nur noch <em>m </em>KI-Modellen über einen so genannten <strong><em>Client</em></strong> “das MCP beigebracht werden” und <em>n</em> externe Tools müssen mit einem “MCP-Server” zur Steuerung versehen werden. Bei 5 KI-Modellen und 20 Werkzeugen wären das ohne MCP 5 × 20 = 100 individuelle Verbindungen, mit MCP nur 5 + 20 = 25</li><li><strong>Dynamische Flexibilität</strong>: MCP-Komponenten können selbst offenlegen und bei anderen “entdecken”, was sie können und wie diese Fähigkeiten genutzt werden (siehe den Punkt <strong><em>Erkunden und Entdecken</em></strong> weiter unten).</li></ul><h3>Technische Funktionsweise des MCP</h3><p>Technisch basiert das MCP auf einer klassischen Client-Server-Struktur. Es definiert drei Typen von Komponenten:</p><ol><li>Hosts</li><li>Clients</li><li>Server</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*TeI5sVCGDnw1HG6C.jpeg" /></figure><p>MCP Basis-Architektur [Diagramm: Autor]</p><p><strong>MCP-Hosts</strong> sind LLM-basierte Applikationen (man könnte vereinfacht auch sagen, dass es die LLM-Modelle selbst sind), die Daten von anderen Systemen benötigen oder andere Systeme steuern wollen, um ihre Arbeit zu erledigen. Wenn sie Letzteres tun, sind es im Sinne des aktuellen Modebegriffs <strong><em>Agenten</em></strong>.</p><p><strong>MCP-Clients</strong> dagegen sind Komponenten innerhalb eines MCP-Hosts, an die das LLM-Modell Anfragen und Anweisungen geben kann. (Bei OpenAI nennt man das „Tools”, bei anderen Firmen „Functions” o.ä..) Stellt ein LLM-Modell zum Beispiel fest, dass es zur Beantwortung einer Anfrage (eines „Prompts”) weitere Daten benötigt, kann es diese Daten über den eigenen MCP-Client bei einer Datenbank abfragen (wenn die Datenbank einen MCP-Server hat). Und, wenn das Modell zum Beispiel eine Reise buchen oder einen Kalender-Eintrag erstellen möchte (Stichwort Agent), kann es das mit einem Aufruf an die Buchungsplattform oder die Kalender-Anwendung tun — indem die Anfrage zunächst an den eigenen MCP-Client und von diesem an den MCP-Server des anderen Systems geht.</p><p><strong>MCP-Server</strong> sind spezialisierte Anwendungen, die für jeweils eine Da-tenquelle oder eine Anwendung Daten oder Dienste anbieten. Sie lau-fen quasi neben dieser Anwendung. Der MCP-Server einer Datenbank bietet beispielsweise Zugriff auf die Daten in dieser Datenbank (oder die Möglichkeiten, neue Daten zu speichern). Der MCP-Server einer Kalender-Anwendung kann neue Kalender-Einträge anlegen, vorhande-ne löschen, verändern und auflisten, welche es schon gibt. Der MCP-Server einer 3D-Modeling-Software erlaubt es, 3D-Objekte und Szenen aufzubauen und zu verändern.</p><p>Die Kommunikation zwischen MCP-Clients und -Servern basiert auf JSON (technisch genauer: JSON-RPC 2.0), einer schon weit verbreiteten, strukturierten ”Sprache” für den Datenaustausch.</p><p><strong>Erkunden und Entdecken</strong></p><p>Im Kern ist das Konzept des MCP keine neue Idee. Kommunikation zwischen Software-Komponenten funktioniert immer so ähnlich, sobald sie standardisiert wird. Was (relativ) neu ist und vor allem erst “dank KI” so richtig gut funktioniert, ist, dass MCP-Server anderen Diensten selbst mitteilen, was sie können. Diese Eigenschaft des MCP-Protokolls nennt man in der Software-Industrie häufig „Capability Discovery“. Dabei wird in einem Standard-Format beschrieben,</p><ul><li>welche <strong><em>Ressourcen</em></strong> ein Server bereitstellt, z.B.<br>Dateien, Datensätze, Komponenten von Bildern, etc.</li><li>mit welchen <strong><em>Prompts</em></strong> (Templates) der Server genutzt werden kann, z.B.<br>suche, buche, erzeuge … und welche Parameter benötigt werden.</li><li>wie die entsprechenden <strong><em>Tools</em></strong> vom Model aus aufgerufen werden.</li></ul><p>Wer mehr dazu wissen will, findet das <a href="https://modelcontextprotocol.io/docs/concepts/architecture"><strong>hier</strong></a> sehr schön dokumentiert.</p><p>MCP-Clients können auf diese Weise dynamisch feststellen, welche Fähigkeiten MCP-Server haben. Die dynamische Entdeckung von Fähigkeiten erhöht die Nützlichkeit des MCP erheblich, da die Kommunikation zwischen den Systemen nicht mehr durch Software-Entwickler konfiguriert werden muss (die KIs “machen das unter sich aus”) und Server sogar neue Funktionen bereitstellen können, die von den Clients automatisch erkannt und genutzt werden, ohne dass auch nur eine Zeile Code ergänzt oder verändert werden muss.</p><h3>Potentielle Bedeutung von MCP für das KI-Ökosystem</h3><p><strong>Vereinfachte Integration: </strong>Vor MCP war die Integration von KI mit externen Quellen sehr heterogen und technisch anspruchsvoll. Durch den neuen Standard kann dieser Prozess vereinfacht werden. Allerdings bleibt zu prüfen, wie gut sich MCP langfristig in unterschiedlichsten Anwendungsszenarien bewährt.</p><p><strong>Offener Standard und Unabhängigkeit: </strong>Ein zentraler Vorteil von MCP als offenem Standard ist, dass er die Abhängigkeit von einzelnen Anbietern („Vendor Lock-in”) verringert. Dies schafft potenziell sowohl Vielfalt als auch Wettbewerb. Jedoch hängt der tatsächliche Erfolg davon ab, ob die Akzeptanz und Unterstützung in der Entwicklergemeinde dauerhaft groß genug bleibt. Der Trend sieht im Moment sehr gut aus.</p><p><strong>Grundlage für autonome KI-Agenten: </strong>MCP bietet eine solide und flexible technische Grundlage für sogenannte <strong><em>KI-Agenten</em></strong> — Programme, die eigenständig komplexe Aufgaben und wirklich etwas tun (und nicht nur chatten). Durch standardisierten Zugang zu unterschiedlichen Ressourcen könnte MCP solche Systeme fördern. Wie gut das wirklich funktioniert, wird unter anderem davon abhängen, als wie robust sich die Sicherheitsmechanismen erweisen werden, die ebenfalls Bestandteil von MCP sind.</p><h3>Zugang zu vorhandenen Diensten über MCP</h3><p>Die Anwendungen von MCP umfassen bereits eine Vielzahl von Softwarekategorien:</p><ul><li><strong>Datenbanken</strong>: Nutzung von Datenbanken wie PostgreSQL, SQLite …</li><li><strong>Dateizugriff</strong>: KI-Systeme können über MCP-Server auf lokale Dateien oder Google Drive zugreifen</li><li><strong>Code-Verwaltung</strong>: Unterstützung bei Programmierung mit GitHub, Confluence, JIRA, …</li><li><strong>Kommunikation</strong>: Automatisierung von Chat-Anwendungen wie Slack, Google Mail …</li><li><strong>Kalender</strong>: U.A. von Apple und Google …</li><li><strong>Ortsbezogene Dienste</strong>: Integration von Karten- und Standortinformationen (z.B. Google Maps).</li><li><strong>Websuche</strong>: Zugriff auf Webinhalte via MCP-Server für Brave Search o.ä.</li><li><strong>3D-Modelling</strong>: mit einem MCP-Server für Blender.</li></ul><p>und und und …</p><p>Eine <a href="https://github.com/modelcontextprotocol/servers"><strong>Liste ohne Anspruch auf Vollständigkeit</strong></a> findet sich auf GitHub.