Blog

Claude vs. Codex: Anthropics Compute-Krise trifft auf OpenAIs Entwickler-Offensive

Dienstag, 16. Juni 2026

Hallo, dieser wöchentliche Digest arbeitet die wichtigsten neuen Videos aus rund 40 kuratierten KI- und Coding-YouTube-Kanälen durch — mit Substanz, kein oberflächliches Top-5. Pro Video eine vollständige Zusammenfassung, dazu ein Wochen-Überblick zu den dominanten Themen. Lies in Ruhe — oder kopier eine Zusammenfassung in den LLM deiner Wahl und geh in die Tiefe. Den Link unter jeder Zusammenfassung anklicken, um das Original-Video zu sehen.

Model-Releases & Benchmarks

GPT 5.5 von OpenAI dominierte die Benchmark-Diskussion der Woche: AI mit Arnie, Tech With Tim und Melvynx bescheinigten dem Modell deutliche Verbesserungen gegenüber GPT 5.4, insbesondere in Coding, Tabellenkalkulationen und Browser-Automation. Über das Codex-Interface kann GPT 5.5 eigenständig den Browser testen, Klicks ausführen und via Computer Use den gesamten Desktop übernehmen. Google testete derweil still ein aufgewertetes Gemini 3 Flash in der Arena, das laut WorldofAI Qualität nahe an Gemini 3.1 Pro erreicht – mit Google I/O (19.–20. Mai) als wahrscheinlichem Ankündigungstermin für Gemini 3.5 Pro. Chinas Baidu lieferte mit Ernie 5.1 einen weiteren Kontrapunkt: bessere Benchmark-Ergebnisse als DeepSeek V4 bei geringeren Kosten. Das Modell SubQ von Sub Quadratic mit angeblichem 12-Millionen-Token-Kontextfenster und 52-facher Effizienz sorgte für Aufsehen, blieb aber wegen fehlender technischer Berichte und unklarer Benchmarks skeptisch bewertet (Tim Carambat).

Local & Open-Source AI

LM Studio erfuhr laut einem Tutorial von Bart Slodyczka ein deutliches Funktions-Upgrade: Die App integriert nun MCP-Tools über Node.js, unterstützt PDF-Analyse, Web-Suche und Bildverarbeitung und kann als lokaler Modell-Server für Agent-Frameworks wie Claude Co-work, Claude Code, OpenClaw oder Hermes dienen. Leon van Zyl demonstrierte LocalForge (im Video als „Honeyfree” eingeführt) als kostenlosen lokalen Coding-Agenten, der mit Modellen wie Qwen 3.6 oder JML4 via LM Studio/Ollama ein Kanban-Board für autonomes Feature-Implementieren aufbaut – Empfehlung: Kontextfenster auf mindestens 64.000 Tokens setzen. DeepSeek V4 etablierte sich in mehreren Workflows als günstiger Einstiegspunkt für Basis-Coding-Aufgaben, während teurere Modelle für Polierung reserviert bleiben (WorldofAI-Demo mit Claude Code + DeepSeek V4). Google veröffentlichte Gemma 4 unter Apache 2.0-Lizenz speziell für agentische Workflows und On-Device-Reasoning.

Claude Code & Anthropic-Tooling

Die Woche brachte eine Flut praktischer Claude-Code-Inhalte. Julian Ivanov kompilierte 20 Tricks für Claude Code – von Planmodus und Slashinit über Ultrathink-Keyword und Worktrees bis zu Hooks für Hintergrund-Benachrichtigungen. Parallel präsentierte er das Desktop-App-Update, das nun vollständige Claude-Code-Nutzung inklusive Automodus, Dateivorschau und mehrerer paralleler Sessions ermöglicht. Nate Herk stellte sechs produktionsrelevante Skills vor: den offiziellen Skill Creator (Meta-Skill für automatische Skill-Generierung), Superpowers (Senior-Developer-Workflow mit isolierten Umgebungen), GSD (Sub-Agents mit sauberem Kontext gegen Context-Drift), /review und /ultra review (Multi-Reviewer-Agent-Fleet in Sandbox, ab Opus 4.7), Context Mode (SQLite-Snapshot statt Garbage-Data) und ClaudeMem (Vector-Search-Gedächtnis über Sessions). Darüber hinaus zeigte er, wie man mit Claude Code und 11 Labs in 15 Minuten einen Voice-Sales-Agent baut, und wie Higgsfield per MCP-Connector als kreative Agentur für Bildgenerierung und Video-Produktion fungiert. TheAIGRID lieferte Tutorials zur offiziellen Claude-Integration in Microsoft Word und PowerPoint (jeweils als Add-in, ab Pro-Plan, mit Modellwahl zwischen Sonnet 4.6 und Opus 4.6).

Coding Agents (non-Claude)

Codex von OpenAI wurde in mehreren Videos als vollwertiger Claude-Code-Konkurrent positioniert: Nate Herk baute ein komplettes YouTube-Analytics-Dashboard inklusive GitHub-Deploy und wöchentlicher Automation; Everlast AI listete 34 Tipps für die Desktop-App, darunter Chronicle Research Preview und Sub-Agents für Kontext-Management. Melvynx verglich Codex und Claude Code direkt: Codex überzeugte mit Sub-Agent-Übersicht, PR-Management, Browser-Preview und Message-Queuing, benötigte aber 29 Minuten für eine Aufgabe, für die Claude 40+ Minuten brauchte. Als Open-Source-Alternativen im Fokus: Leon van Zyl zeigte OpenCode (nicht zu verwechseln mit OpenClaw) als CLI-Tool mit Provider-Auswahl zwischen OpenAI, Anthropic, Gemini, OpenRouter und weiteren. Der Pi Agent Harness (Alejandro AO) positioniert sich als minimalistische, vollständig erweiterbare Harness mit vier Grundfunktionen, Skill-System, Package-Management und Session-Verwaltung – ohne vorgefertigte Features wie MCP oder Sub-Agenten. Tech With Tim demonstrierte Mistral Vibe mit dem Open-Source-Modell Devstral 2 für spezialisierte parallele Sub-Agents (Test Writer, Code Reviewer, Deploy Prep).

Software-Engineering & Dev-Kultur

Nate B. Jones’ Analyse des Mozilla-Mythos-Experiments war das tiefgründigste Software-Engineering-Stück der Woche: Claude Mythos-Preview fand 271 Sicherheitslücken in einem Firefox-Release-Zyklus (vs. 22 mit Opus 4.6), weil es nicht nur bekannte Muster sucht, sondern einen Research-Loop aus Code-Lesen, Hypothesenbildung, Testfall-Generierung und Erklärungs-Synthese durchläuft. Seine These: Lesbarkeit wird zur Sicherheitseigenschaft, und es gibt ein 4–5-Monats-Fenster, um Codebases für AI-Security-Systeme zugänglich zu refaktorieren. Fireship behandelte eine kritische Linux-Kernel-Schwachstelle (CVE-2023-31431, seit 2017 vorhanden, durch ein AI-Agenten-Tool entdeckt), die durch ein 732-Byte-Python-Skript lokal Root-Zugriff ermöglicht – alle Linux-Distributionen nach 2017 betroffen. Cole Medin demonstrierte live den PIV-Loop (Plan, Implement, Validate) als reproduzierbares System für AI-Coding-Assistance mit Claude Code und Jira. Matt Pocock stellte das Triage-Tool für GitHub-Issue-Backlogs vor: ein State-Machine-System mit zwei Typen (Bug/Enhancement) und fünf Zuständen, das Issues direkt für autonome Agenten-Bearbeitung vorbereitet.

Personal AI OS & Agent-Frameworks

Der Hermes-Agent dominierte diese Woche den Vergleichs-Diskurs mit OpenClaw. Alex Finn führte einen dreistündigen „Agent Olympics”-Livestream durch, in dem vier Kombintationen (OpenClaw und Hermes jeweils mit ChatGPT und Opus als Backend) gegeneinander antraten – OpenClaw mit Opus gewann, Hermes zeigte aber mit sieben neuen Features wie Kanban Board, Slashgo für langfristige Missionen, Multi-Profile-Agenten, Model Catalog und automatischem Curator-Feature (Bereinigung ungenutzter Skills nach sieben Tagen) erhebliche Fortschritte. Hermes leidet jedoch unter Compaction-Fehlern (Verlust von Arbeitszuständen), was OpenClaw-Konsistenz-Vorteile sichert. Leon van Zyl baute Hermes erfolgreich als Coding-Agent für einfache Web-Apps mit Vercel-Deployment via Telegram. Nate B. Jones analysierte OpenClaw als Agentic Runtime: Der entscheidende Architekturzug sei nicht Modell-Vielfalt (Dropdown), sondern Memory als unabhängige Kontextschicht außerhalb aller Modelle – das Open Brain Recipe als Open-Source-Repo definiert Provenienz-Labels für jede gespeicherte Erinnerung. Mark Kashef demonstrierte ein selbstgebautes AI-Operating-System auf Basis von Claude Code mit „Hive Mind”-Visualisierung, 3D-Graph-Ansicht und Meta-CLI-Integration für Werbeanalyse.

AI-Automation & Workflows

Nate B. Jones lieferte gleich zwei strukturierende Konzept-Videos: Erstens eine Taxonomie der Agent-Scaffolding-Schichten (Prompt → Skill → Plugin → MCP/App-Connector → Hook/Script), bei der er betont, dass Plugin-Grenzen ziehen können ein hochbezahlter Skill für 2026 sei. Zweitens die Anticipation Gap – das Kernproblem aktueller Consumer-Agenten sei nicht Fähigkeit, sondern fehlende Proaktivität; er schlägt ein fünfstufiges Permission-Ladder-Modell vor. Cole Medin präsentierte Archon, einen Open-Source-Harness-Builder für YAML-definierte AI-Coding-Workflows, der auf einem Community-Marktplatz für geteilte Workflows zusteuert; in einem zweiten Livestream demonstrierte er einen vollständigen Video-Generierungs-Workflow (Archon + 11 Labs + Remotion). n8n zeigte im Interview mit Product Managerin Sindhuja die Entwicklung eines Instance-Level MCPs, der n8n von beliebigen Plattformen aus steuerbar macht. Nate Herk stellte Printing Press vor – eine CLI-Fabrik mit über 50 vorgefertigten CLIs (u. a. für ESPN und Hacker News) als token-effizientere Alternative zu MCP-Servern in Agenten-Workflows.

AI-Video & Content Creation

Cole Medin baute in einem Livestream einen vollständigen AI-Video-Workflow: Archon orchestriert die Pipeline, 11 Labs generiert Sprache, Remotion erstellt die visuellen Elemente – demonstriert am Beispiel eines Marketing-Videos für Archon selbst, mit iterativen Verbesserungen über Feedback-Schleifen. Nate Herk zeigte die Higgsfield-Integration via MCP in Claude Web und Claude Code: Ein einzelner Prompt generiert Produktfotos, Instagram-Ads und UGC-Videos; Claude Code erstellt zusätzlich eine Google-Sheet-Datenbank mit 45+ Generationen für Status-Tracking. WorldofAI präsentierte Open Design als Open-Source-Alternative zu Claude Design (Anthropic): 31 komposable Fähigkeiten, 72 Designsysteme, Kompatibilität mit 15 Coding-Agent-CLIs, lokal deploybar.

AI-Business, Marketing & Freelancing

Dave Ebbelaar skizzierte ein dreistufiges „Data Freelancer Blueprint”: Projekte demonstrieren (Get Going), Stundensatz recherchieren und warme Netzwerk-Einführungen nutzen (Getting Paid), Leads und Delivery systematisch verbessern (Get Good) – mit N8N und Airtable als Low-Code-Einstieg. Kyle Balmer analysierte das Playbook der großen Labs (Consulting-Expansion) und leitete daraus eine Marktlücke ab: Dieselbe Strategie im Mittelmarkt umsetzen, mit Workshops als günstigstem Einstieg (2.000–5.000 Dollar pro Stunde). TheAIGRID präsentierte Meli, Googles neues KI-Marketing-Tool aus Google Labs, das aus Website-Input Social-Media-Creatives, Videos und Kampagnen generiert, unterstützt von Gemini.

PKM & Knowledge Management

Fireship lieferte ein kompaktes, nicht-AI-spezifisches Betriebssystem-Erklärvideo – von Bootloader über Virtual Memory, Kernel, Scheduler und Threads bis zum Shutdown-Prozess – als konzeptuelles Fundament für alle, die verstehen wollen, was unter der Agent-Schicht passiert.

Prompting & AI-Literacy

Kyle Balmer zerpflückte Marc Andreessens viral kursierenden System-Prompt: Superlative wie „Weltklasse-Experte” verbessern Modellleistung nachweislich nicht, „Niemals halluzinieren” funktioniert strukturell nicht, und maximale Länge produziert Padding statt Qualität. Als Alternative präsentierte er das RISEN-Framework (Role, Instructions, Steps, End Goal, Narrowing). In einem zweiten Video erklärte er AI-Halluzinationen mechanisch (LLMs als stochastische Token-Prognose, nicht Datenbank-Abfrage) und nannte praktische Gegenmaßnahmen: Web-Suche aktivieren (–45% Fehler), stärkere Modelle, NotebookLM als persönliches RAG-System. Ein drittes Video behandelte AI-Schreibmuster und deren Vermeidung: OpenAI bannte „Goblin” nach einer RLHF-Verstärkungsschleife; Wikipedia führt eine 15.000-Wörter-Anleitung mit AI-Erkennungszeichen; automatische AI-Detektoren funktionieren nicht zuverlässig und benachteiligen systematisch nicht-muttersprachliche Schreibende.