</p><h3>Aktuelle Situation und Zukunft von MCP</h3><p>MCP hat sich als De-facto-Standard im KI-Ökosystem duchgesetzt. Etablierte Firmen und Open-Source-Gemeinschaften entwickeln laufend neue Integrationen. Es gehört inzwischen zum guten Ton für alle SaaS-Plattformen, einen MCP-Server anzubieten.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*SvaFX00TZL4ao9D9.jpeg" /></figure><p>Ein entscheidender Faktor auf diesem Weg war Verkündung von OpenAI Boss Sam Altman, dass auch die OpenAI-Modelle MCP unterstützen. Dadurch war der Weg zu einem echte Standard vorgezeichnet. Es gibt zwar weiterhin immer wieder neue Ansätze, andere Software-Module und Plattformen für KI-Modelle zugänglich zu machen. Ein Anfang 2026 aufgekommener Ansatz sind beispielsweise CLIs (Command Line Interfaces) die ursprünglich entwickelt worden, um Computer allein mit der Tastatur und Textausgaben zu bedienen. Das hat Vor- und Nachteile. MCP wird aber sicherlich noch einige Jahre lang „wichtig“ bleiben.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=eff010a47a5c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[KI für Einsteiger — der nächste Schritt]]></title>
            <link>https://markusbreuer.medium.com/ki-f%C3%BCr-einsteiger-der-n%C3%A4chste-schritt-69c26b9ab613?source=rss-24b4eee20562------2</link>
            <guid isPermaLink="false">https://medium.com/p/69c26b9ab613</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[rags]]></category>
            <category><![CDATA[notebooklm]]></category>
            <category><![CDATA[ki̇]]></category>
            <category><![CDATA[kmu]]></category>
            <dc:creator><![CDATA[Markus Breuer]]></dc:creator>
            <pubDate>Tue, 28 Jan 2025 07:52:14 GMT</pubDate>
            <atom:updated>2025-01-28T07:52:14.822Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ymyDsg9pzSCxNHHUaKjKvQ.jpeg" /><figcaption>Quelle: NVIDIA</figcaption></figure><h3>KI für Einsteiger — der 2. Schritt: RAG</h3><p><em>KI ist mehr als ChatBots und hübsche Bilder von Menschen mit zu viel Fingern. Richtig spannend wird es, wenn KI-basierte Systeme mit anderer Software zusammenarbeiten, Entscheidungen treffen und umsetzen. Aber das ist recht komplex und im Moment für Privatanwender und Kleinunternehmen eher Zukunftsmusik. Aber auch ohne aufwendige IT-Projekte können Unternehmen und Privatanwender mehr tun als mit den großen Bots chatten oder nette Bilder für das Marketing erzeugen. Zum Beispiel indem sie KI-Werkzeuge wie ChatGPT, Claude, Gemini etc. auf die eigenen Bedürfnisse anpassen oder mit eigenen Daten schlauer machen. Das Stichwort heißt RAG. Und das ist gar nicht schwer.</em></p><p>Was Menschen, die sich für die neuen Möglichkeiten von KI interessieren oder sich sogar schon tagein, tagaus mit KI beschäftigen, schnell vergessen: die Mehrzahl ihrer Mitmenschen hat wenig Erfahrungen mit den verschiedenen Ausprägungen von KI. Für die Mehrzahl der Computer-Anwender ist KI — wenn sie sich überhaupt schon damit beschäftigt haben — ein ChatBot oder ein Programm, mit dem man hübsche Bilder generieren kann. Der Eine oder die Andere hat vielleicht auch schon die KI-Funktionen in MS-Office (Copilot) genutzt, die einen beim Umgang mit den jeweiligen Programmen unterstützen und häufig anfallende Aufgaben vereinfachen oder automatisieren. Aber das ist nur die Spitze des Eisbergs.</p><p>Chatbots und Bildgeneratoren sind eine direkte Umsetzung des Funktionsprinzips klassischer LLMs (<em>large language models </em>bzw. <em>große Sprachmodelle; </em>die Technologie hinter den modernen KI-Plattformen). Dabei werden extrem große neuronale Netze, die ähnlich funktionieren wie gewisse Bereiche unseres Gehirns, trainiert, indem man sie mit gewaltigen Mengen existierender Texte (und Bilder) füttert. Diese Netze “lernen” dabei, wie diese Texte (in vielen Sprachen) aufgebaut sind, was sie enthalten und können danach neue Texte (und Bilder) generieren, die zu den bekannten Texten und der Anfrage des Anwenders (dem sog. Prompt) “passen”). Bei Bildern geht das ganz ähnlich.</p><h3>Warum LLMs halluzinieren — die Welt ist nicht genug</h3><p>Ein limitierender Faktor ist dabei die Tatsache, dass LLMs auf einem “Trainingsset” von Daten basieren und dieses meist aus öffentlich zugängliche Daten besteht. Tatsächlich liegt in diesem Trainingsset bei den großen Modellen in der GPT-4-Klasse sozusagen “das ganze Internet” und meist noch etwas mehr. Das sind sehr viele Daten, keine Frage. Aber es ist ein festes Set, das meist auch schon “etwas älter” ist. Es verbietet sich allein aus Kostengründen, die Modelle ständig neu zu trainieren. Zudem fehlen darin selbstverständlich private, firmeninterne eben alle nicht öffentlichen Daten und Informationen, die in geschlossenen Datenbanken stecken. Dementsprechend sind die Antworten auch der besten LLMs zu vielen sehr speziellen Fragen relativ allgemein gehalten oder generisch.</p><p>Bei solchen Fragen treten dann auch “Halluzinationen” besonders häufig auf: Antworten, die plausibel klingen und im Brustton der Überzeugung vorgetragen werden, aber eben totaler Blödsinn sind. Das kann soweit gehen, das in einer Antwort Bücher, Filme, Restaurants, Unternehmen oder Websites genannt werden, die nicht existieren — deren Titel, Inhalte oder URLs aber in dieselben Muster passen, wie existierende Bücher, Filme, Restaurants, Unternehmen oder Websites. (Siehe auch <a href="https://markusbreuer.medium.com/chatgpt-l%C3%BCgt-727f0c66a711">ChatGPT lügt?</a>) Ein LLM wird nämlich <strong>immer</strong> eine Antwort auswerfen und in dieser die gestellte Frage <strong>immer </strong>inhaltlich beantworten … auch, wenn die Trainingsdaten dazu keine ausreichenden Informationen enthielten.</p><h3><strong>RAG zu Hilfe!</strong></h3><p>Spezialisierte oder firmeninterne KI-basierte Plattformen begegnen dieser Herausforderung mit einem Konzept, das RAG genannt wird — <em>Retrieval Augmented Generation</em>, also <em>recherche-gestützte Generierung</em> von Antworten. Dabei wird für die Interaktion mit dem ChatBot weiterhin primär das große, mit öffentlich zugänglichen Daten trainierte Sprachmodell verwendet. Dieses wird aber dazu gebracht, zusätzliche Informationen zu konsultieren, bevor die Antwort generiert wird.</p><p>Mit diesem Ansatz kann man beispielsweise einen KI-Chatbot dazu bringen, die eigenen Emails zu durchsuchen, bevor eine Antwort gegeben wird … oder die Informationen im Firmen-Intranet zu nutzen oder in einer CRM-Datenbank Informationen über einen bestimmten Kunden abzurufen, etc. etc. Dass das nützlich ist, ist keine Frage, denke ich. Das folgende Diagramm zeugt die grundsätzliche Architektur eines solchen Systems.