AI-Industrie & Strategie

Die Umstrukturierung der Microsoft-OpenAI-Partnerschaft war das größte Strategie-Thema der Woche. Theo (t3.gg) analysierte, wie OpenAI seit dem O1-Reasoning-Durchbruch die Exklusivität mit Microsoft aufgekündigt hat und nun Modelle auch über AWS Bedrock und Google Cloud anbietet – ein direkter Angriff auf Anthropics Enterprise-Vorteil dort. Kyle Balmer beleuchtete, dass OpenAI (mit „The Deployment Company”) und Anthropic (mit Blackstone, Goldman Sachs) nahezu zeitgleich ins Consulting-Geschäft eingestiegen sind und AI-Ingenieure direkt in Unternehmen entsenden – Vorbild Palantir. TheAIGRID dokumentierte Anthropics wachsende Marktanteile trotz Community-Kritik. Nate B. Jones untersuchte Stripes Agenten-Commerce-Infrastruktur: Links Wallet für Agenten mit programmatischer Zahlungsautorität, Metronome für Nutzungs-Tracking, Radar gegen Token-Fraud – die zentrale These: Kaufentscheidungen formen sich künftig in der Umgebung des Käufers, nicht auf der Website des Verkäufers. Zur GitHub-Landschaft: Theo besprach Alternativen (Forgejo/Codeberg, Pierre, Graphite nach Cursor-Übernahme, Entire vom Ex-GitHub-CEO) angesichts wachsender Zuverlässigkeitsprobleme.

AI & Gesellschaft / Future of Work

Melvynx widerlegte die Jobverlust-Doomer-These mit historischen Daten (Landwirtschaft, Elektrifizierung, Tabellenkalkulationen) und aktuellen Zahlen: 90 Prozent befragter Unternehmen berichten keine signifikanten Beschäftigungsauswirkungen in drei Jahren, Software-Entwickler-Nachfrage stieg seit Anfang 2025 sprunghaft an. Nate B. Jones ergänzte ein praktisches Audit-Framework: Arbeit in Theater (T), Commodity (C), On-the-Line (L) und Durable (D) kategorisieren – seine Kernthese: Performance-Systeme belohnen sichtbare Outputs, nicht echte Wertschöpfung, weshalb Rollen gut aussehen können, während ihre wirtschaftliche Basis erodiert. Everlast AI sprach mit zwei Robotik-Experten: Einem TU-München-Professor über humanoide Roboter (VLA-Modelle, Nvidia Omniverse, Haftungsfragen) und Goodbites-Gründer Dr. Susemihl, dessen vollautonome Roboterküche täglich 50.000 Mahlzeiten produziert und die US Army beliefert – Gewinner des Robotics Award 2026 der Hannover Messe. TheAIGRID diskutierte das Alignment-Problem und warum KI-CEOs trotz – oder gerade wegen – ihrer AGI-Arbeit Angst vor dem eigenen Produkt haben.

Kurz notiert

Zed (Code-Editor) führte das ACP-Protokoll (Agent Client Protocol) ein, das eigene Agenten von Codex, Cursor oder Claude direkt im Editor nutzbar macht, ergänzt um Multi-Repository-Support mit Work-Trees (Melvynx). · NeuralNine zeigte eine Schritt-für-Schritt-VPS-Einrichtung von OpenClaw mit Ubuntu, Node.js und Telegram-Anbindung sowie ein Python-Quickstart-Tutorial für Slack-Bots mit GPT-4o-Integration. · TheAIGRID dokumentierte AI-beschleunigten Quantencomputing-Fortschritt: Google-Forschung zeigt, dass unter 1.200 logische Qubits für bestimmte Verschlüsselungsangriffe ausreichen könnten; Cloudflare zieht sein Ziel für quantensichere Infrastruktur auf 2029 vor. · WorldofAI berichtete von der Anthropic-Entwicklerkonferenz mit Ankündigungen zu Dreaming-Funktion (Agenten überprüfen vergangene Sessions), Multi-Agent-Orchestrierung und drei Modell-Entwicklungszielen: unendliches Kontextfenster, Multi-Agent-Koordination, persistentes Langzeit-Reasoning. · Perplexity hat eine Finance-Agentur mit lizenzierten Daten eingeführt (WorldofAI). · Baidu Ernie 5.1 übertrifft laut Benchmarks DeepSeek V4 bei geringeren Kosten (WorldofAI).

AI Explained

Keine neuen Videos in diesem Zeitraum.

AI Foundations (1 neues Video)

• FULL Claude Cowork Tutorial For Beginners in 2026! (Zero to PRO)
  4.5.2026, 17:28:28

  Das Video bietet eine umfassende Einführung in Claude Co-work, eine erweiterte Funktion der KI Claude, die über die grundlegende Chat-Funktionalität hinausgeht. Es beginnt mit einer Erklärung der Preisstruktur, die mindestens die Pro-Version von Claude erfordert, und hebt die einzigartigen Funktionen von Co-work hervor, die nicht über die Weboberfläche zugänglich sind, sondern über eine Desktop-Anwendung.

  Der Tutorial zeigt die Benutzeroberfläche von Claude Co-work und erklärt die verschiedenen Tabs wie Projekte, geplante Aufgaben, Live-Artifakte, Dispatch und Anpassungen. Ein zentraler Fokus liegt auf der Unterschiedlichkeit der Interaktion mit Claude Co-work im Vergleich zum Chat-Modus. Co-work ist darauf ausgelegt, Aufgaben zu erledigen, während der Chat-Modus eher für Brainstorming und Strategieentwicklung gedacht ist.

  Ein praktisches Beispiel zeigt, wie man einen Ordner auf dem Desktop erstellt und Claude Co-work damit interagieren lässt, um eine Recherche über das Jahr 1800 durchzuführen. Dabei werden Sub-Agenten eingesetzt, die parallel recherchieren und Markdown-Dateien erstellen. Diese Funktion ermöglicht es, mehrere Aufgaben gleichzeitig zu bearbeiten und die Ergebnisse direkt auf dem Computer zu speichern.

  Ein weiterer wichtiger Aspekt ist die Erstellung von Live-Artifakten, die als Mini-Anwendungen beschrieben werden, die mit Echtzeitdaten verbunden sind. Ein Beispiel zeigt, wie ein interaktives Dashboard für das Jahr 1800 erstellt wird, das verschiedene Informationen und Lerntools enthält.

  Das Video demonstriert auch, wie man Tools wie Gmail mit Claude Co-work verbindet, um Aufgaben wie das Kategorisieren von Rechnungen zu automatisieren. Diese Integration ermöglicht es, Daten aus verschiedenen Anwendungen zu lesen und zu schreiben, was die Effizienz bei der Bearbeitung von E-Mails und anderen Aufgaben erheblich steigert.

  Zusätzlich werden Claude Skills vorgestellt, die als Automatisierungen beschrieben werden, die bestimmte Aufgaben immer auf die gleiche Weise ausführen. Ein Beispiel ist ein täglicher Briefing-Automatismus, der E-Mails und Kalendereinträge zusammenfasst und dem Nutzer einen Überblick über den Tag gibt.

  Projekte in Claude Co-work werden als Container beschrieben, die spezifische Anweisungen und Dateien enthalten, um bestimmte Aufgaben zu erledigen. Ein Beispiel zeigt, wie ein Projekt für die Erstellung von SEO-optimierten Blogbeiträgen auf der Grundlage von YouTube-Transkripten erstellt wird.

  Das Video schließt mit einer Einladung, dem AI Foundations Community beizutreten, wo weitere Kurse und Ressourcen zur Automatisierung mit Claude angeboten werden.

  Schluss-Kommentar: Das Video thematisiert explizit Claude Co-work und ist eher für Intermediate bis Advanced Nutzer gedacht.

AI mit Arnie (1 neues Video)

• Ist dieser KI-Durchbruch echt?
  7.5.2026, 15:15:00

  Das Video testet und vergleicht die neuen Modelle von OpenAI, insbesondere GPT 5.5 und das Bildmodell GPT Image 2.0, sowie die Konkurrenz durch Deeps Version 4. Der Test umfasst verschiedene Anwendungen wie die Erstellung einer Webseite, die Simulation eines Bienenstocks, ein 3D-Motorrad-Rennspiel, eine interaktive Fabrik- und Produktionssimulation, eine Verkehrssimulation, die Erstellung von ComfyUI- und N8N-Workflows sowie die Analyse von Finanzdaten. Die Benchmarks zeigen, dass GPT 5.5 in vielen Bereichen signifikante Verbesserungen gegenüber vorherigen Versionen aufweist, insbesondere in der Terminal Benchmark und der Vending Benchmark. Das Video diskutiert auch die aktuellen Probleme bei Anthropic, insbesondere die Rate Limits, Performance-Probleme und die Unzuverlässigkeit der Modelle, sowie die Vor- und Nachteile der OpenAI- und Anthropic-Pläne. Es wird empfohlen, sich nicht auf einen einzigen Anbieter zu verlassen und beide Modelle zu nutzen, um unterschiedliche Stärken und Schwächen auszugleichen.

  Das Video thematisiert explizit OpenAI (GPT 5.5, GPT Image 2.0, Codex), Anthropic (Cloud Code), und Deeps Version 4. Es ist eher für Intermediate und Advanced Nutzer gedacht, da es detaillierte Tests und technische Analysen umfasst.

AI News & Strategy Daily | Nate B Jones (7 neues Videos)

• You’re Wasting 40% Of Your AI Time On Something Fixable
  9.5.2026, 15:00:09

  # Zusammenfassung: Die Scaffolding-Schichten von AI-Agenten

  Das Video erklärt die verschiedenen Komponenten, die einen AI-Agent funktionsfähig machen – nicht das Sprachmodell selbst, sondern die „Rüstung” drumherum. Der Sprecher ordnet diese Komponenten nach Komplexität und Wiederverwendbarkeit:

  **Prompts** sind für einmalige Aufgaben gedacht. Sie skalieren nicht gut für wiederholte Arbeiten und erfordern jedes Mal neu manuelle Eingabe. **Skills** sind Markdown-Dokumente, die wiederverwendbare Prozesse beschreiben (z.B. wie die eigene Marke Kundenservice handhabt). Skills sind universal und tool-agnostisch einsetzbar. **Plugins** sind größere Workflow-Pakete, die Skills, Datenverbindungen, Scripts, Hooks und Assets zusammenbinden und als installierbare Einheit funktionieren – etwa um Salesforce-Daten zu ziehen, sie zu verarbeiten und das Ergebnis zu prüfen.

  **MCPs und App-Connectors** sind die „Internet-Plugs” des Systems: Sie verbinden den Agenten mit Live-Daten aus externen Tools wie Slack, Figma oder GitHub.

  **Hooks und Scripts** sind deterministische Kontrollen, die nicht auf das Urteil des Modells verlassen werden sollten – etwa um JSON zu validieren, Tests laufen zu lassen oder Code zu formatieren. Sie gehören oft ins Plugin hinein.

  Der zentrale Gedanke: Diese sind keine konkurrierenden Tools, sondern Lego-Bausteine. Eine wiederholte Arbeit bleibt Skill. Wenn ein Workflow größer wird, mit Datenquellen oder Validierungen, wird daraus ein Plugin. Der Sprecher betont, dass dies kein rein technisches Problem ist – auch nicht-technische Menschen können Plugins bauen, indem sie ihr Domänen-Wissen nutzen, um Workflows abzugrenzen und zu strukturieren. Das ist laut Sprecher 2026 ein hochbezahlter Skill, denn wenige verstehen, wo die Grenzen eines Workflows liegen.

  Das Video kritisiert auch, dass diese Konzepte oft vage bleiben und nur Engineers sie verstehen – dadurch bleibt die Automation Privilege der Technik. Stattdessen sollten alle wissen: einmalig = Prompt, wiederholt = Skill, reisebereit/mit Tools = Plugin.

  Praktische Beispiele: Wöchentliche Business-Reports (Plugin mit Spreadsheets, Slack, Docs, Dashboards), redaktionelle Reviews, Design-Workflows mit Figma-Integration, Outbound-E-Mails mit CRM-Daten, Kundenservice-Plugins für Rückgaben vs. Aktivierungen (separat, nicht alles in einem).

  Der Sprecher kündet ein Workbook auf Substack an mit Entscheidungsbäumen, Starter-Plugins, Testing-Checklisten und Vertrauensfragen für sichere Installationen.

  **Format:** Deep-Dive / Meinung, explizit thematisiert werden Codex, Claude, Claude Design sowie generisch das Konzept von Agenten; das Video richtet sich auch an CTOs und Führungskräfte, die das mentale Modell verstehen sollen.

• 271 Vulnerabilities: What Mozilla’s AI Found Changes Everything
  8.5.2026, 14:00:50

  # Zusammenfassung: Die Umkehrung des Vertrauens in Code – Von Mythos und der Zukunft von Software Engineering

  Das zentrale Argument dieses Videos ist ein fundamentaler Wandel in der Sicherheitsarchitektur von Software: Der Satz „Ein guter menschlicher Ingenieur hat das geschrieben” verliert seine Kraft als Vertrauensgarantie, während AI-Systeme als Qualitätssiegel an Bedeutung gewinnen.