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cikvGPjI5xU4wN-f0YTMHQ.png" /><figcaption>Vereinfachte Darstellung eines RAG-basierten Systems. [Urheber <a href="https://commons.wikimedia.org/w/index.php?curid=150390279">Turtlecrown</a> — CC BY-SA 4.0)</figcaption></figure><p>Das sieht sehr technisch aus, beschreibt aber im Grund ein sehr einfaches Schema:</p><ol><li>Weitere Informationen (hier “Reference documents” genannt), werden in einer sogenannten “Vector database” gespeichert.</li><li>Wenn der Anwender eine Anfrage stellt (einen “Prompt”), sucht das System in der Vector database nach weiteren Informationen im Kontext dieser Anfrage.</li><li>Aus der ursprünglichen Anfrage und dem Ergebnis der Suche wird ein (ggfs. sehr umfangreicher) neuer Prompt konstruiert, der dann wieder an ein LLM geschickt wird.</li><li>Dieses antwortet unter Berücksichtigung der in der Datenbank gefundenen Zusatzinformationen.</li></ol><p>Das mit den R<em>eference documents</em> und der <em>Vector database</em> hört sich recht technisch an. Und das ist es auch. OpenAI und andere Anbieter haben RAG Funktionalitäten zwar schon relativ schnell nach Vorstellung der Basis-Modelle angeboten. Aber das geschah zunächst in Form einer API, einer Schnittstelle, die von anderer Software genutzt werden konnte. Ohne Programmierkenntnisse und viel Zeit, sich in die entsprechenden Softwar-Bibliotheken und APIs einzuarbeiten, ging da nix.</p><p>Inzwischen haben aber einige Anbieter — vorneweg OpenAI aber auch Google — Lösungen in ihr Angebot aufgenommen, mit denen Anwender auch völlig ohne jede Programmierkenntnisse die meisten der Vorteile von RAG nutzen können. Und diese Lösungen sind großartig für alle, denen die KI-Chatbots in der Grundausstattung “zu dumm” sind, die regelmäßig immer wieder dieselben nicht-trivialen Prompts und auch für Unternehmen, die die ersten Schritte in Richtung individuelle, betriebliche Nutzung von KI machen wollen.</p><h3>RAG, “nächster Schritt” für den KI-Einsatz bei KMUs</h3><p>Das ist tatsächlich ein sehr sinnvollen “Nächster Schritt” für den Einsetz von KI-Technlogie in KMUs. Zunächst kann es sinnvoll sein, die Mitarbeiter:innen mit den klassischen Chatbots und Copilot-Funktionalitäten (bei Microsoft und anderen) vertraut zu machen. Das bietet sich für nahezu alle Schreibtischtätigkeiten an. Aber, wenn das passiert ist (manchmal auch parallel dazu) kann ein Unternehmen sehr davon profitieren, einfache RAG-Tools zu nutzen. Diese können auch Mitarbeiter:innen unterstützen (oder anderen Arbeit abnehmen), die nicht am Schreibtisch arbeiten.</p><p>Es ist zum Beispiel mit diesen einfachen Lösungen fast trivial, ein interaktives Mitarbeiterhandbuch zu bauen oder Prozessbeschreibungen, Anweisungen etc. einem Chatbot beizubringen, der dann interaktiv Auskunft gibt — was tatsächlich meist viel schneller geht und effizienter ist, als in Papierordnern oder im Intranet die entsprechenden Informationen zu finden. Ein solcher Assistent kann sogar umständlich und unverständlich geschriebene Regeln und Anweisungen leicht verständlich machen.</p><p>Bei ChatGPT verbergen sich diese Möglichkeiten unter den Namen “GPTs” (teilweise auch “Custom GPTs” oder “my GPTs) und “Projekte”. Bei Gemini heißt das “Gems”. Es ist im Kern dasselbe:</p><ul><li>Man beschreibt eine Reihe von Anweisungen, die immer ausgeführt werden sollen, wenn man als Anwender:in diesem GPT/Gem eine Frage stellt.</li><li>Man lädt weitere Dokumente (PDFs, Texte, Word-Dokumente, CSV-Listen, Excel-Dateien, Videos etc.) hoch, deren Inhalt immer berücksichtig werden soll, wenn man als Anwender:in diesem GPT/Gem eine Frage stellt.</li><li>Und am Ende bekommt das Ganze noch einen Namen und ein Icon/Profilbild.</li></ul><p>Das liest sich nicht nur einfach, sondern ist es auch.</p><p>Hier ist zum Beispiel ein <a href="https://www.youtube.com/watch?v=d47yw73u7bM">Tutorial, zur Erstellung eines Custom GPT </a>.<br>Und hier das <a href="https://www.youtube.com/live/FcB97h3vrzk">Vorstellungsvideo zu Custom GPT Projekten</a>.<br>Hier ein <a href="https://www.youtube.com/watch?v=z-JziZU61gg">Tutorial zur Verwendung von Gemini Gems</a>.</p><p>[GPTs/Gems können übrigens noch mehr: sie können auch über entsprechenden Programmierschnittstellen Informationen aus anderen Quellen holen, Ergebnisse an andere Programme weitergeben oder diese dazu veranlassen, etwas “zu tun”. Das ist aber ein anderes Thema und will ich hier deshalb nicht vertiefen.]</p><p>ChatGPT-Projekte sind noch etwas einfacher in der Bedienung, verzichten aber auf die Anweisungen, die besagen, wie genau sich der Chatbot verhalten und wie er die zusätzlichen Informationen benutzen soll.</p><p>Eine weitere Variante dieses Ansatzes ist Google’s NotebookLM, das eine phantastische Möglichkeit bietet, Informationen zu einem Thema oder einem Projekt zusammen zu tragen, sich jederzeit darüber zu “unterhalten”, Zusammenfassungen und Erklärbärtexte zu generieren oder sogar Podcasts zu produzieren, die das verfügbare Wissen auf leicht verdauliche Art und Weise aufbereiten. Das ist keine Spielerei, sondern tatsächlich sehr effektiv und ich wunder mich oft, warum nicht mehr Menschen, die grundsätzlich einen hohe Affinität zu KI haben, dieses Tool nutzen. Dazu kommt demnächst aber noch einmal ein eigener Artikel.</p><p>RAG ist ein sehr mächtiges Konzept. Es klingt zunächst abstrakt. Die Nützlichkeit beim praktischen Einsatz in Unternehmen ist aber hoch und bei weitem nicht so aufwendig, wie es sich anhört. Man kann viel mit ChatGPT generischen Anwendungen wie ChatGPT, Gemini, Claude oder Midjourney machen. Die stoßen aber rasch an “natürliche Grenzen”. Wenn ein Unternehmen KI einführen und “weitergehen” möchte, ohne gleich Eigenentwicklung zu betreiben oder teure Zusatzmodule für branchenspezifische Software zu kaufen, sind RAG-Tools wie Custom-GPTs, Gems, ChatGPT-Projekte und NotebookLM der beste und unaufwendigste Weg für die ersten Schritte über die Nutzung der generischen Tools hinaus.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=69c26b9ab613" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[OpenAI auf dem Weg zu “aiOS”?]]></title>
            <link>https://markusbreuer.medium.com/openai-auf-dem-weg-zu-aios-68d29deb89e0?source=rss-24b4eee20562------2</link>
            <guid isPermaLink="false">https://medium.com/p/68d29deb89e0</guid>
            <category><![CDATA[openai]]></category>
            <category><![CDATA[aio]]></category>
            <category><![CDATA[ki̇]]></category>
            <category><![CDATA[strategy]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Markus Breuer]]></dc:creator>
            <pubDate>Mon, 20 Jan 2025 06:36:26 GMT</pubDate>
            <atom:updated>2025-07-03T02:07:13.561Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*x35s3a56bREWjQdsNXL2AQ.png" /></figure><p><em>Anfang der letzten Woche hat OpenAI das neueste Modell für ChatGTP vorgestellt: “GPT 4o mit Aufgaben”. Diese Ergänzung von “Aufgaben” wirkt auf den ersten Blick wie ein simples Erinnerungs-Tool, doch dahinter könnte eine weitreichende Strategie stecken: OpenAI macht sich auf den Weg, mit „geplanten Aufgaben“ und vielfältigen KI-Anwendungen unser digitales Leben sehr grundlegend zu dominieren. Entwickelt sich vielleicht eine Art Betriebssystem auf dieser Basis? Die Idee eines allgegenwärtigen „aiOS“ wird greifbar. Das könnte nicht nur die gesamte IT-Branche sondern das Leben der Mehrzahl der Menschen in den wohlhabenden Ländern umkrempeln.</em></p><p>Das neueste Update von ChatGPT hat mich zum Nachdenken über das Geschäftsmodell von OpenAI gebracht. Obwohl ChatGPT in erster Linie eine Anwendung für normale Endbenutzer:innen ist, habe ich OpenAI bisher vor allem als Software-Plattform wahrgenommen, die anderen Programmen leistungsstarke Funktionen bereitstellt. Doch dieses neue Update lässt mich OpenAI’s Strategie aus einem anderen Blickwinkel sehen.</p><p>Auf den ersten Blick scheint das Update dieser Woche unscheinbar: Seit kurzem können zahlende Nutzer das Modell „GPT-4o mit geplanten Aufgaben“ verwenden. Diese Funktion kann entweder direkt im Chat oder über einen speziellen Menübefehl aktiviert werden. Hinter einer “geplanten Aufgabe” steckt ein einfacher Prompt, der zu einer bestimmten Zeit einmalig oder wiederholt ausgeführt wird.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/940/1*57nSAqh9i71DfaHw3A1bEQ.png" /></figure><p>So kann man sich beispielsweise jeden Morgen einen motivierenden Text oder ein besinnliches Gedicht anzeigen lassen, Aktuelle News zusammenfassen lassen, Aufgaben zum Sprachenlernen erhalten oder an regelmäßige oder einmalige Tätigkeiten erinnert werden. Das erinnert an Funktionen, die es bereits in unzähligen anderen Apps gibt, aber hier gibt es einen entscheidenden Unterschied.</p><p>Das Besondere ist, dass es eben nicht bloß ein statischer Text ist, der hinter einer Erinnerung steht, sondern ein dynamischer Prompt, der ausgesprochen vielseitig genutzt werden kann. CustomGPTs sind aktuell zwar (noch) nicht integriert — sie würden das Ganze noch einmal auf ein ganz neues Niveau heben — aber auch in der aktuellen Form ist diese Funktion bemerkenswert flexibel. Sie zeigt, dass OpenAI nicht nur „Intelligenz“ für andere Anwendungen bereitstellen oder durch den Chatbot selbst glänzen möchte, sondern zunehmend darauf abzielt, mit praktischen kleinen Anwendungen Teil des Alltags der Nutzer zu werden.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JMza6riDQZP1Orh8f3XF1w.png" /></figure><p>Langfristig könnte daraus eine ganze Suite von Anwendungen entstehen. Warum sollte es nicht eine KI-basierte Textverarbeitung geben, die sich durch Prompts steuern lässt? (Als Erweiterung des schon heute verfügbaren “Canvas”?) Oder einen intelligenten Kalender, einen Notizblock, ein digitales Whiteboard? Wer an einem Projekt tüftelt, könnte sich regelmäßig Zwischenstände und To-dos von ChatGPT geben lassen. Die KI liest und analysiert Notizen, hält Deadlines fest, schlägt Korrekturen vor etc. Und wie wäre eine Erweiterung, die nicht nur Bilder oder Diagramme erstellen, sondern diese auch bearbeiten kann, per Prompt und auf Wunsch mit gesprochenen Anweisungen.</p><p>Diese Beispiele zeigen bereits, wie dynamisch und vielfältig dieser Ansatz sein könnte. Es zeichnet sich ab, dass OpenAI mit jeder neuen Erweiterung nicht nur die Modelle intelligenter macht, sondern Stück für Stück das Potenzial von ChatGPT ausbaut — weg von einer reinen Sprach-KI hin zu einem umfassenden „Alltagsassistenten“.</p><h3>Konsequenzen für das Geschäftsmodell von OpenAI</h3><p>Ursprünglich hat OpenAI sich einen Namen als Anbieter von KI-Services für externe Entwickler gemacht. Über die API können Unternehmen aller Branchen ihre Produkte mit GPT-Intelligenz anreichern. Und ich vermute, dass OpenAI damit den größten Teil seiner Umsätze erzielt. Das würde sich ändern, wenn es dem Unternehmen gelingen würde, weitere Funktionalitäten anzubieten, für die die Menschen bereit sind, monatlich zu zahlen. Derzeit sind die drei Preisstufen (0$, 20$, 200$) nicht wirklich plakativ. Viele Menschen wissen nicht einmal genau, was die 20$-Version mehr macht als die kostenfreie oder gar, wieviel besser die 200$-Version ist als die 20$-Version. Wenn komplette Funktionalitäten hinzukommen (oder wegfallen), wäre die Vorteile hingegen sehr klar und die Motivation, ein wenig mehr zu zahlen, auch.</p><p>Der nächste logische Schritt wäre dann die Möglichkeit, Third-Party-Entwicklern die Möglichkeit zu geben, sich in dieses System einzuklinken, eigene Module anzubieten, oder auch individuelle Anwendungen aus den Modulen von OpenAI und denen anderen Anbieter zusammenzubauen.</p><p>Die Taktik, anwenderorientierte Features direkt in ChatGPT zu integrieren, könnte darauf hindeuten, dass OpenAI auf lange Sicht ein breites KI-Ökosystem für Endverbraucher:innen aufbauen möchte — man könnte von sogar von einer Art Betriebssystem sprechen.</p><p>Diese Entwicklung hat das Potenzial, die Marktposition des Unternehmens in mehrfacher Hinsicht zu stärken:</p><ol><li><strong>Mehr direkte Berührungspunkte</strong><br>Statt nur „anonym“ über APIs in Drittanbieter-Software präsent zu sein, intensiviert OpenAI den schon bestehenden direkten Kundenkontakt und die Kundenbindung.</li><li><strong>Wachsendes Ökosystem</strong><br>Wenn, wie oben erwähnt, Third-Party-Entwickler in dieses wachsende System einsteigen können, wird die Kreativität und der Vertrieb anderer Firmen auch für den Erfolg von OpenAI eingespannt. Es entsteht eine echte Plattform, die immer mächtiger wird.</li><li><strong>(Viel) mehr Umsatz</strong><br>Mit kostenpflichtigen attraktiven Funktionen ist Upselling möglich, lassen sich Premium-Tarife oder Zusatzpakete rechtfertigen, was die Einnahmequellen im Endkundengeschäft um ein Vielfaches vergrößert.</li></ol><p>Diese Entwicklung hätte selbstverständlich nicht nur Auswirkungen auf OpenAI sondern auf die gesamte KI-Branche und letztendlich auch auf den gesamten IT-Markt, der mehr und mehr durch KI dominiert wird.</p><ul><li><strong>Bewertung der Firma</strong><br>Zwar ist OpenAI (noch) nicht börsennotiert, doch Investoren sind stark an OpenAI interessiert sind. Ein gut ausgebautes KI-Ökosystem mit mächtigen Enduser-Funktionen und daraus fileßenden stabilen Erlösen, würder den Unternehmenswert dramatisch steigern. Die „Taktik“ der ständigen Neuerungen stärkt zudem das Image als Innovationsführer und könnte die Verhandlungsposition gegenüber Investoren, Partnern und Kooperationsunternehmen verbessern.</li><li><strong>Reaktionen im Markt</strong><br>Konkurrenten wie Google, Microsoft (als Partner und gleichzeitig Mitbewerber mit eigenen KI-Lösungen), Amazon oder Start-ups mit KI-Fokus müssten reagieren. Wenn OpenAI seinen Nutzern gegenüber mehr als nur einen Chatbot einbietet, ist das ein neuer Player im Markt der Anwendungssoftware. Wettbewerber wie Google würden vermutlich Ähnliches versuchen. Und das Verhältnis zum Großinvestor Microsoft würde sich ändern müssen.