  **Das Mythos-Experiment:** Mozilla erhielt frühen Zugang zu Anthropics Claude-Mythos-Preview und setzte es auf Firefox an. Das Ergebnis: 271 identifizierte Schwachstellen in einer einzigen Release-Zyklus – ein Browser, der bereits Fuzzing, Sandboxing, Memory-Safety-Arbeit, interne Security-Teams und Bug-Bounty-Programme hat. Zum Vergleich: Die vorherige Zusammenarbeit mit Claude Opus 4.6 fand nur 22 sicherheitskritische Fehler (14 davon high-severity). Das zeigt nicht einfach besseres Code-Review, sondern einen neuen industriellen Prozess der Schwachstellenerkennung.

  **Bedeutung vs. Implementierung:** Der Autor separiert zwei Dinge, die im Code vermischt sind: *Bedeutung* (was das System tun *soll*) und *Implementierung* (was es tatsächlich *tut*). Sicherheitslücken entstehen oft in der Lücke zwischen beabsichtigter Bedeutung und tatsächlichem Verhalten. Mythos scheint nicht nur bekannte schädliche Muster zu suchen, sondern aktiv in einem Research-Loop zu partizipieren: Code lesen, Hypothesen bilden, Tools nutzen, Testfälle generieren, Fehler reproduzieren, Erkenntnisse verfeinern und erklären.

  **Der Vertrauenswechsel:** Menschen wurden Programmcode vertraut, weil menschliches Urteilsvermögen die einzige Fähigkeit war, Software auf der richtigen Abstraktionsebene zu produzieren und zu verstehen. Wenn Maschinen Menschen beim exhaustiven Durchsuchen von Code-Konsequenzen übertreffen, wird menschliche Urheberschaft nicht länger zum Trust-Anker – sondern zu einer Quelle unverifizierten Risikos.

  **Parallele zu früheren Shifts:** Software hat solche Verschiebungen schon durchgemacht (Compiler statt Assembly, Garbage Collection statt manuelle Memory-Verwaltung, Automation statt manuelles Deployment). Humans wurden nicht aus dem Computing verdrängt, sondern *nach oben* zu höheren Abstraktionsebenen verschoben. Security könnte der nächste solcher Shift sein.

  **Die praktische Konsequenz:** Die Rolle des menschlichen Engineers verschiebt sich von der persönlichen Codeimplementierung hin zur Definition von Bedeutung und Intent. Der Prozess wird: Humans beschreiben Intent → Models schlagen Implementierungen vor → Andere Models attackieren diese → Tools produzieren Evidence → Senior Engineers inspizieren die Mythos-Review-Cycle und entscheiden über Schiff-Tauglichkeit.

  **Auswirkungen auf Evals und Pipelines:** Derzeit schreiben viele People Evals zu 80% funktionalen Code und nur 20% nicht-funktionale Requirements. Das sollte umgekehrt werden: mindestens 50% sollte Code-Hygiene, Architektur, klare Funktionsgrenzen und Sicherheitsstandards adressieren. Mythos kann diese menschliche Security-Review-Arbeit übernehmen – aber dafür muss der Code lesbar und gut strukturiert sein.

  **Das Golden-Refactor-Fenster:** Es gibt möglicherweise ein 4-5-Monats-Fenster (bis etwa Jahresende 2026), um Codebases so zu refaktorieren, dass sie von AI-Security-Systemen verstanden werden können. Schlechter Code ist nicht nur störend, sondern sicherheitsgefährlich – er kann strukturell resistent gegen die Tools werden, die ihn sicherer machen könnten. Lesbarkeit wird zu einer Sicherheitseigenschaft.

  **Für verschiedene Rollen konkret:**
  – **Individual Contributors:** Bessere Specs schreiben, Klarheit von Intent verstehen, Code so strukturieren, dass ihn Machines verstehen und verteidigen können.
  – **Team Leaders:** Jetzt anfangen, agentic Pipelines zu architekturieren – modular gestalten, damit Mythos-äquivalente Systeme später eingestöpselt werden können.
  – **CTOs:** Budgetierung und Planung beginnen; das Vertrauen-Modell der Organisation umgestalten.

  **Die größere Verschiebung:** Von einer Welt, in der der Codebase selbst der Gold-Standard ist, zu einer Welt von Intent-Bundles (Intent + Implementierung + Verification durch agentic Pipelines), die zusammen review-würdig sind. Der wertvolle Engineer wird nicht der sein, der die cleversten Prompts schreibt, sondern der ein System definieren kann, das sicher implementiert werden kann: durch scharfsinnige Standards, verifiable Boundaries, APIs die Authority-Leakage minimieren.

  **Menschliche Verantwortung nimmt nicht ab – sie konzentriert sich:** Nicht auf das Tippen jeder Zeile, sondern auf das Definieren, wo Bedeutung ins System eintritt. Senior Engineering war schon immer davon abhängig, Bedeutung zu verstehen, hidden Couplings zu sehen, zu wissen, wann ein Produkt-Choice ein Sicherheitsproblem erzeugt – das wird jetzt die Kern-Rolle.

  **Warnung vor Überinterpretation:** Nicht alle AI-Code ist sicher heute. Nicht jeden Senior Engineer durch ein Modell ersetzen. Claude-Mythos ist spezifisch. Aber es gibt Anzeichen (ChatGPT 5.5 hat ähnliche Security-Sniffing-Attribute; Open-Source-Modelle werden nachziehen), dass sich Mythos-ähnliche Fähigkeiten bis Jahresende verbreiten.

  **Die Paradoxie:** In einer Welt mit Mythos könnte menschlich geschriebener Code als *unsicher* wahrgenommen werden – nicht weil Humans grundsätzlich schlecht sind, sondern weil Code, der nicht exhaustiv adversarially durchsucht wurde, neue Risiken trägt. Generated Code wird vertraut nicht weil es von einem Modell kam, sondern weil es einen verifizierten Prozess durchlaufen hat.

  **Zero-Days:** Ein Modell, das einen Bug findet, heilt das System nicht magisch. Der Sicherheitsprozess endet nicht mit dem Fund. Deswegen: Existing Code jetzt mit Mythos-äquivalenten Capabilities durchsuchen und aggressiv patchen. Mozilla veröffentlicht Mythos selektiv, weil die Organisationen, die es bekommen, einige der mächtigsten Systeme des Internets kontrollieren – man will sie gehärtet sehen, nicht von Adversaries in 3-4 Monaten angegriffen.

  **Das tiefere Vertrauen-Modell:** Code wird nicht vertraut, weil es menschenfreundlich lesbar ist (das ist ein Nebeneffekt), sondern weil gute Architektur es für friendly Machines angreifbar macht. Narrow Modules sind einfacher zu constrainen, explizite Boundaries einfacher zu testen, small Interfaces einfacher zu verifizieren.

  **Die Bitte:** Nicht natürliche Sprache rein, App raus, sondern: natürliche Sprache rein → durchdenken → Traces, Proofs, Type Systems, Tests, adversariales Review als Teil der agentic Pipeline → Verifikation → Humans inspizieren und signieren das Intent-Bundle. Das ist der Standard, auf den hingearbeitet wird.

  Anthropic Claude (speziell Mythos-Preview), ChatGPT und zukünftige Open-Source-Modelle sind zentral; Meinung/Deep-Dive zu fundamentalem Wandel in Software Security, Vertrauensmodellen und Engineering Culture.

• Your AI Agent Is Locked To One Model. OpenClaw Just Killed That.
  7.5.2026, 14:00:11

  # OpenClaw im April 2026: Vom Demo-Projekt zur produktionsreifen Agentic Runtime

  OpenClaw hat sich im April 2026 von einem viralen Open-Source-Agent-Framework zu einer ernsthaften Agentic Runtime entwickelt – dem entsprechend ist das System mit massiver Release-Geschwindigkeit um Task-Management, Memory-Features, Provider-Support, Channel-Updates und Automation erweitert worden. Die oberflächliche Beschreibung „ein Modell mit Zugriff auf deinen Computer” wird damit unvollständig: OpenClaw wird zur Action Layer für Agents, nicht nur zum Chatbot-Wrapper.

  **Die neuen Produktfundamente für ernsthafte Arbeit:** Task Flow orchestriert jetzt durable Multi-Step-Workflows mit eigenem State und Revisions-Tracking; Memory wurde von Spielerei („der Bot erinnert deinen Namen”) zur operativen Kontextschicht umstrukturiert – mit Konzepten wie Memory Wiki, Active Memory und provenanzreicher Recall, die festhalten, ob Gedächtnisse beobachtet, bestätigt oder vom Modell inferred wurden. Channels behandeln nun die heterogenen Anforderungen verschiedener Plattformen (Slack, Discord, Teams, etc.) mit korrekter Threading und Permission-Handling als zentrale Laufzeit-Komponente statt als Distribution-Feature.

  **Die Modell-Kriegszüge:** Anthropic sperrte im April Claude-Subscriptions für Always-On-Third-Party-Agents – die Begründung ist rational (Agents fressen mehr Tokens, sind keine normalen Chat-User, Anthropic will dafür API-Pricing statt flat-rate), aber unpopulär bei Entwicklern, die Claude als cheap Background-Brain nutzten. OpenAI nahm das Gegenteil Position ein: Codex wurde allen ChatGPT-Paid-Tiers zugänglich gemacht; Sam Altman kündigte explizit an, dass OpenClaw jetzt nativ auf OpenAI-Infrastruktur läuft. Google lancierte Gemma 4 unter Apache 2.0 für agentic Workflows und On-Device-Reasoning.

  **Das strategische Umdenkten:** Die entscheidende Erkenntnis ist nicht, dass OpenClaw jetzt verschiedene Modelle nutzen *kann* (das ist ein Dropdown), sondern dass es *sollte*: Cheap lokale Modelle für Klassifikation und Triage, GPT 5.5 für komplexe Repo-Arbeit, Claude API für High-Judgment-Tasks, andere für Summarization. Das erfordert aber eine Architektur, bei der das Modell nicht die Produktoberfläche ist, sondern eine austauschbare Reasoning-Engine innerhalb einer stabilen Workflow-Loop. Ein durables Workflow-Pattern zeigt das exemplarisch: Code Review, die GitHub Issues triagiert, gegen historische Fixes abgleicht, Risk-Files kennt und Test-Lessons speichert – das nützliche Wissen sitzt nicht im Prompt, sondern in der Codebase-Historie, Reviews, Deployments und aktumelten Lessons. Wenn dieses Memory nur im Chat-Transcript oder in einem Provider-Produkt lebt, bricht das Workflow-Pattern zusammen.

  **Memory als unabhängige Kontextschicht:** Im Kern der Lösung: Memory muss außerhalb jedes einzelnen Modells leben. Daher wurde ein „Open Brain Recipe für OpenClaw” als Open-Source-Repo veröffentlicht – es definiert, wie der Agent vor kritischer Arbeit Context abruft (Projekt-Konventionen, Personen, Entscheidungen, Prior Failures), wie er danach zurückschreibt (Outputs, Lektionen, Source Channel, Model Use, Task ID, Confidence) und welche Provenanz-Labels zu jeder Memory gehören (beobachtet, inferred, user-confirmed, imported). Konkrete Rezepte: Code-Review-Memory für reusable PR-Lektionen, Task Flow Worklog für Long-Running-Agent-Attempts, Memory-Provenanz-Recipe für klare Herkunfts-Labels. Diese Isolation macht den Workflow gegen Modell-Wechsel, Pricing-Änderungen, bessere lokale Modelle resistent.

  **Der architektonische Schluss:** Einmal eine Runtime bauen, verschiedene Brains durchrouten, Workflows vertical aufbauen (Sales Ops, Research, Meeting Follow-Up, Compliance, Finance) – die Knappheit liegt nicht in Modell-Zugang, sondern in Ownership von Memory, Tools, Permissions, Operating-Rhythm. OpenClaw-Nutzer sollten nicht auf Anbieter-Loyalität setzen, sondern auf ein Runtime-Design, bei dem das Modell austauschbar bleibt und Memory dem Nutzer gehört.

  —

  **Explizit behandelte Anbieter/Modelle:** OpenAI (GPT 5.5, Codex), Anthropic (Claude, Claude API), Google (Gemma 4), Open Router, DeepSeek, Ollama, LM Studio; fokussiert auf OpenClaw als Framework. **Format:** Deep-Dive mit stark ausgeführter Architektur-These; Schwierigkeitsniveau hoch (richtet sich an Builders, nicht an Anfänger).

• The Work Primitive: What Every AI Product Leader Gets Wrong
  6.5.2026, 14:01:00

  # Zusammenfassung: Work Primitives und die strategische Schicht unter agentengestützten Workflows

  Der Autor argumentiert, dass die zentrale strategische Battlefront bei AI-Agenten nicht die oberflächliche Fähigkeit ist, einen Computer zu bedienen, sondern die Kontrolle über **semantische Work Primitives** – bedeutungsvolle Arbeitseinheiten, die Agenten verstehen und ausführen müssen.

  **Die drei Schichten:** Zugriff (Access), Bedeutung (Meaning) und Autorität (Authority). Computer Use gibt Agenten Zugriff; MCPs und APIs geben ihnen Zugriff auf reichere Schnittstellen. Aber die eigentliche Macht liegt in der *semantischen Ebene*: Versteht das System, was ein Aktus bedeutet? Ein Kalender-Termin verschieben ist nicht nur ein Klick – es benachrichtigt fünf Personen, bricht möglicherweise Kundenkomitments, erzeugt Konflikte. Ein Refund ist nicht nur ein Button, sondern eine Aktion mit Geldfluss, Fraud-Risiken, Tax-Implikationen.