</li><li><strong>Konkurrenz für die Big Player</strong><br>Apple, Google und Microsoft verfügen alle über eigene Plattformen (iOS, Android, Windows) und ihre jeweiligen App-Ökosysteme. Mit einem „aiOS“ von OpenAI würde eine neue Konkurrenzsituation entstehen. Selbst wenn es nie ein vollwertiges Betriebssystem im klassischen Sinn werden sollte, hätte eine solche Plattform eine riesige Marktmacht.</li><li><strong>Unabhängige Software-Anbieter</strong><br>Unternehmen, die bisher ihre KI-Funktionen über Drittanbieter-APIs beziehen, müssen bewerten, ob sie in eine tiefe Abhängigkeit von OpenAI geraten, wenn ChatGPT sich parallel direkt an Endkund:innen wendet. Möglicherweise profitieren sie von einer engen Integration (z. B. durch Partnerschaften oder eigene Plugins), müssen sich aber gleichzeitig vor einer möglichen Kannibalisierung ihrer Angebote durch ChatGPT-Features in Acht nehmen.</li><li><strong>Start-ups und spezialisierte KI-Dienste</strong><br>Start-ups könnten die Weiterentwicklung von GPT als Sprungbrett nutzen, indem sie auf den Zug aufspringen: Wenn ein „Marktplatz“ für KI-Module entsteht, ließen sich neue Nischenprodukte und Funktionen entwickeln, die nahtlos in ChatGPT/aiOS integriert werden.</li></ul><h3>Dedizierte AI-Hardware</h3><p>Sobald KI-Anwendungen allgegenwärtig werden, stellt sich die Frage: Sind Notebook und Smartphone noch die ideale Plattform für immer umfassendere und dauerpräsente KI-Interaktionen? Denkbar wären neue Gerätekategorien, etwa Wearables mit erweitertem KI-Funktionsumfang. In 2024 gab es schon die ersten Versuche dieser Art zu sehen. (Auch OpenAI CEO Sam Altmann arbeitet mit Partnern an einem solchen Projekt.) Keines der entsprechenden Unternehmen hatte bislang Erfolg. Ich denke, weder die Hardware, noch die damals verfügbare Software waren für eine wirklich attraktive Lösung ausreichend. Das könnte in 2026 anders aussehen.</p><p>Ich könnte mir zum Beispiel sehr gut eine Kombination mit SmartGlasses und anderen Augmented-Reality-Lösungen vorstellen. Das wichtigste Eingabemedium wird sicherlich die Stimme werden. Aber viele Anwendungen werden irgendeine Form von Display benötigen. Die ersten Ansätze, die nur Kamera, Mikrofon und Lautsprecher für die Interaktion nutzen konnten, waren in dieser Hinsicht suboptimal.</p><p>FAZIT … Die neuen „Geplanten Aufgaben“ in ChatGPT sehen harmlos aus. Sie könnten aber ein richtungsweisendes Puzzleteil für eine umfangreichere Vision von KI im Alltag — und für die Unternehmensstrategie von OpenAI — darstellen. Was heute nach einer simplen Erinnerungsfunktion aussieht, könnte der Anfang einer Entwicklung sein, die ganze Arbeits- und Lebensabläufe eigenständig managt. Für OpenAI bedeutet dies eine offensichtliche Erweiterung des Angebots — von der reinen API-Plattform hin zu einem umfassenden „KI-Betriebssystem“, das Endkund:innen unmittelbaren Nutzen stiftet.</p><p>Für die AI-Industrie insgesamt könnte das ein weiterer Beschleuniger sein, da Mitbewerber nachziehen und in ähnliche Anwendungen investieren werden. KI-Agenten (der ganze Hype rund um Agentic AI) würde sich nicht mehr nur auf den Unternehmensmarkt beschränken. Sie stünden jedem zur Verfügung. Die Aussicht, dass KI-Modelle eigene Aufgaben planen und ausführen, ist für Anwender:innen und Investoren gleichermaßen faszinierend. Dazu passen die Entwicklungen, die 2024 begonnen haben, spezielle Hardwarelösungen auf den Markt zu bringen, die selbstverständlich mit einer Art „aiOS“ interagieren. Es bleibt spannend.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=68d29deb89e0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[ChatGPT lügt?]]></title>
            <link>https://markusbreuer.medium.com/chatgpt-l%C3%BCgt-727f0c66a711?source=rss-24b4eee20562------2</link>
            <guid isPermaLink="false">https://medium.com/p/727f0c66a711</guid>
            <category><![CDATA[generative-ai]]></category>
            <category><![CDATA[chatgpt]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[ki̇]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Markus Breuer]]></dc:creator>
            <pubDate>Tue, 24 Jan 2023 13:08:55 GMT</pubDate>
            <atom:updated>2023-01-24T13:16:29.553Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*tNQQEMun_4RD16sR-H0upA.jpeg" /></figure><h4>Einer der zwei aktuell beliebtesten Kritikpunkte an ChatGPT lautet, dass das System “lügt”. Und tatsächlich enthalten die Antworten von ChatGPT immer wieder Aussagen, die wie Fakten formuliert werden, die aber einfach nicht zutreffen. Witzigerweise kann man gerade anhand solcher Fälle ganz gut illustrieren, wie ChatGPT funktioniert, wozu man den Service benutzen kann — und wozu besser nicht. ChatGPT ist kein “anderes Google”.</h4><p>Die Tatsache, dass ChatGPT “lügen” kann und das kaum zu vermeiden ist, ist vielleicht der Aspekt, der am schwierigsten zu verstehen ist. Der Ausdruck “Lüge” ist zwar nicht korrekt (zur Lüge gehört das bessere Wissen und ChatGPT weiß nichts), aber den Benutzer:innen erscheint es so, wenn die Antworten Aussagen zu Fakten enthalten, die nicht korrekt sind. Denn ChatGPT erfindet „Fakten“, Dinge, die nicht existieren. In diesem Kontext wird auch der Fachausdruck “halluzinieren” verwendet.</p><p>Wenn ChatGPT eine Antwort generiert, basiert es diese auf zig Millionen von Texten im Internet. Das System hat an diesen Beispielen gelernt, wie solche Texte — eben auch Texte zu einem bestimmten Thema — aussehen, welche Sätze zu welchen Teilaspekten aufeinanderfolgen und welche Worte in einem Satz aufeinanderfolgen, damit diese Sätze grammatikalisch und orthografisch korrekt sind, sich angenehm und vertrauenswürdig lesen.</p><p>Wenn es zu einer Benutzeranfrage im Internet viele Texte gibt, die zu den angesprochenen Themen etwas sagen, funktioniert dieses Prinzip sehr gut. (Man beachte aber auch, dass ChatGPT ggf. auch Blödsinn erzählen kann, wenn es zu diesem Thema viel Blödsinn im Internet gibt.) Wenn es viele Texte zu verwandten, ähnlichen Themen gibt, klappt das auch immer noch gut. Das System beherrscht ein Verfahren, das ähnlich wie (komplexe) Synonyme und Assoziation funktioniert. Wenn man aber sehr konkrete Fakten anfragt und es in dem angelernten Material keine oder wenige Texte gibt, die genau dazu etwas sagen, wird es schwierig. Dann produziert ChatGPT einen Text, der grammatikalisch und orthografisch korrekt ist, sich angenehm und vertrauenswürdig liest und generiert ggf. auch Links, Firmen, Orte, Buchtitel, etc. Die sehen aus, wie solche, die in diesem Kontext an anderer Stelle verwendet werden … aber es gibt sie tatsächlich nicht.</p><p>Für ein <strong>Sprach</strong>modell liegt das nahe. Und ChatGPT basiert auf einem sehr großen Sprachmodell. Wenn man aber Wissen oder Fakten sucht, ist das teilweise nutzlos oder sogar gefährlich.</p><p><strong>Ausprobieren!</strong></p><p>Um das zu verstehen, sollte man es einfach selbst ausprobieren. Das ist gar nicht so kompliziert, wie es einige Beispiele im Netz erscheinen lassen. Es ist nicht schwer, “erfundene Fakten” zu provozieren.</p><p>Ich habe die folgende Suchanfrage “<em>What restaurants would you suggest not further away than 2km from the center of &lt;STADTNAME&gt;, if you are not only interested in good food but also in a pleasant or interesting experience during Dinner?</em>” für Dortmund, Bremen und Essen durchgeführt. Für alle drei Städte wurde mir unter anderem genannt:</p><blockquote>”Restaurant Le Jardin”: This restaurant is located in the city center of Bremen and serves French cuisine in a elegant and refined atmosphere.</blockquote><blockquote>“Ristorante Pizzeria La Piazza”: This restaurant is located in the city center of Bremen and serves classic Italian cuisine in a cozy and friendly atmosphere.</blockquote><blockquote>“Varieté Restaurant”: This restaurant is located in the city center of Bremen and serves international cuisine in a modern and innovative setting.</blockquote><p>Liest sich gut, aber … diese Restaurants gibt es nicht (in diesen Städten). Aber die Ergebnisliste liest sich wie eine plausible Antwort. Es gibt solche und ähnlich formulierte Texte zuhauf im Web und die Restaurants haben ähnliche Namen …</p><p><strong>Was ChatGPT nicht kann</strong></p><p>ChatGPT ist bei Fragen, in denen es um konkrete <strong>Fakten</strong> geht, oft überfordert. Die Plattform “versteht” die Antworten nicht. Ihre Antworten basieren nicht auf <strong>Wissen</strong>. Sie basieren — das Programm ist ein <strong>Sprach</strong>modell — darauf, dass es im Internet Texte gibt, die sich — manchmal über zwei Ecken — auf die Begriffe, nach denen gefragt wurde, beziehen. Diese Antworten “lesen sich gut”. Aber sie können faktisch falsch sein, und zwar umso häufiger, je konkreter die Anfrage nach Fakten ist.</p><p>Bei bekannten Restaurants in großen Städten ergeben die Anfragen oben manchmal etwas Sinnvolles. Bei kleineren Großstädten, über deren Küche nicht viel geschrieben wird, eher nicht.</p><p><strong>Was ChatGPT besser kann</strong></p><p>Ganz anders: »Explain the characteristics of contemporary German cuisine in 400 words or more, citing 5 restaurants which practice this kind of cuisine. «</p><p>Das Resultat:</p><blockquote>Contemporary German cuisine is characterized by its emphasis on fresh, local ingredients and a fusion of traditional and modern cooking techniques. Many contemporary German chefs are inspired by the country’s rich culinary heritage, but also incorporate international flavors and influences into their dishes.</blockquote><blockquote>One example of contemporary German cuisine can be found at “Tim Raue” restaurant in Berlin, which has two Michelin stars. The menu includes traditional German dishes with a modern twist, such as venison with ginger and juniper, or smoked eel with apple and horseradish. The restaurant also has a strong focus on Asian flavors, as the chef Tim Raue is also of Asian descent.</blockquote><blockquote>Another example is “Horváth” in Berlin. The restaurant is known for its “New German Cuisine” which combines traditional German ingredients with modern cooking techniques and international flavors. The menu changes daily, but may include dishes such as venison with pumpkin and elderberry, or cod with bacon and Brussels sprouts.</blockquote><blockquote>In Frankfurt, “Tiger Gourmet Restaurant” serves contemporary German cuisine with a focus on local and seasonal ingredients. The menu includes dishes such as poached veal with mushrooms and truffles, or turbot with asparagus and morels.</blockquote><blockquote>In Hamburg, “Olivia” is a contemporary German restaurant that features a menu that is heavily influenced by Mediterranean and Asian flavors. The menu changes seasonally, but may include dishes such as grilled octopus with fennel and orange, or pork belly with black garlic and shiso.</blockquote><blockquote>Lastly, “Schwarzwaldstube” in Baiersbronn is a three Michelin star restaurant that serves contemporary German cuisine with a focus on the use of local ingredients from the Black Forest region. The menu is continuously changing, but may include dishes such as quail with black trumpet mushrooms and truffles.</blockquote><p>Das kann ChatGPT schon besser. Am besten ist die Einleitung. Aber auch hier sind die Verweise auf die Restaurants mit Vorsicht zu geniessen. In Hamburg gibt es mehrere “Olivia”s. Ob eines davon “contemporary German” ist, überlasse ich dem Urteil der Besucher:innen. Und das “Tiger Gourmet Restaurant” in Frankfurt wird zumindest in Internet definitiv nicht als “contemporary German” dargestellt (“moderne Gourmetküche mit französischen Wurzeln und internationalen Einflüssen”).</p><p>(Disclaimer: ich bin kein Gourmet und vermute, dass manche die Antworten noch kritischer sehen werden.)</p><p>Wer ChatGPT dazu verwenden möchte, etwas zu lernen oder den Output des Systems selbst zu publizieren, tut deshalb gut daran, die Ratschläge von Open AI selbst zu befolgen:</p><blockquote>Es ist immer ratsam, die Informationen die [ChatGPT] liefert, mit anderen Quellen zu vergleichen und es als Unterstützung und nicht als die einzige Quelle der Informationen zu betrachten.</blockquote><p>Und am allerbesten kann man die Möglichkeiten und Grenzen des Systems erkunden, indem man ein wenig damit herumspielt. Es lohnt sich. Am besten sollte man dabei nicht zu viele Fragen benutzen, die man typischerweise bei Google stellen würde und sich auch einmal auf einen Dialog mit dem System einlassen. (Ein paar Anregungen dazu <a href="https://medium.com/@smraiyyan/awesome-chatgpt-prompts-part-1-1207ca98d98c">hier</a>.) Dann kann es sehr unterhaltsam werden. Der Beginn des Namens ist ja “Chat” und nicht “Professor”, “Lehrer” oder “Autor”.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=727f0c66a711" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Homeoffice-Paranoia?]]></title>
            <link>https://markusbreuer.medium.com/homeoffice-paranoia-d37eb3a63a3e?source=rss-24b4eee20562------2</link>
            <guid isPermaLink="false">https://medium.com/p/d37eb3a63a3e</guid>
            <category><![CDATA[paranoia]]></category>
            <category><![CDATA[remote-first]]></category>
            <category><![CDATA[change-management]]></category>
            <category><![CDATA[home-office]]></category>
            <category><![CDATA[remote-work]]></category>
            <dc:creator><![CDATA[Markus Breuer]]></dc:creator>
            <pubDate>Wed, 20 Jan 2021 17:41:04 GMT</pubDate>