  **Warum Coding-Agenten zuerst funktionierten:** Nicht weil Code Text ist, sondern weil die Entwicklungsumgebung bereits reiche semantische Bedeutung hat – Tests, Linter, Abhängigkeiten, Git-Historie. Der Agent erhält semantisches Feedback direkt. Bei Kalender oder Verkaufs-Workflows fehlt diese Struktur oft; die Bedeutung ist in Politik, Beziehungen und ungeschriebener Historie verborgen.

  **Die Hierarchie der Schnittstellen:** Agenten sollten die reichste semantische Schnittstelle nutzen (API > Connector > Browser > Desktop-Kontrolle), nicht umgekehrt. Dies ist nicht nur Engineering-Preference, sondern notwendig für zuverlässige hochfolgenreiche Arbeit.

  **Der Plattformkampf:** Zwei Ansätze konkurrieren: (1) Von der semantischen Arbeitsbedeutung *rückwärts* zu Agenten (Perplexity-Strategie), (2) Von Modellen und Code *vorwärts* zur Arbeit (Claude, Codex). Hyperscaler können beide Wege gehen; Nicht-Hyperscaler müssen ihre Spur wählen. Salesforce exponiert MCPs und APIs bewusst; SAP blockiert Agenten – Autor sieht Salesforce als richtig positioniert.

  **Zentrale Spannung für alle Software-Unternehmen:** Zu wenig Semantik = Agenten klicken ungeschickt durch die UI; zu viel = Produkt wird Backend-Infrastruktur für fremde agentic Interfaces. Die Frage ist: Wer definiert die Bedeutung der Arbeit?

  **Das echte Ziel:** Nicht Software, die jeden Button klickbar macht, sondern Software, die die *Aktion hinter dem Button* beschreibt, berechtigt, überprüfbar, reversibel und komponierbar macht – von Anfang an für Agenten lesbar, nicht nur technisch legibel.

  **Explizit genannte Tools und Anbieter:** Codex (mit Computer Use und Auto-Review-Feature), Claude (bevorzugt MCPs), Perplexity (Personal Computer, Finance-Workflows, Comet), Salesforce (360, MCPs/APIs), SAP (agenten-blockierend), GitHub, Stripe, Shopify.

  **Format:** Deep-Dive / Meinung (strategische Rahmenwerk für Produktleiter).

• Consumer AI Has a Problem Nobody’s Naming.
  5.5.2026, 14:00:58

  # Zusammenfassung

  Der Sprecher kritisiert, dass die aktuelle AI-Agent-Landschaft ein fundamentales Problem hat: Während Agenten technisch fähig sind, zwingen sie Nutzer in eine neue Management-Schicht statt ihnen echte Assistenz zu bieten. Das zentrale Problem ist die **Anticipation Gap** – Agenten sind reaktiv (du musst sie auffordern), nicht proaktiv. Der ideale zukünftige Agent würde Probleme erkennen, bevor sie zu Arbeit werden: Er bemerkt, dass dein Flug verzögert ist, und fragt, ob er dich umbuchen soll. Die Schule schickt eine Email mit einem Unterschriftenformular bis Freitag – der Agent weist dich darauf hin. Ein angespannter Work-Thread braucht eine sorgfältige Antwort – der Agent entwirft einen ruhigen Gegenvorschlag.

  Das größte Hindernis ist nicht die technische Fähigkeit, sondern dass Agenten verstehen müssen, *wann* sie erscheinen dürfen, *was* wirklich wichtig ist, und *wie* sie handeln, ohne aufdringlich oder falsch proaktiv zu sein. Aktuelle Produkte wie Poke (Messaging-Interface), Clickie (Cursor-Assistent) und Cluey (unsichtbare Hilfe) versuchen verschiedene Ansätze, verfehlen aber alle noch die echte Proaktivität – ihre Antworten fühlen sich zu generisch an oder sie erfordern Nutzer-Intervention.

  Der Sprecher schlägt ein **Permission-Leiterprinzip** vor: Level 1 (Lesen), Level 2 (Vorschläge), Level 3 (Entwürfe), Level 4 (Aktionen mit Bestätigung), Level 5 (Autonom). Für Consumer-Agenten sollte man bewusst wählen, welches Level angestrebt wird – nicht “verwalte mein Leben”, sondern wenige spezifische Domänen mit genug Kontext und Kontrolle.

  Ein vielversprechender Weg: Proaktivität könnte zuerst am *Arbeitsplatz* entstehen (ähnlich wie Slack), da dort klare Metriken und strukturiertere Kontexte existieren. Zeichen für baldige Durchbrüche sind strategische Einstellungen (z.B. OpenAIs Hire von Peter Steinberger), erhöhte Load-Relief in bestehenden Agenten und Model-Release-Notes, die Long-Running Consumer Intent mit Memory ankündigen.

  Das Video argumentiert, dass die Nachfrage enorm ist und die technische Fähigkeit existiert, aber der Produktansatz fundamental anders sein muss: Nicht “reaktiv bis du mich aufrufst”, sondern “Ich erscheine, wenn es zählt, frage um Erlaubnis bei wichtigen Entscheidungen, ansonsten verschwinde ich.”

  **Explizit erwähnte Tools/Plattformen:** OpenAI, Claude/Anthropic, Codeex, GitHub, Cursor, Symphony-Protokoll, Stripe, Poke, Clickie, Cluey, Co-work, Chronicle (Codeex), Open-Source/OpenClaw. **Format:** Meinung/Reflexion mit Deep-Dive in Produktdesign und Use-Cases; für fortgeschrittene Produktdenker und AI-interessierte Personen konzipiert.

• AI’s ‘Thin Ice’ Moment: Is Your Job Already Gone?”
  4.5.2026, 14:01:31

  # Zusammenfassung

  Der Autor argumentiert, dass die eigentliche Gefahr von KI für Wissensarbeiter nicht darin besteht, dass komplette Jobs wegfallen, sondern dass einzelne Aufgaben innerhalb eines Jobs überflüssig werden – was das Fundament einer ganzen Rolle untergräbt, ähnlich wie Onlinebuchungen Reisebüros verändert haben. Er präsentiert ein Audit-Framework, das die letzten zwei Wochen beruflicher Aktivität in vier Kategorien sortiert: **T (Theater)** = organisatorische Performance ohne echten Wert, **C (Commodity)** = echte aber austauschbare Routine, **L (On the Line)** = Übergangstätigkeiten mit zunehmendem Automatisierungsdruck, **D (Durable)** = Arbeit, deren Wert von nicht vollständig beschreibbarem Urteilsvermögen abhängt.

  Die meisten Wissensarbeiter werden feststellen, dass ihre Woche überproportional aus T und C besteht, während die D-Arbeit – echte Urteilskraft unter Unsicherheit, Fragen haltend statt nur zu beantworten – deutlich kleiner ausfällt als ihre berufliche Identität suggeriert. Das zentrale Problem: Performance-Systeme belohnen sichtbare Outputs, nicht echte Wertschöpfung, weshalb Rollen heute noch „gut aussehen” können, obwohl ihre wirtschaftliche Grundlage erodiert.

  Der Autor empfiehlt sechs konkrete Handlungsschritte: (1) Theater-Aufgaben graduell streichen, (2) eingesparte Zeit nicht in mehr Commodity-Arbeit investieren, sondern in D-Entwicklung, (3) wöchentlich durables Urteil dokumentieren, (4) durch Projektauswahl systematisch Commodity-Lasten reduzieren, (5) Urteils-Outcomes kommunizieren ohne die tieferen Mechanismen zu explizieren (Partial Legibility), (6) bei Rollen mit zu wenig D-Potenzial wechseln. Die zentrale Einsicht: Die Transition ist nicht erzwungen – es gibt noch Zeit, sich selbst neu zu orientieren, bevor die Organisation es tut.

  **Format & Tools:** Meinung/Reflexion mit praktischem Audit-Tool; Claude und Codeex als Helfer bei der Datenverarbeitung genannt.

• Stripe, Visa, Mastercard, Microsoft, Meta. All Building The Same Thing.
  3.5.2026, 17:00:44

  # Zusammenfassung: Die Verschiebung der Macht von Verkäufern zu Käufern durch Agenten-Handel

  Der Kern der neuen Stripe-Ankündigungen liegt nicht darin, dass KI-Agenten jetzt Kaffee kaufen können, sondern in einer fundamentalen Umstrukturierung der Internet-Ökonomie: Die Macht verlagert sich zum ersten Mal seit Jahrzehnten vom Verkäufer zum Käufer.

  **Drei zentrale Verschiebungen:**

  1. **Der alte Verkaufstrichter war eine Maschine zur Sichtbarmachung von menschlicher Absicht.** Websites, Apps, Checkouts und Landingpages waren kontrollierte Umgebungen, in denen Unternehmen Nachfrage beobachten konnten. Dieser Aufbau rechtfertigte eine ganze Industrie (8.000+ Martech-Unternehmen in den 2010ern) rund um menschliche Aufmerksamkeit. Agenten ändern das radikal: Die Kaufentscheidung formt sich nicht mehr auf der Website des Verkäufers, sondern in der Umgebung des Käufers, bevor dieser den Store überhaupt besucht.

  2. **Zahlungsautorität wandert mit der Aufgabe, nicht im Checkout.** Stripes Links Wallet für Agenten ermöglicht es, dass ein Agent mit programmatischem Zugriff auf begrenzte Zahlungsanweisungen arbeitet – mit einer einmaligen virtuellen Karte oder gemeinsamen Zahlungs-Token. Das ist nicht dasselbe wie traditioneller Checkout. Die Zahlungsmethode ist an die Aufgabe gebunden, kann begrenzt sein nach Betrag, Währung, Merchant oder genehmigten Status. Im alten Modell extrahierte der Verkäufer die Zahlungsautorität. Im neuen Modell bringt der Agent des Käufers die Zahlungsautorität mit.

  3. **Die wettbewerbsfähige Frage ist nicht länger „Nutzen wir KI?”, sondern „Können uns Agenten aufrufen?”** Wenn Agenten ankommen (nicht ob), wird die Kaufreise gleichzeitig kundengesteuert und agentisch gesteuert sein. Das bedeutet, dass der kaufmännische Vergleich, die Legitimität des Sellers und die Preisklarheit lange vor dem Checkout-Moment existieren müssen.

  **Warum das alles überhaupt funktionieren muss:**

  Damit ein Agent etwas für einen Käufer kaufen kann, benötigt es: strukturierte Produktinformationen, die ein Agent lesen kann (nicht nur Marketing-Copy), klare Preise, Rückgabepolitiken, Lieferfenster, Zahlungsoptionen und „Intent Hooks” – Wege, wie vage menschliche Anfragen („authentischer Kaffee”) in präzise kommerzielle Anfragen übersetzt werden. Das ist ein viel höherer Standard als „SEO für Agenten”. Ein Agent kann nicht mit Mehrdeutigkeit leben wie ein Mensch; es braucht Klarheit, um zu handeln.

  **Das bedeutet konkret für Businesses:**

  Websites können weniger zentral werden, aber die kommerzielle Realität muss deutlich expliziter werden. Produktkatalog, Preise, Policies, Zahlungsmethoden, Nutzungsgrenzen, Erfüllungsbeschränkungen müssen als Agent-zugängliche Oberflächen exposé werden – über Protokolle, APIs, Feeds oder Plattformen wie Stripe selbst. Discovery wird weniger „Google-Ranking gewinnen” und mehr „eine verfügbare Option im Entscheidungsprozess des Agenten sein”.

  **Zu Instant Checkout und OpenAI:**

  Der Testlauf mit Walmart zeigte, dass Instant Checkout (Käufe direkt im Chat) tatsächlich schlechter konvertierte als das Senden zurück zur Website. Das Problem ist strukturell: Menschen wollen nicht einzelne Items im Chat kaufen, wenn sie bereits Carts, Loyalty-Programme, Lieferererwartungen und bestehende Merchant-Beziehungen haben. OpenAI’s korrigierte Antwort war, den Fokus auf Discovery zu legen und Checkout als Adjunktion, nicht als primäre Erfahrung zu behandeln.

  **Zahlungsstrukturen im Agenten-Zeitalter:**

  Stripe’s Ankündigungen um Streaming Payments (mit Metronome für Nutzungs-Tracking und Tempo für Stablecoin Mikrozahlungen) offenbaren ein viel breiteres Bild. Nicht jede Transaktion ist ein One-Time Kauf. Es gibt zeitgesteuerte Intents („bufe später”), Budgetgrenzen („gib bis $100 aus um den besten Supplier zu finden”), nutzungsgesteuerte Modelle (pro Query, pro Token), ergebnisgesteuerte (zahle wenn das Ticket gelöst ist) und Hybride. Diese waren früher unbequem für Menschen zu verwalten – jetzt sind sie Agenten-native Transaktionen. Das erfordert andere Abrechnungs- und Abrechnungssysteme als klassische Checkout-Seiten.

  **Fraud und Trust im Agenten-Zeitalter:**

  Stripe’s Radar-Ankündigung ist kritisch: In einer Welt, wo Agenten Token verbrauchen, können Betrüger massiv Kosten fahren. Eine kostenlose Testphase, die früher harmlos war, wird zur Token-Verbrennung. Radar nutzt Stripes Netzwerk (Link als Wallet, Stripe Signals für Risikodaten über Zahlungs-, Business-, Signup- und Agenten-Verhalten), um Betrug zu erkennen. Das ist wie ein Vertrauensgarant für eine käufergesteuerte Ökonomie – wenn Commerce den Verkäufer-Trichter verlässt, muss Vertrauen von woanders kommen.