            <atom:updated>2021-01-20T18:33:36.825Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Die Anzahl der Menschen, die vom euphemistisch “Homeoffice” genanten Zuhause aus ihre Arbeit verrichten, ist in 2020 Corona-bedingt explodiert. Das hat eine ganze Reihe von Konsequenzen. Bei manchen Menschen führt es zum Beispiel zu verstärkter Unsicherheit über das eigene Standing gegenüber Vorgesetzen und Kolleg:innen. Das ist nicht verwunderlich, wenn man sich anschaut, wie eingeschränkt und formalisiert die Kommunikation vom Homeoffice aus — verglichen mit der Präsenz im Büro — meist ist. Man kann aber auch etwas dagegen tun. Und “man” sind hier sowohl die Geschäftsführung von betroffenen Unternehmen als auch die betroffenen Mitarbeiter:innen.</em></p><p>In der New York Times gab es letzte Woche einen interessanten Artikel über die psychologischen Auswirkungen von Homeoffice auf manche Mitarbeiter:innen. Die These: durch die eingeschränkte “Bandbreite” der Kommunikation und die Reduktion der Anzahl von Kontaktgelegenheiten kommt es zu vermehrter Unsicherheit bei einigen Homeoffice-Arbeiter:innen. Es entstünde “Paranoia”.</p><p><a href="https://www-nytimes-com.cdn.ampproject.org/c/s/www.nytimes.com/2021/01/13/style/is-remote-work-making-us-paranoid.amp.html">Is Remote Work Making Us Paranoid?</a></p><p>Paranoia ist vielleicht ein Begriff, der ein bisschen härter ist, als angebracht. Und selbstverständlich ist das ein typischer Artikel in einer Feuilleton-Rubrik wie “At Home”. Auf ein bisschen anekdotischer Evidenz wird eine These mit viel human interest aufgebaut. Zugleich denke ich aber, dass die im Artikel genannten Beispiele und viele Anekdoten, die auch in den Kommentaren zu finden waren, einen wahren Kern haben.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/755/1*poJqhKLSR9P_k9Uho9WH0Q.jpeg" /><figcaption>„Der Schrei“ von Edvard Munch, 1893. (imago / United Archives International)</figcaption></figure><p>Insbesondere dann, wenn Mitarbeiter:innen bereits ein wenig unsicher sind — typbedingt oder situativ — können kleine Signale (bzw. deren Ausbleiben) diese Unsicherheit fördern. Das Ausbleiben von bestärkenden Kontakten und Flüchtigkeitsfehler bei der Organisation von virtuellen Meetings wird dann schnell als Mangel an Wertschätzung interpretiert.</p><h3>Technische Hürden für reibungslose Kommunikation</h3><p>Die Ursachen dafür sind vielfältig. Sie wurzeln zu einem großen Teil darin, dass viele unbewußt gepflegte Gewohnheiten und Rituale des Büroalltags im Kontext Homeoffice (oder besser “remote work”) nicht mehr einfach so funktionieren sowie darin, dass die derzeit meistgenutzten Tools und Plattformen eine ganze Reihe von technischen Defiziten haben. Sie unterstützen die Art, wie Menschen — abseits der ausgesprochenen Worte — miteinander kommunizieren, nicht besonders gut. Technische Probleme tun ihr Übriges, um eine “reichhaltige”, facettenreiche Kommunikation zu erschweren. Ich habe dazu vor ein paar Wochen mal einen Überblickstext geschrieben.</p><p><a href="https://markusbreuer.medium.com/die-corona-krise-als-treiber-f%C3%BCr-digitalisierung-und-new-work-3e302cc3ef1b">Die  Corona-Krise als Treiber für Digitalisierung und New Work?</a></p><p>Hier nur die wichtigsten Aspekte:</p><ul><li><strong>Technische Probleme erschweren den reibungslosen Ablauf</strong>.<br>Schlechte Beleuchtung, schlechte Kameras, die die Mimik kaum erkenne lassen, zu schmale Internetverbindungen, schlechte Tonqualität, “können Sie mich verstehen/sehen?”, “kannst Du das noch einmal wiederholen?!” etc. etc.</li><li><strong>Nuancen der Kommunikation gehen verloren</strong>,<br>selbst bei technisch idealen Voraussetzungen. Das liegt an Bildqualität, Bildgröße und auch an der Tatsache, dass meist eben nur der Kopf der Gesprächspartner:innen gut sichtbar ist.</li><li><strong>Das menschliche Gesichtsfeld wird nur begrenzt genutzt</strong>.<br>Bei einem physischen Meeting nehmen die Teilnehmer:innen optische Informationen in einem sehr großen Gesichtsfeld auf (horizontal über mehr als 200°). In diesem Gesichtsfeld kann das Verhalten anderer Teilnehmer:innen beobachtet werden, aber auch visuelle Informationen an den Wänden, an Tafeln oder auf Monitoren. Bei einer Videokonferenz wird das in einem Bereich von selten mehr als 45° zusammengezwängt.</li></ul><h3>Soziale Mängel von Plattformen für Remote Work</h3><p>Das sind aber nur die technischen Probleme (die aber selbst 9 Monate nach Beginn der Homeoffice-Phase noch nicht überall ausgeräumt sind). Noch schwerwiegender für das Fehlen des Zusammenhalts und des Gefühls der Sicherheit, im Team verwurzelt zu sein, ist der Mangel an informeller, spontaner Kommunikation.</p><p>Die Ursachen dafür sind vielfältig. Sie wurzeln zu einem großen Teil darin, dass viele unbewußt gepflegte Gewohnheiten und Rituale des Büroalltags im Kontext Homeoffice (oder besser “remote work”) nicht mehr einfach so funktionieren. Es fehlt die digitale Kaffeeküche. Hinzu kommt, dass die derzeit meistgenutzten Tools und Plattformen eine ganze Reihe von technischen Defiziten haben. Sie unterstützen die Art, wie Menschen — abseits der ausgesprochenen Worte — miteinander kommunizieren nicht besonders gut. Ich habe dazu vor ein paar Wochen mal einen Überblickstext geschrieben. Um mich selbst zu zitieren:</p><blockquote>Grundsätzlich funktioniert das “spontane Zusammenkommen” mit herkömmlichen Plattformen für die Zusammenarbeit auf Distanz nicht oder nur umständlich. Man kann nicht zufällig entdecken, dass jemand “auch da ist” und mit dieser Person ein kleines Gespräch beginnen.</blockquote><blockquote>Was auf keiner etablierten Plattform für die digitale Kommunikation explizit unterstützt wird, sind spontane, zufällige Treffen in einer digitalem Flur/ einer digitalen Teeküche, das ungezielte Mithören von Informationen bei den Gesprächen anderer im selben Raum oder ein größeres Get-Together ohne feste Agenda aber mit vielen ungeplanten Gesprächen und Interaktionen zwischen zwei oder drei Personen.</blockquote><p><a href="https://markusbreuer.medium.com/wo-bleibt-die-kaffeek%C3%BCche-beim-remote-work-864bcf2a49c6">Wo bleibt die Kaffeeküche beim Remote Work?</a></p><p>Aber alles das ist wichtig, für das Gefühl “dazu zu gehören” und vom Informationsfluss nicht abgehängt worden zu sein.</p><h3>Was tun gegen Homeoffice Paranoia?</h3><p>Wichtig ist es, sich zunächst einmal klar zu machen, dass diese negativen Empfindungen nicht übertrieben oder gar “absurd” sind und die entsprechenden Mitarbeiter:innen nicht “übersensibel” sind. Der Mensch ist ein soziales Wesen. Und soziale Beziehungen fundieren zu einem großen Teile auf (verbaler und nonverbaler) Kommunikation. Ändern sich die Grundlagen für die Kommunikation, macht das — subjektiv — die eigene Position im sozialen Gefüge eines Teams oder eines Unternehmens instabiler.</p><p>Wie oben beschrieben, fallen die Ursachen für dieses Empfinden und die daraus resultierende Unsicherheit in zwei große Gruppen: Technologie sowie Strukturen und Prozesse (die allerdings zumindest teilweise auch aus Defiziten der genutzten Tools und Plattformen resultieren). Entsprechend fallen auch mögliche Gegenmaßnahmen in zwei große Gruppen: technische Maßnahmen und organisatorische.</p><h3>Einfach: technischen Voraussetzungen verbessern</h3><p>Gegenmaßnahmen für “technische Mängel” sind verhältnismäßig einfach umzusetzen. Damit können die Schwächen der Kommunikation auf Distanz nicht ganz ausgeräumt aber zumindest abgemildert werden:</p><ul><li><strong>Größerer oder zweiter Bildschirm<br></strong>Damit man beispielsweise neben dem Fenster für die Videokonferenz noch die Dokumente öffnen kann, über die man spricht.</li><li><strong>Headset/externes Mikro <br></strong>Die fest eingebauten Mikrophone in Notebooks bieten wirklich nicht immer die optimale Soundqualität und neigen dazu, auch Störgeräusche sehr gut zu übertragen.</li><li><strong>Separate, zusätzliche Kamera<br></strong>Die integrierten Kameras von Notebooks sind oft weder von der Bildqualität noch vom Blickwinkel her, optimal.</li><li><strong>Bessere Internetanbindung (soweit verfügbar)<br></strong>Eine Verbindung, die für private Zwecke ausreichend schien, ist für den “professionellen” Einsatz (insbesondere dann, wenn mehrere Familienmitglieder parallel arbeiten) vielleicht zu schmal.</li><li><strong>⊕ Tips/Checklisten für die Mitarbeiter:<br></strong>Auf gute Beleuchtung achten, Ablenkungen reduzieren soweit möglich, Sound-/Bildcheck vor Beginn des Calls, digitales “Zurechtlegen” von Dokumenten, über die man vermutlich sprechen wird, etc.</li></ul><p>Das sind Maßnahmen, die primär die technischen Voraussetzungen der Kommunikation verbessern. Sie führen letztendlich dazu, dass die Kommunikation weniger störanfällig wird, aber vor allem dazu, dass nonverbale Signale besser übertragen werden.</p><h3>Schwieriger: Umstellung der Gewohnheiten</h3><p>Die Technik allein ist es aber nicht, mit der sich entstehende Unsicherheiten alle beseitigen lassen. Denn auch unter idealen Voraussetzungen wird die “sensorische Reichhaltigkeit” virtueller Treffen deutlich hinter der physischer zurückbleiben. Sie werden formaler und weniger spontan bleiben, anders geplant und durchgeführt. Deshalb ein paar ganz pragmatische Tips, wie insbesondere der Übergang von der Präsenzarbeit zu Homeoffice/Remote Work besser gelingen kann:</p><ul><li><strong>Bewußter über den Teilnehmerkreis von Meetings nachdenken<br></strong>Für physische Meetings gilt klassischerweise, den Teilnehmerkreis so klein wie möglich zu halten. Das macht Meetings effizienter und vermeidet es, bei den Beteiligten Zeit zu verschwenden. In der Anfangszeit der Einführung von Zusammenarbeit auf Distanz sollte man das nicht so eng sehen und den Kreis der Teilnehmer:innen lieber etwas größer machen. Wer dabei ist, neigt schon mal weniger dazu, sich ausgeschlossen zu fühlen. <br>Ideal ist es, Meetings in öffentlichen Kalendern einzutragen und die Regel einzuführen, dass Mitarbeiter:innen uneingeladen dazustoßen können, wenn sie der Ansicht sind, etwas beitragen zu müssen.</li><li><strong>Bewußte Moderation einführen<br></strong>Bei uns in der Firma gab es bei physischen Besprechungen nur selten einen explizit benannten Vorsitzenden oder Moderatoren. Das ist nicht optimal, funktioniert in einem Raum aber meist ganz gut. In Videokonferenzen ist es schwierig. Technische Probleme und zeitlicher Versatz kann es schwerer machen, sich zu Wort zu melden und sich gegen andere Teilnehmer:innen, die sich das Wort einfach nehmen, durchzusetzen. Moderation hilft.</li><li><strong>Sich selbst beobachten (insbesondere Teilnehmer mit Führungsaufgabe)</strong><br>Bei Treffen im physischen Raum wissen wir — unbewußt — recht gut, wie wir uns zu verhalten haben, um den gewünschten Eindruck beim Gegenüber zu vermitteln. Dabei kommen selbstverständlich auch Mimik und Gestik zum Einsatz, zwei Aspekte zwischenmenschlicher Kommunikation, die unter den üblichen digitalen Kommunikationsformen schnell leiden. Die Umstellung auf diese Beschränkungen fällt manchen schwer. Sie passiert auf keinen Fall “von selbst”. Es macht deshalb Sinn, sein eigenes Auftreten bei Telefon- und Videokonferenzen zu reflektieren und auch Feedback von Dritten dazu einzuholen.</li><li><strong>Regelmäßige Termine für “informelle Zusammenrottungen”<br></strong>Kommunikation auf Distanz (wenn sie nicht als Chat oder per Email stattfindet) passiert meist geplant und mit festem Themenbezug. Die freie, spontane Kommunikation in der Teeküche oder am Rande von Besprechungen entfällt oft — obwohl sie für die reibungslose Zusammenarbeit im Team sehr wichtig sein kann. Deshalb ist es eine gute Idee — gerade für Teams, die relativ “plötzlich” mit Homeoffice und Remote Work konfrontiert sind — regelmäßig anlaßlose Treffen (alias Videokonferenzen) zu arrangieren, auf denen über alles gesprochen werden kann völlig ohne Agenda. Ideal ist es, wenn man dazu Kommunikationsplattformen verwenden kann, die es erlauben, sich auch ohne großen organisatorischen Aufwand aus der großen Runde zu verabschieden und 2er oder 3er-Treffen zu machen.</li></ul><p>Alles das kann man ohne ausgefallene Tools und Plattformen tun. Ein digitales Teamkalender, eine Videoconferencing-Software und vielleicht eine Chat-Plattform reichen dafür völlig aus. Damit bleibt die Online-Zusammenarbeit und -Kommunikation aber immer noch recht strukturiert und geplant. Ein Ersatz für die Spontaneität von Treffen auf dem Flur oder in der Kaffeeküche ist das nicht.</p><p>Auch in diese Richtung kann man sich aber mit digitalen Tools bewegen. In meinem Unternehmen haben wir einige Monate beispielsweise mit einem Videoconferencing-Kanal experimentiert, der den ganzen Tag online blieb. Jeder konnte sich hier einfach anmelden, wenn er/sie Lust auf einen Plausch hatte und wieder “gehen”, um die Einzelarbeit fortzusetzen.</p><p>Inzwischen sind wir zu einer anderen Lösung gewechselt, die noch etwas spontaner ist, mehr Informationen dazu bietet, was die Kolleg:innen gerade tun und bessere Unterstützung für mehrere, spontan arrangierte 2er und Kleingruppen-Unterhaltungen bietet. Wer mehr dazu wissen möchte, kann das in <a href="https://markusbreuer.medium.com/wo-bleibt-die-kaffeek%C3%BCche-beim-remote-work-864bcf2a49c6?source=friends_link&amp;sk=fa914c6356e654a8b8d0800588cbc9f7">meinem älteren Text </a><a href="https://markusbreuer.medium.com/wo-bleibt-die-kaffeek%C3%BCche-beim-remote-work-864bcf2a49c6?source=post_settings_page-----864bcf2a49c6----0----------------------------"><strong>Wo bleibt die Kaffeeküche beim Remote Work</strong></a> tun.</p><p>Fazit: Nein, die Einführung von Homeoffice und Remote Work muss nicht zu Unsicherheit, Zweifeln oder gar Paranoia führen — wenn man diese Gefahr sieht und pro-aktiv etwas dagegen unternimmt.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d37eb3a63a3e" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>