  **Zur Frage der Marken:**

  Ein Agent fühlt keine Nostalgie oder Aspiration wie ein Mensch. Es wird nicht von Landing-Page-Emotionen bewegt. Aber das heißt nicht, dass Marken verschwinden – sie ändern den Ort. Im alten Web arbeitete Marke bei der Überzeugung: du landest, siehst Design und Social Proof, der Seller führt die Marke auf. Im Agenten-Web wird Marke Teil der Käufer-Erinnerung: Deine Vorlieben, bisherigen Käufe, Vertrauenshistorie, Loyalitäts-Memberships, ausgesprochene Abneigungen werden Agenten-Eingaben. Der Agent kann „ich mag 49th Parallel Coffee” als Constraint mitnehmen – oder „ich meide diese Airline”. Das ist hart für Seller, weil sie die Konversation nicht zurücksetzen können. Marke wird nicht wie ein Billboard – es wird zu einem Eintrag in der Käufers Operating Context, im Ledger. Die Marken, die für Agenten zählen, sind die, die zuverlässige Präferenzen geworden sind: klare Daten, klare Policies, konsistente Erfüllung, starker Ruf.

  **Die größere Implikation:**

  Wenn Stripe die Kosten für Transaktionen und Vertrauen senkt, könnten Unternehmen verschwinden, die nicht auf echten Käufer-Beziehungen basieren, sondern nur deshalb bestehen, weil müde Käufer dort landen. Agenten werden jene „im Frust landen”-Momente seltener machen. Die Internet-Ökonomie wird rationaler, effizienter, weniger emotional. Das bedeutet nicht, dass Marketing verschwindet – es muss aber anders arbeiten. Du kannst einen Agenten nicht emotional persuadieren. Du musst deine Erfahrung relevant machen.

  **Kritische Fragen für jede Business:**

  – Kann ein Agent programmatisch ein Unternehmen aufrufen (nicht gescraped, sondern über APIs)?
  – Kann der Agent verstehen, wann die Business relevant ist und kann sie gegen Alternativen vergleichen?
  – Kann der Agent ohne menschliche Überwachung handeln?
  – Kann der Agent Fakten von Marketing-Fluff unterscheiden?
  – Kann der Agent deine Preise, Bedingungen, Stornierungspolicen, Fehlerbehandlung lesen?

  Der Grund, warum Commerce schwer ist, liegt nicht daran, dass Buttons drücken schwer ist. Commerce ist schwer, weil wirtschaftliches Handeln echte Konsequenzen hat. Stripe versteht das, weil Stripe immer dort gelebt hat, wo Software auf Geld trifft.

  **Ausblick:**

  Das alte Internet fragte: „Wie bekommen wir den Kunden in unseren Store?” Das neue Internet fragt: „Wie werden wir vom Agent des Kunden nutzbar, wenn der Kunde gar nicht erst ankommt?” Die Infrastruktur des Verkaufstrichters wird zusammenfallen. Entweder investierst du in hochwertige Erfahrungen für echte Menschen (und IRL Marketing), oder du machst deine gesamte Infrastruktur Agenten-freundlich und sauber kontrahiert. Wenn der Käufer „authentischen Kaffee” will und der Agent deine Website besucht, braucht es alle Hooks damit der Agent die echten Qualitäten liest und zurück zu deiner Ethiopia-Honig-verarbeiteten Coffee mich mappt.

  —

  **Technologie & Format:** Deep-Dive Analyse zu Stripes Agenten-Commerce-Strategie mit praktischen Implikationen; keine einzelnen AI-Modelle spezifisch thematisiert, sondern breitere Ökonomie-Verschiebung und Stripes Rolle darin.

Alejandro AO (1 neues Video)

• Pi Agent – Crash Course | Minimal Coding Agent
  6.5.2026, 06:17:00

  Das Video stellt den Pi Agent Harness vor, eine minimalistische Agenten-Harness, die sich an die Bedürfnisse des Nutzers anpassen lässt. Der Fokus liegt darauf, den Nutzern einen schnellen Einstieg zu ermöglichen, ohne alle Funktionen im Detail zu behandeln. Die wichtigsten Punkte sind:

  1. **Was ist Pi?**
  – Pi ist eine minimalistische Agenten-Harness, die mit nur vier Grundfunktionen startet und sich durch Erweiterungen und Anpassungen individuell gestalten lässt.
  – Im Gegensatz zu anderen Agenten-Harnesses bietet Pi keine vorgefertigten Funktionen wie MCP (Multi-Chat-Persistenz), Sub-Agenten-Unterstützung, Planungsmodus oder integrierte To-Do-Listen. Stattdessen können diese Funktionen nach Bedarf hinzugefügt werden.

  2. **Installation und Grundeinstellungen**
  – Die Installation erfolgt über einen einfachen Befehl in der Kommandozeile.
  – Nach der Installation müssen Nutzer sich mit einem API-Key oder einem Abonnement (z.B. von Hugging Face, Anthropic, ChatGPT oder GitHub Copilot) anmelden, um LLMs (Large Language Models) nutzen zu können.
  – Modelle können über den Befehl `/model` ausgewählt und zwischen verschiedenen Anbietern gewechselt werden.

  3. **Modellauswahl und Anpassung**
  – Nutzer können zwischen verschiedenen Modellen wählen und diese in Favoritenlisten speichern.
  – Das Denkniveau des Modells (z.B. niedrig, mittel, hoch) kann angepasst werden.

  4. **Prompt-Templates**
  – Benutzerdefinierte Prompts können erstellt und gespeichert werden, um häufig verwendete Befehle zu vereinfachen.
  – Diese Prompts werden in der `.pi`-Verzeichnisstruktur gespeichert und können manuell bearbeitet werden.

  5. **Skills**
  – Skills sind Funktionen, die die Agenten-Harness erweitern. Sie können aus verschiedenen Verzeichnissen geladen werden, darunter `.agents` und `.clod`.
  – Skills können über den Befehl `/skill` aufgerufen und genutzt werden.

  6. **Themes und Benutzeroberfläche**
  – Die Benutzeroberfläche von Pi kann durch Anpassung von Themes verändert werden.
  – Benutzerdefinierte Themes können erstellt und in der `.pi`-Verzeichnisstruktur gespeichert werden.

  7. **Context-Dateien**
  – Pi nutzt die Standards `agents.md` und `clod.md` zur Kontextverwaltung.
  – Diese Dateien können in verschiedenen Verzeichnissen (z.B. Workspace oder Home-Verzeichnis) gespeichert und von Pi geladen werden.

  8. **Extensions**
  – Erweiterungen (Extensions) ermöglichen die Anpassung und Erweiterung der Funktionalität von Pi.
  – Beispielhafte Erweiterungen umfassen Willkommensnachrichten und Sicherheitsabfragen vor gefährlichen Befehlen (z.B. `rm -rf`).

  9. **Packages**
  – Packages sind Bündel von Erweiterungen, Skills und Prompts, die gemeinsam installiert werden können.
  – Beispiele für Packages sind `PySubagents`, `ContextMode` und `MCPAdapter`.

  10. **Sessions**
  – Sessions ermöglichen das Verwalten, Bearbeiten und Navigieren von Threads.
  – Sessions können benannt, exportiert und in verschiedenen Formaten gespeichert werden.
  – Nutzer können zwischen verschiedenen Sessions wechseln, diese duplizieren oder zusammenfassen.

  Das Video thematisiert explizit den Pi Agent Harness und ist eher für Intermediate-Nutzer gedacht, die bereits Erfahrung mit Agenten-Harnesses haben und diese individuell anpassen möchten.

Alex Finn (4 neues Videos)

• Hermes Agent is blowing me away…
  9.5.2026, 20:54:26

  Das Video vergleicht die AI-Agenten Hermes und OpenClaw und empfiehlt Hermes aufgrund von Zuverlässigkeit, Selbstverbesserung und Benutzerfreundlichkeit. Der Autor beschreibt die Vorteile von Hermes, darunter regelmäßige, thematische Updates, eine selbstverbessernde Fähigkeit durch Nutzung und eine starke Betonung auf Experimentierung und lokale Modelle. Die Installation von Hermes wird als einfach beschrieben, mit Optionen für verschiedene Modelle und Kommunikationsdienste, wobei Telegram und Opus empfohlen werden. Der Autor zeigt drei Use-Cases: einen für Anfänger, der täglich neue AI-Tools entdeckt, einen für Fortgeschrittene, der tägliche proaktive Check-ins durchführt, und einen für Experten, der AI-generierte Videos erstellt. Am Ende betont der Autor die Bedeutung von Brain-Dumping und Reverse-Prompting, um den AI-Agenten persönlich und effektiv zu nutzen.

  Das Video thematisiert explizit die AI-Tools Hermes Agent und OpenClaw und ist eher für Intermediate und Advanced Nutzer gedacht.

• LIVE: Anthropic and Elon just teamed up to take down OpenAI
  6.5.2026, 20:12:34

  Das Video behandelt die strategische Allianz zwischen Anthropic und Elon Musks XAI (X.AI), die durch einen großen Rechenleistung-Deal gekennzeichnet ist. Anthropic erhält Zugang zu SpaceXs Colossus-1-Cluster, was ihre Fähigkeit zur Entwicklung und zum Training von KI-Modellen erheblich verbessern wird. Diese Partnerschaft markiert einen Wendepunkt im Wettbewerb mit OpenAI, das in den letzten Monaten mit Codeex eine dominante Position eingenommen hat. Anthropic hatte in dieser Zeit mit sinkenden Limits und weniger leistungsfähigen Modellen zu kämpfen, was durch die neue Allianz nun ausgeglichen werden soll. Elon Musk, der zuvor kritisch gegenüber Anthropic war, stellt nun massive Rechenressourcen zur Verfügung, was die Dynamik im KI-Wettbewerb verändert. Das Video diskutiert auch die langfristigen Strategien von Elon Musk, der sich möglicherweise auf größere Ziele wie autonome Fahrzeuge, Raumfahrt und Robotik konzentriert, anstatt im KI-Chatbot-Wettbewerb zu bleiben. Die Allianz könnte zu einer neuen Ära der Innovation und Verbesserung von KI-Tools führen, von denen die Verbraucher profitieren werden. Das Video betont die Bedeutung, beide führenden KI-Tools, Claude Code und Codeex, zu nutzen, um von den jeweiligen Stärken zu profitieren.

  **AI-Tools/Modelle/Anbieter:** Anthropic, OpenAI, Elon Musk (X.AI), Claude, Codeex, Grock, Gemini, Open-Source
  **Zielgruppe:** Intermediate

• Hermes Agent might have just killed OpenClaw
  5.5.2026, 21:11:59

  Das Video stellt Hermes Agent als zuverlässigere Alternative zu OpenCloth vor und geht auf sieben neue Funktionen ein, die die Produktivität und Benutzerfreundlichkeit verbessern. Dazu gehören:

  1. **Cananband Board**: Ermöglicht Multitasking durch parallele Bearbeitung mehrerer Aufgabenstränge. Ein Manager-Agent füllt Aufgaben mit Details aus und bewegt sie durch verschiedene Status (Triage, To-Do, Ready, In Progress, Block, Done).

  2. **Slashgo**: Eine High-Level-Missionsfunktion, die dem Agenten langfristige Aufgaben stellt, die über einen längeren Zeitraum hinweg bearbeitet werden können. Die Qualität des Prompts ist entscheidend für gute Ergebnisse.

  3. **Profiles (Multi-Agents)**: Erlaubt die Erstellung mehrerer Agenten mit eigenen Erinnerungen und Fähigkeiten, um die Leistung zu optimieren und Überlastung zu vermeiden.

  4. **Model Catalog**: Vereinfacht das Wechseln und Zuweisen von Modellen zu spezifischen Aufgaben, was die Kostenkontrolle und Effizienz verbessert.

  5. **Compression**: Durch Anpassung des Kompressionsschwellenwerts auf 0,5 werden weniger drastische Kompressionen durchgeführt, was die Erinnerungsfähigkeit verbessert.

  6. **Curator Feature**: Automatische Prägung von selten genutzten Skills alle sieben Tage, um Bloat zu reduzieren und die Leistung zu erhalten.

  Das Video kritisiert OpenCloth für häufige Updates, die zu Instabilität und Performance-Problemen führen, und hebt die gezielten, zuverlässigen Updates von Hermes hervor. Es wird empfohlen, die neuen Funktionen von Hermes zu nutzen, um die Produktivität zu steigern.

  **Schluss-Kommentar**: Das Video thematisiert explizit Hermes Agent und OpenCloth und ist eher für Intermediate bis Advanced Nutzer gedacht.

• LIVE: Is Hermes better than OpenClaw? FINALE!!!
  4.5.2026, 21:53:53

  Das YouTube-Video zeigt einen Live-Stream, in dem der Host verschiedene AI-Agenten (OpenClaw und Hermes) in einem Wettbewerb namens “Agent Olympics” testet. Der Stream dauert ungewöhnlich lange (3,5 Stunden) und ist in verschiedene Abschnitte unterteilt, die von technischen Tests über persönliche Diskussionen bis hin zu spontanen Entscheidungen reichen.

  **Inhaltliche Zusammenfassung:**
  1. **Agent Olympics:**
  – Der Host testet vier Kombinationen von AI-Agenten (OpenClaw und Hermes mit verschiedenen Backend-Modellen wie ChatGPT und Opus) in fünf verschiedenen Aufgaben.
  – Die Aufgaben umfassen das Erstellen von Infografiken, animierten Musikvideos und anderen komplexen Aufgaben.
  – Die Ergebnisse werden live bewertet, wobei OpenClaw mit Opus am Ende als Sieger hervorgeht.

  2. **Technische Diskussionen:**
  – Es gibt ausführliche Diskussionen über die Stabilität und Zuverlässigkeit der verschiedenen AI-Agenten, insbesondere Hermes, das aufgrund von “Compaction”-Fehlern (Verlust von Arbeitszuständen) kritisiert wird.
  – OpenClaw wird für seine Konsistenz und Benutzerfreundlichkeit gelobt.

  3. **Persönliche Themen:**
  – Der Host spricht über seine Schlafprobleme und experimentiert mit verschiedenen Lösungen wie Kiwis und Magnesium.
  – Es gibt Diskussionen über Arbeitsmethoden, einschließlich der Verwendung von Treadmills und Stehschreibtischen, wobei der Host seine Vorlieben und Abneigungen äußert.

  4. **Community-Interaktion:**
  – Die Zuschauer sind aktiv in den Chat eingebunden, stellen Fragen und geben Feedback.
  – Der Host entscheidet spontan, einen zweiten YouTube-Kanal namens “Alex Finn Labs” zu erstellen, was zu einer unterhaltsamen Interaktion mit einem Zuschauer führt, der den gewünschten Kanalnamen bereits reserviert hat.

  5. **Ankündigungen und Zukunftspläne:**
  – Der Host kündigt an, in Zukunft mehr Videos über Hermes und Multi-Agenten-Setups zu veröffentlichen.
  – Es wird diskutiert, ob die Live-Streams zu späteren Zeiten stattfinden sollen, um ein breiteres Publikum zu erreichen.

  **Schluss-Kommentar:**
  Das Video thematisiert explizit die AI-Tools OpenClaw, Hermes, ChatGPT und Opus. Es ist eher für Intermediate und Advanced-Nutzer gedacht, da es technische Details und fortgeschrittene Anwendungen von AI-Agenten behandelt.

Bart Slodyczka (1 neues Video)

• LM Studio Is Getting Insane — Start Using It Now
  4.5.2026, 11:31:00

  Das Video zeigt, wie man mit LM Studio AI-Modelle lokal auf dem eigenen Computer ausführt. LM Studio ist eine kostenlose Desktop-App, mit der man verschiedene AI-Modelle durchsuchen, herunterladen und nutzen kann. Das Video erklärt, wie man die Kompatibilität des eigenen Computers mit den Modellen überprüft, Modelle herunterlädt und in LM Studio lädt. Es wird demonstriert, wie man mit den Modellen in einer Chat-ähnlichen Oberfläche kommuniziert, PDFs hochlädt, Bilder analysiert und Web-Suchen durchführt. Zudem wird gezeigt, wie man die Modelle mit anderen Business-Tools wie Claude Co-work, Claude Code, OpenClaw oder Hermes Agent integriert. Der Unterschied zwischen Cloud-AI und lokaler AI wird erläutert, wobei lokale AI privat und kostenlos, aber oft langsamer und weniger leistungsfähig ist. Das Video geht auch auf die technischen Aspekte ein, wie z.B. die Nutzung von Node.js und die Konfiguration von MCP-Tools (Model Context Protocol) für die Integration von externen Tools. Abschließend wird gezeigt, wie man ein lokales AI-Modell in die Claude Co-work-App integriert.

  Das Video thematisiert explizit LM Studio, Gemma 4, Claude, Node.js und MCP-Tools und ist eher für Intermediate-Nutzer geeignet.

Ben AI

Keine neuen Videos in diesem Zeitraum.

Brian Casel

Keine neuen Videos in diesem Zeitraum.

Coding with Lewis

Keine neuen Videos in diesem Zeitraum.

Cole Medin (3 neues Videos)

• AI YouTube Is Only Claude Hype Now
  7.5.2026, 00:01:02

  **Zusammenfassung:**

  In dem Video wird die Erstellung eines Roadmaps für das Open-Source-Projekt Archon, ein Harness-Builder für AI-Coding, live präsentiert. Der Host beginnt mit einer Einführung in Archon, das es ermöglicht, AI-Coding-Prozesse in Workflows zu verpacken und parallel über verschiedene Codebases auszuführen. Die Workflows werden in YAML definiert und können sowohl agentenbasierte als auch skriptbasierte Aktionen umfassen.

  Ein zentrales Thema ist die Idee eines Marktplatzes für Archon-Workflows, der es Nutzern ermöglichen soll, ihre eigenen Workflows zu teilen und zu installieren. Der Host diskutiert verschiedene Ansätze für die Implementierung dieses Marktplatzes, einschließlich der Frage, ob Workflows in separaten Repositories gehostet oder direkt in das Archon-Repository integriert werden sollen. Es werden Vor- und Nachteile beider Ansätze erörtert, wobei Sicherheit und Benutzerfreundlichkeit im Mittelpunkt stehen.

  Während des Videos wird auch die aktuelle Roadmap von Archon erstellt und aktualisiert, wobei verschiedene Features und Verbesserungen hinzugefügt werden, wie z.B. die Unterstützung für den PI-Coding-Agenten und die Optimierung des Setup-Prozesses. Der Host nutzt Cloud Code und andere Tools, um die Roadmap zu visualisieren und zu verfeinern.

  **Schlusskommentar:**

  Das Video thematisiert explizit Open-Source-Tools und Modelle, insbesondere Claude und Cloud Code, und ist eher für Intermediate bis Advanced Nutzer gedacht.

• 🔴LIVE – What’s Next for Archon – Live Roadmap Session
  5.5.2026, 03:58:13

  **Zusammenfassung des YouTube-Videos:**

  Das Video zeigt die Erstellung von AI-generierten Videos mit Archon, einem Open-Source-Harness-Builder. Der Prozess umfasst die Nutzung von Archon für den Workflow, 11 Labs für die Sprachgenerierung und Remotion für die Videogenerierung. Der Creator demonstriert die Erstellung eines Videos über den neuen TI-84 EVO-Taschenrechner und erklärt anschließend die Schritte zur Erstellung eines Marketing-Videos für Archon selbst.

  **Schritte und Tools:**
  1. **Archon Workflow:**
  – Archon wird verwendet, um einen Workflow zu erstellen, der die Videogenerierung in mehrere Schritte unterteilt.
  – Der Workflow umfasst das Planen des Videos, das Generieren von Audio und Video, das Validieren und Iterieren.

  2. **11 Labs für Sprachgenerierung:**
  – 11 Labs wird verwendet, um die Sprachausgabe zu generieren.
  – Der Creator experimentiert mit verschiedenen Parametern wie Geschwindigkeit, Stabilität, Ähnlichkeit und Stilübertreibung, um die beste Klangqualität zu erzielen.

  3. **Remotion für Videogenerierung:**
  – Remotion wird verwendet, um die visuellen Elemente des Videos zu erstellen.
  – Der Creator zeigt, wie der Workflow die verschiedenen Szenen und Animationen plant und generiert.

  4. **Iteration und Verbesserung:**
  – Der Creator demonstriert, wie man das generierte Video iterativ verbessert, indem man Feedback gibt und den Workflow anpasst.
  – Es wird gezeigt, wie man die Sprachausgabe und die Soundeffekte verbessert.

  5. **Archon Workflow-Details:**
  – Der Workflow ist in einer YAML-Datei definiert und umfasst mehrere Schritte, die von Archon orchestriert werden.
  – Jeder Schritt kann unterschiedliche Modelle und Anbieter verwenden, was die Flexibilität und Zuverlässigkeit des Workflows erhöht.

  **Schlusskommentar:**
  Das Video thematisiert explizit Archon, 11 Labs, Remotion und Open-Source-Modelle. Es ist eher für Intermediate und Advanced Nutzer gedacht, die sich mit AI-Tools und Workflows auskennen.

• 🔴LIVE – Full AI Video Generation Workflow Using Claude Code + Remotion + Archon
  3.5.2026, 03:33:47

  Das Video ist eine überarbeitete Version eines Live-Workshops zur AI-Transformation, der gemeinsam mit Leor Weinstein durchgeführt wurde. Der Fokus liegt darauf, ein grundlegendes System für zuverlässige und wiederholbare Ergebnisse mit AI-Coding-Assistance zu erstellen. Der Prozess wird in drei Phasen unterteilt: Ideation mit Coding Agents, Aufbau einer iterativen Schleife (PIV-Loop) und die schrittweise Weiterentwicklung der Coding Agents über die Zeit.

  1. **Ideation mit Coding Agents:**
  – Unstrukturierte Gespräche mit dem Coding Agent, um Ideen zu sammeln und Anforderungen zu klären.
  – Verwendung von Tools wie Claude Code und Jira zur Verwaltung und Organisation der Arbeit.
  – Erstellung eines Product Requirement Documents (PRD) durch spezifische Befehle und Skills, die die Konversation strukturieren.

  2. **PIV-Loop (Plan, Implement, Validate):**
  – **Planen:** Analyse des Codebasis und Erstellung eines detaillierten Plans für die Implementierung eines Jira-Tickets.
  – **Implementieren:** Delegation der Codierung an das Coding Agent basierend auf dem erstellten Plan.
  – **Validieren:** Automatisierte Validierung durch das Coding Agent, gefolgt von einer manuellen Code-Rezension und manuellen Tests.

  3. **System Evolution:**
  – Retrospektive Analyse nach jedem PIV-Loop, um die Systeme und Prozesse zu verbessern.
  – Anpassung von Regeln, Befehlen und Skills, um zukünftige Fehler zu vermeiden und die Effizienz zu steigern.

  Der Workshop betont die Wichtigkeit, die Kontrolle über den Prozess zu behalten, indem man die Planung und Validierung selbst übernimmt, während die eigentliche Codierung an das AI-Tool delegiert wird. Es wird gezeigt, wie man mit Tools wie Claude Code und Jira effizient arbeiten kann, um die Produktivität zu steigern und repetitive Aufgaben zu automatisieren.

  Das Video ist eher für Intermediate und Advanced Nutzer geeignet, da es voraussetzt, dass die Zuschauer bereits Grundkenntnisse in Softwareentwicklung und Projektmanagement haben. Es werden spezifische Tools wie Claude Code und Jira thematisiert.

Dave Ebbelaar (1 neues Video)

• If I Started AI Freelancing in 2026, I’d Do This
  4.5.2026, 15:15:23

  **Zusammenfassung:**

  Der Videoinhalt beschreibt einen dreistufigen Rahmen, den der Autor als “Data Freelancer Blueprint” bezeichnet, um als Freelancer im Bereich AI und Daten erfolgreich zu sein. Die drei Stufen sind:

  1. **Get Going (Loslegen):**
  – Überwinde psychologische Hürden und beginne mit einfachen, aber nützlichen Projekten, die oft als “langweilig” gelten, wie Datenautomatisierung oder Berichterstellung.
  – Erstelle drei End-to-End-Projekte, die du demonstrieren kannst, und lerne, wie man Code in reale Systeme integriert und deployt.
  – Aktualisiere dein LinkedIn-Profil, um klar zu kommunizieren, welche Probleme du lösen kannst.

  2. **Getting Paid (Bezahlen lassen):**
  – Bestimme deinen Stundensatz durch Recherche.
  – Nutze dein Netzwerk für warme Einführungen und Gespräche mit Entscheidungsträgern.
  – Erstelle nach dem Gespräch eine detaillierte Projektvorschlag mit Meilensteinen, Lieferobjekten und einer Kostenschätzung.

  3. **Get Good (Besser werden):**
  – Konzentriere dich auf die Verbesserung von Leads, Vertrieb und Lieferung.
  – Baue langfristige Verträge auf, um ein stabiles Einkommen zu sichern.
  – Nutze verschiedene Kanäle wie LinkedIn, YouTube und Freelance-Plattformen, um Leads zu generieren.

  Der Autor betont, dass Freelancing im Tech-Bereich eine sichere und lukrative Möglichkeit ist, ein Geschäft zu starten, und ermutigt die Zuschauer, den ersten Schritt zu wagen.

  **Schluss-Kommentar:**
  Das Video thematisiert Tools wie N8N und Airtable (Low-Code/No-Code-Lösungen) sowie Python und TypeScript (Custom-Code-Lösungen) und richtet sich an Intermediate und Advanced Freelancer, die in den AI- und Datenbereich einsteigen oder ihr Geschäft ausbauen möchten.

David Shapiro

Keine neuen Videos in diesem Zeitraum.

Everlast AI (4 neues Videos)

• “Ihr werdet euer blaues Wunder erleben” Robotik-Professor über China, Humanoide & die Zukunft
  7.5.2026, 15:15:00

  Das Video ist ein Interview mit Alexander von Everlast AI über den aktuellen Stand und die Zukunft der humanoiden Robotik, insbesondere mit Fokus auf den Roboterassistenten Gami der TU München. Die Hauptthemen umfassen die exponentielle Entwicklung der Robotik, die Integration von Visual Language Action Models (VLAs), die Herausforderungen bei der Manipulation und Sensitivität von Robotern, sowie die ethischen und rechtlichen Fragen zur Haftung von KI-Systemen. Alexander betont die Bedeutung von Design und Interaktionsdesign für die Akzeptanz von Robotern in der Gesellschaft und diskutiert die Rolle von Open Source und proprietären Lösungen in der Robotik. Er sieht große Fortschritte in der Simulation und im kollektiven Lernen von Robotern, warnt aber vor den Herausforderungen bei der Absicherung und Haftung. Das Video thematisiert explizit die Modelle und Anbieter wie Nvidia (Omniverse, Kosmos) und betont die Bedeutung von Grundlagenforschung und industrieller Anwendung. Es ist eher für Intermediate und Advanced Zuschauer gedacht, da es tiefgehende technische und ethische Diskussionen enthält.

  Schluss-Kommentar: Das Video thematisiert explizit Nvidia (Omniverse, Kosmos) und ist eher für Intermediate und Advanced Zuschauer gedacht.

• Robotik-Experte: Vergiss Humanoide Roboter! DAS wird wirklich passieren (Dr. Hendrik Susemihl)
  6.5.2026, 15:15:00

  Das Video ist ein Interview mit Dr. Hendrik Susemil, Gründer von Goodbites, einem Unternehmen, das vollautonome Roboterküchen entwickelt. Goodbites produziert täglich über 50.000 Mahlzeiten und hat den Robotics Award 2026 der Hannover Messe gewonnen. Das Unternehmen liefert autonome Roboterküchen an die US Army und ist damit weltweit führend in diesem Bereich.

  Hendrik Susemil diskutiert die Bedeutung von Physical AI, also KI, die einen physischen Körper erhält, und wie diese unseren Alltag grundlegend verändern wird. Er erklärt, warum kochen schwieriger zu automatisieren ist als Fabrikarbeit und wie Goodbites die US Army als Kunden gewonnen hat. Zudem geht er auf die Rolle Deutschlands im globalen Robotik-Rennen ein und betont die Notwendigkeit, risikoreich zu denken und schnell zu handeln, um im Wettbewerb mit den USA und China mithalten zu können.

  Susemil hebt hervor, dass Deutschland zwar technologisch führend ist, aber an der Fähigkeit mangelt, globale Unternehmen aufzubauen. Er betont die Bedeutung von Geschwindigkeit und Experimentierfreude sowie die Notwendigkeit, risikoreich zu denken, um im Wettbewerb mithalten zu können. Er sieht die größten Fehler deutscher Unternehmen darin, zu passiv zu sein und nicht genug zu experimentieren.

  Zusammenfassend lässt sich sagen, dass das Video die Bedeutung von Physical AI und die Rolle Deutschlands im globalen Robotik-Rennen diskutiert. Es betont die Notwendigkeit, risikoreich zu denken und schnell zu handeln, um im Wettbewerb mithalten zu können.

  Das Video thematisiert spezifische Tools und Anbieter wie Goodbites und ist eher für Intermediate und Advanced gedacht.

• Nutze Codex NICHT, bis du dieses Video gesehen hast! (Die ChatGPT-SuperApp)
  5.5.2026, 15:15:00

  Das Video zeigt 34 Tipps und Tricks für die Nutzung von Codex, einer neuen SuperApp von OpenAI, die ChatGPT ersetzen soll. Hier sind die wichtigsten Punkte:

  1. **Grundlagen**: Codex kann wie ChatGPT genutzt werden, bietet aber zusätzliche Funktionen wie direkten Zugriff auf lokale Ordner und Dateien.
  2. **Arbeitsweise**: Codex kann direkt auf lokale Ordner zugreifen und Dateien bearbeiten, was einen großen Vorteil gegenüber ChatGPT darstellt.
  3. **Excel-Tabellen**: Codex kann Excel-Tabellen direkt in lokalen Ordnern erstellen und bearbeiten.
  4. **Design-Anpassung**: Die Oberfläche von Codex kann an individuelle Bedürfnisse angepasst werden, einschließlich Schriftgröße, Farbschema und Schriftart.
  5. **Skills und Plugins**: Codex bietet verschiedene Skills und Plugins, die die Funktionalität erweitern, wie das Erstellen von Word-Dokumenten und PDFs.
  6. **Subagents**: Codex kann mehrere Subagents gleichzeitig nutzen, um komplexe Aufgaben zu bearbeiten und den Kontext zu managen.
  7. **Browser und Computer Use**: Codex kann den Browser und lokale Anwendungen steuern, was die Automatisierung von Aufgaben erleichtert.
  8. **Automatisierungen**: Codex kann Automatisierungen einrichten, um wiederkehrende Aufgaben zu erledigen.
  9. **Chronicle Research Preview**: Eine Funktion, die Erinnerungen und Kontext auf Basis täglicher Workflows baut.
  10. **Open Source**: Codex ist Open Source, was es Nutzern ermöglicht, zusätzliche Funktionen hinzuzufügen.

  Das Video richtet sich an Intermediate-Nutzer und thematisiert explizit Codex, OpenAI und spezifische Tools wie Remotion und Paper.

• KI-News: Codex „Goal” arbeitet TAGELANG, Claude übernimmt ADS, Opus 4.7. gehackt & OpenAI „Goblins”
  3.5.2026, 08:15:00

  Das Video behandelt verschiedene aktuelle Entwicklungen und Trends im Bereich der KI-Technologie. Es beginnt mit der Vorstellung von Project Deal von Enhropic, das den Handel zwischen KI-Modellen ermöglicht und eBay zum Einsturz gebracht haben soll. Zudem wird die neue Zielfunktion Codex Goal vorgestellt, die es ermöglicht, KI-Agenten mehrere Tage autonom arbeiten zu lassen. Neue Features von Gemini und Cloud Code, die direkt in CAD-Software integriert sind, werden ebenfalls erwähnt. Es wird auf das Token-Problem von Cloud Code hingewiesen, das offiziell bestätigt wurde, während OpenAI Codex massiv subventioniert.

  Ein weiterer Schwerpunkt liegt auf der Sicherheit von KI-Systemen. Johann Rehberger, ein bekannter KI-Sicherheitsforscher, zeigt, wie man das Gedächtnis von Cloud Opus 4.7 mit einem ChatGPT-Bild manipulieren kann. Er diskutiert auch Sicherheitslücken in Cloud Cowork und andere Angriffsvektoren.

  Das Video stellt auch das neue Meta CLI vor, das es ermöglicht, Werbeanzeigen komplett über KI-Agenten zu steuern und zu verwalten. Es wird gezeigt, wie man dieses Tool nutzen kann, um Kampagnen zu analysieren und neue Creatives zu erstellen.

  Zudem werden Updates in Microsoft 365 und Open-Source-Alternativen zu amerikanischen KI-Tools wie MicS für den juristischen Bereich vorgestellt. Das Video endet mit einer Diskussion über KI-Jobverluste und die Auswirkungen von AGI auf den Arbeitsmarkt, basierend auf Aussagen von Demis Hasabis und einer Diskussion mit Professor Peromitsicit und Professor Dr. Andreas Moring.

  **Schluss-Kommentar:** Das Video thematisiert OpenAI, Cloud Code, Gemini, Codex und spezifische Tools wie Meta CLI und ist eher für Intermediate und Advanced Nutzer geeignet.

Fireship (2 neues Videos)

• Every operating system concept in one video…
  7.5.2026, 17:32:34

  Das Video erklärt detailliert, wie ein Betriebssystem von dem Moment an, in dem der Stromknopf gedrückt wird, bis zum Herunterfahren funktioniert. Es beginnt mit dem Bootloader, der das Betriebssystem lädt, und geht dann zu den Privilegierungsringen über, die die Rechte des Kernels und der Anwendungen trennen. Virtual Memory wird als ein System beschrieben, das es ermöglicht, dass mehrere Anwendungen parallel laufen, ohne sich gegenseitig zu stören. Der Kernel baut das Dateisystem auf, lädt Gerätetreiber und ermöglicht Interrupts, die es dem System ermöglichen, auf Eingaben zu reagieren. Der Kernel startet dann den ersten Prozess (PID1), der der Vorfahre aller anderen Prozesse ist. Systemaufrufe ermöglichen es Anwendungen, mit dem Kernel zu kommunizieren, und der Scheduler verwaltet die CPU-Zeit für die vielen Prozesse. Threads ermöglichen es Anwendungen, mehrere Aufgaben gleichzeitig auszuführen, und Interprozesskommunikation (IPC) ermöglicht es verschiedenen Prozessen, sicher zu kommunizieren. Schließlich wird der Herunterfahrvorgang beschrieben, bei dem alle Prozesse beendet werden und das System sicher heruntergefahren wird.

  Das Video thematisiert allgemein Betriebssysteme und ihre Komponenten, ohne spezifische Tools oder Anbieter zu nennen, und ist eher für Intermediate oder Advanced Zuschauer geeignet.

• 732 bytes of Python just borked every Linux machine on earth…
  4.5.2026, 18:40:40

  Das Video behandelt eine kritische Sicherheitslücke im Linux-Kernel, bezeichnet als “copy fail” (CVE-2023-31431), die seit 2017 existiert und durch ein AI-Tool entdeckt wurde. Die Lücke ermöglicht es einem lokalen Benutzer, Root-Zugriff zu erlangen, indem es vier Bytes in den Page Cache einer schreibgeschützten Datei schreibt. Betroffen sind alle Linux-Distributionen, die nach 2017 aktualisiert wurden. Die Lücke wurde durch ein Python-Skript ausgenutzt, das das ONC ESN-Protokoll und die AF_AGL-Schnittstelle nutzt. Obwohl die Lücke nicht remote ausnutzbar ist, wird dringend empfohlen, Systeme zu aktualisieren. Das Video erwähnt auch die Rolle von AI bei der Entdeckung von Sicherheitslücken und wirbt für Code Rabbit, ein AI-Tool zur Verbesserung der Codequalität.

  Das Video thematisiert explizit AI-Tools wie das von Theori genutzte AI-Agenten-Tool und Code Rabbit, und ist für Intermediate bis Advanced Nutzer gedacht.

Greg Baugues

Keine neuen Videos in diesem Zeitraum.

IA et Stratégie | Le SamourAI

Keine neuen Videos in diesem Zeitraum.

Julian Ivanov | KI-Automatisierung (2 neues Videos)

• Diese 20 Claude Code Tricks sparen dir Stunden
  7.5.2026, 19:15:23

  Das Video stellt 20 Tricks und Best Practices für die effektive Nutzung von Cloud Code vor, die in verschiedenen Arbeitssituationen helfen sollen. Zu den wichtigsten Tipps gehören:

  1. **Planmodus nutzen**: Vor dem Start eines Projekts oder größeren Änderungen einen Plan erstellen und mit Cloud diskutieren, um Missverständnisse zu vermeiden.
  2. **Fragen stellen**: Cloud gezielt nach Rückfragen bitten, bevor es mit der Arbeit beginnt, um sicherzustellen, dass alle Details geklärt sind.
  3. **Diskutieren statt kommandieren**: Cloud als Sparringspartner behandeln und Probleme offen darlegen, statt fertige Lösungen vorzugeben.
  4. **Autoaccept Modus und Permissions Datei**: Den Autoaccept Modus für effizientere Arbeit nutzen und eine Permissions Datei erstellen, um den Zugriff auf sensible Dateien zu beschränken.
  5. **Voice Input nutzen**: Lange Prompts per Sprachinput eingeben, um Zeit zu sparen und den Kontext besser zu vermitteln.
  6. **Slashinit für Projekteinlernung**: Den Slashinit Befehl nutzen, um Cloud schnell auf ein Projekt einzulernen und ein Projektgedächtnis zu schaffen.
  7. **Cloud MDI pflegen**: Die Cloud MDI Datei aktiv pflegen und wichtige Informationen dort hinterlegen, um Cloud in jeder Session die relevanten Infos zu geben.
  8. **Notbremse und Rewind**: Die Escape Taste nutzen, um Cloud zu stoppen oder zurückzusetzen, falls etwas schiefgeht.
  9. **File Mentions als Shortcut**: Dateien direkt im Chat referenzieren, um Cloud den Zugriff auf wichtige Informationen zu erleichtern.
  10. **Screenshots nutzen**: Bilder oder Screenshots verwenden, um Designs oder Layouts besser zu erklären.
  11. **Selbstkontrolle**: Cloud anweisen, seine eigene Arbeit zu überprüfen, um Korrekturschleifen zu vermeiden.
  12. **Eine Aufgabe pro Session**: Pro Chat nur eine Aufgabe bearbeiten, um das Kontextfenster nicht zu überlasten.
  13. **Befehl/context nutzen**: Den Kontextstatus überprüfen, um zu sehen, was das Kontextfenster belegt und Platz frei zu machen.
  14. **Slashcompact und Slclear**: Das Kontextfenster mit Slashcompact zusammenfassen oder mit Slclear leeren, um Platz zu schaffen.
  15. **Custom Skills**: Regelmäßige Aufgaben in Skills auslagern, um Cloud nicht jedes Mal neu erklären zu müssen.
  16. **Modelle je nach Aufgabe nutzen**: Verschiedene Modelle (HighQ, Sonnet, Opus) je nach Komplexität der Aufgabe einsetzen.
  17. **Hooks für Benachrichtigungen**: Hooks nutzen, um benachrichtigt zu werden, wenn Cloud eine Aufgabe abgeschlossen hat.
  18. **Subagenten und Agent Teams**: Subagenten für tokenintensive Aufgaben und Agent Teams für komplexe, parallele Arbeiten nutzen.
  19. **Ultraathink Keyword**: Bei schwierigen Problemen das Keyword “Ultraathink” verwenden, um Cloud mehr Zeit zum Nachdenken zu geben.
  20. **Worktrees nutzen**: Worktrees für parallele Arbeit an verschiedenen Features eines Projekts nutzen, um Konflikte zu vermeiden.

  Das Video thematisiert explizit Claude (Cloud Code) und ist eher für Intermediate Nutzer gedacht.

• Claude Code war noch nie so einfach!
  3.5.2026, 15:26:48

  Das Video stellt die neuesten Updates der Cloud Code Desktop App von Anthropic vor, die die Nutzung von Cloud Code deutlich verbessert hat. Cloud Code ist ein Tool, das auf dem eigenen Computer läuft und Zugriff auf einen Ordner hat, um Dateien zu erstellen, zu lesen und auszuführen. Bisher konnte Cloud Code in der Desktop App nur begrenzt genutzt werden, aber das Update ermöglicht nun eine viel umfassendere Nutzung. Nutzer können jetzt in der Desktop App direkt mit Cloud Code arbeiten, Dateien anzeigen, bearbeiten und sogar eine Vorschau der erstellten Apps testen. Das Video zeigt, wie man eine Lernkartenapp erstellt, indem man Cloud Code den Zugriff auf einen Ordner gewährt und dann die App beschreibt. Cloud Code plant und erstellt die App automatisch, wobei der Nutzer die Möglichkeit hat, den Plan zu akzeptieren oder anzupassen. Die Desktop App bietet nun auch einen Automodus, in dem Cloud Code Befehle ausführt, die nicht gefährlich sind, und fragt nur bei gefährlicheren Befehlen nach Erlaubnis. Zusätzlich kann der Nutzer die erstellten Dateien anzeigen, bearbeiten und sogar das Terminal öffnen, um weitere Befehle auszuführen. Das Video zeigt auch, wie man mehrere Sessions gleichzeitig nutzen kann und welche Einschränkungen noch bestehen, wie z.B. die Anzeige von Bildern und PDF-Dateien. Insgesamt bietet die Desktop App nun eine viel bessere Übersicht und Funktionalität für die Nutzung von Cloud Code.

  Das Video thematisiert explizit Anthropic’s Cloud Code und ist eher für Intermediate Nutzer gedacht.

Kyle Balmer | AI with Kyle (4 neues Videos)

• How to Prompt AI Better Than Marc Andreessen (A Billionaire)
  8.5.2026, 05:15:03

  # Zusammenfassung

  Der Autor analysiert kritisch Marc Andreessens viral verbreitetes System-Prompt und erklärt, warum dieser aus dem Jahr 2023 stammt und nicht funktioniert.

  **Problematische Aspekte des Andreessen-Prompts:**

  Das Eröffnen mit „Du bist ein Weltklasse-Experte in allen Bereichen” und Aussagen über überlegene intellektuelle Fähigkeiten machen die KI nicht tatsächlich besser – das ist wissenschaftlich widerlegt. Adjektive wie „scharfsinnig” oder „erudiert” ohne konkrete Anweisungen sind wirkungslos. „Niemals halluzinieren” funktioniert nicht, weil das Modell nicht weiß, was es halluziniert (es hat keine indexierte Faktendatenbank, sondern füllt Wissenslücken mit Wahrscheinlichkeiten auf). Die Aufforderung, Antworten so lang und detailliert wie möglich zu machen, führt zu Verschwendung von Tokens und unbrauchbarem Padding.

  **Was funktioniert besser:**

  Der Autor präsentiert sein „RISEN”-Framework (Role, Instructions, Steps/Sequence, End Goal, Narrowing):
  – **Role**: Fokussiert die Antwortweise, macht die KI nicht smarter
  – **Instructions**: Konkrete Verben statt Adjektive („challenge weak assumptions” statt „sei intelligent”)
  – **Steps**: Nötig, wenn ein Prozess folgt; moderne Modelle denken bereits schrittweise
  – **End Goal**: Spezifisch definieren, was Erfolg bedeutet – nicht nur „so lang wie möglich”
  – **Narrowing**: Einschränkungen und Formate am Ende

  Ein überarbeiteter Prompt nach diesem Framework wäre kürzer, präziser und würde bei jedem Durchgang weniger Kontext-Fenster verschwenden. Der Autor unterscheidet zwischen System-Prompts (für Projekte/Custom Instructions, schreiben einmal, verwenden wiederholt) und alltäglichen Gesprächs-Prompts (informell, keine Prompt-Engineering nötig).

  **Praktisch**: Man findet Custom Instructions in ChatGPT unter Account → Personalization → Custom Instructions oder in Claude unter Settings → General → Instructions. Im ChatGPT-Web ist ein vollständiger System-Prompt nur auf Projektebene möglich.

  Der Autor bietet einen Quick-Start-Guide im Newsletter an.

  —

  *Claude und ChatGPT werden als Beispiele durchgehend erwähnt; der Clip analysiert ein virales System-Prompt als Meinung/Reflexion mit praktischen Verbesserungsvorschlägen.*

• The $10Bn Move OpenAI & Anthropic Are Making That You Can Copy
  7.5.2026, 05:30:15

  # Zusammenfassung: Große AI-Labs dringen in Consulting- und Beratungsservices ein

  Am 4. Mai kündigten OpenAI und Anthropic quasi zeitgleich neue Ventures an, um AI in Unternehmen nicht nur als Tools, sondern als integrierte Services zu implementieren. Anthropic arbeitet mit Blackstone, Hellman & Friedman und Goldman Sachs zusammen, OpenAI gründet „The Deployment Company” mit 19 Investoren darunter BCG, McKinsey, Accenture und Capgemini. Das zentrale Modell: AI-Ingenieure werden direkt in Unternehmen entsandt, um Workflows zu verstehen und neu um AI herum zu strukturieren. Der Grund ist das „Jagged Frontier”-Konzept – AI ist nicht überall gleich gut, hat sich aber besonders beim Programmieren verbessert und skaliert nun auf White-Collar-Work allgemein. Eine Harvard-Business-School-Studie zeigte, dass Consultants mit AI 25% schneller arbeiten mit 40% höherer Qualität. Das Playbook folgt der Palantir-Strategie: durch tiefe Systemintegration werden diese Unternehmen unersetzlich.

  **Chancen für Einzelne:** Während die Labs Fortune-500-Unternehmen adressieren, entsteht eine Lücke für Freelancer und kleine Teams, die denselben Service im Mittelmarkt und bei kleineren Firmen anbieten können. Die Strategie ist, Branchenwissen mit AI-Kenntnissen zu kombinieren – exakt das, was die großen Labs lernen. Konkrete Ansätze sind Advisory/Consulting (Retainer-Basis), Implementation (Projektbasis oder interne SaaS), und Education/Content für die eigene Branche. Der einfachste Einstieg sind Workshops (2.000–5.000 Dollar pro Stunde, skaliert auf mehrere Teilnehmer); diese öffnen Türen für weitere Aufträge. Langfristig werden AI-gesteuerte Automatisierungen alle White-Collar-Jobs bedrohen – aber in den nächsten Jahren entsteht für Fachleute mit Branchenkenntnisse ein lukrativer Übergangserlebnis. Eine kostenlose Anleitung findet sich unter aiwithkyle.com/workshop.

  Das Video behandelt explizit OpenAI und Anthropic (Claude) als Anbieter und ist eine Meinung/Reflexion mit stark praktischem Fokus.

• AI Hallucinations Explained: Why They Happen & How to Stop Them
  6.5.2026, 05:00:35

  # AI-Halluzinationen: Ursachen, Beispiele und Lösungsansätze

  Das Video behandelt umfassend, was AI-Halluzinationen sind, warum sie entstehen und wie man damit umgehen sollte.

  **Was sind Halluzinationen?**
  Es gibt zwei Typen: Erstens das vollständige Erfinden nicht existenter Informationen (etwa die Chicago Sun Times, die Bücher von erfundenen Autoren in ihre Leseliste aufnahm). Zweitens die insidiosere Form, bei der wahre Informationen mit Erfundenem vermischt werden – Misszitate, falsch angepasste Zahlen – was schwerer zu erkennen ist, da es näher an der Realität liegt. Hochrangige Institutionen wie Deloitte veröffentlichten Berichte mit erfundenen Fußnoten und Halluzinationen, die an Regierungen verkauft wurden.

  **Wie funktionieren Halluzinationen mechanisch?**
  Large Language Models funktionieren nicht wie Suchmaschinen, die Informationen aus einer Datenbank abrufen. Sie prognostizieren stochastisch das nächste Token basierend auf Trainingsdaten (Milliarden Wörter aus dem Internet, Büchern, Transkripten). Sie lernen Muster, wie korrekte Antworten aussehen, erzeugen aber keine Fakten – sie schaffen probabilistische Wahrscheinlichkeiten. Das ist kein Fehler, sondern das Kernmerkmal von LLMs: Sie sind „Traummaschinen”, wie Andrej Karpathy erklärt. Alles, was ein LLM ausgibt, ist technisch eine Halluzination; nur die Werturteile unterscheiden „gute” (intelligente) von „schlechten” (faktisch falschen) Halluzinationen. LLMs haben deshalb keinen Begriff von wahr oder falsch – sie können nicht lügen, aber Informationen ausgeben, die der Realität nicht entsprechen.

  **Wann sind Halluzinationen wahrscheinlich?**
  – Spezifische Fakten (Zitate, Statistiken, Namen, Daten, Zitationen) – das Modell erfindet diese gern, um hilfreich zu sein
  – Nische Themen mit weniger Trainingsdaten
  – Aktuelle Ereignisse jenseits des Knowledge-Cutoff-Datums
  – Falsche Annahmen: KI stimmt führenden Fragen zu und halluziniert zur Bestätigung der Prämisse

  Statistik: 92 % der Nutzer verifizieren KI-Antworten nicht; 45 % der KI-Responses haben erhebliche Probleme; 34 % der Zeit ist das Modell selbstbewusster, wenn es falsch ist.

  **Praktische Maßnahmen zur Reduktion:**
  1. **Web-Suche aktivieren** – reduziert faktische Fehler um 45 %
  2. **Stärkere Modelle** für wichtige Aufgaben (Claude Opus 4.6/4.7, GPT-5 Pro mit Thinking, Gemini 2.0/3.1 Pro) – diese nutzen Extended Thinking oder Deep Research
  3. **Notebook LM** verwenden – bietet persönliche Retrieval-Augmented Generation (RAG), beschränkt das Modell auf gegebene Quellen
  4. **Besseres Prompting**: statt „Ist das eine gute Idee?” zwei Optionen vergleichen lassen; Quellen spezifizieren und explizit fordern, dass Statistiken verifiziert werden; dem Modell sagen, dass Genauigkeit kritisch ist
  5. **Paid Plans**: kostenlose Modelle sind schwächer und haben oft keine Web-Suche

  **Sind sie zu beheben?**
  Nein – nicht grundlegend. Halluzinationen werden nicht weniger, sondern mehr, wenn Modelle komplexer werden (Reasoning-Modelle). Das liegt daran, dass Halluzination die grundlegende Funktionsweise von LLMs ist. Sie werden bei Faktenfragen besser, weil Modelle Suchtools nutzen können. Die Lösung liegt nicht in der Abschaffung, sondern in besseren Systemen drum herum (Tools, Dokumentenzugriff, Ökosystem-Integration).

  **Schlussfolgerung**: Nutzer müssen umdenken – weg vom Such-Paradigma (Datenbank-Abfrage), hin zu einem Generierungs-Paradigma. Wer versteht, dass LLMs nicht wie intelligentere Suchmaschinen funktionieren, sondern kreativ generieren, wird mit KI erfolgreicher sein.

  —

  **Thematisierte Modelle/Tools**: Claude (Opus), ChatGPT (inkl. GPT-5), Gemini, Notebook LM, Perplexity; **Format**: Meinung/Reflexion mit How-To-Elementen.

• How to Write With AI and Never Get Caught
  5.5.2026, 05:00:05

  # Zusammenfassung: OpenAI bannt Goblins – AI-Erkennungszeichen und Gegenmaßnahmen

  Das Video behandelt, warum OpenAI das Wort “Goblins” (und ähnliche Kreaturen wie Gremlins, Trolle, Waschbären) explizit aus seinen Modellen verbannt hat, und nutzt dies als Anlass, um umfassend zu erklären, wie AI-Schreibmuster entstehen, erkannt und vermieden werden können.

  **Der Goblin-Fall:** OpenAI hat in seinen System Instructions hardcodiert, dass Modelle nicht über Goblins sprechen sollen – es sei denn, es ist absolut relevant. Dies war entstanden, weil die “nerdy personality” in ChatGPT zu einer Verstärkungsschleife führte: Ein “nerdy” Ton war in den Trainingssignalen mit mythischen Wesen verbunden, diese wurden belohnt, tauchten immer häufiger auf und verfestigten sich durchs reinforcement learning selbst.

  **AI-Erkennungszeichen (“tells”) sind Muster wie:**
  – Vokabeln: “delve”, “nuanced”, “tapestry”, “navigate”, “foster”, “leverage”, “pivotal”, “meticulous”, “vibrant”, “robust”, “showcase”, “multifaceted”
  – Struktur: “It’s not X, it’s Y” (negative parallelism), Bulletpoints für kurze Antworten, Markdown-Header, Key Takeaways
  – Ton: Einleitungen wie “Great question”, künstlich geschwollener, bedeutungsschwer wirkender Stil mit leerer Substanz
  – Satzzeichen: Em-Dashes werden übernutzt

  **Die Wikipedia-Ressource:** Wikipedia hat AI-Schreiben gebannt und führt eine 15.000-Wort-Anleitung für Redakteure mit einer umfassenden Liste dieser Zeichen. Sie warnt vor ungebührlicher Betonung von Signifikanz, vagen Attributionen, Superlativierung.

  **Praktische Abwehr (Belt & Braces):**
  1. *Vor dem Schreiben:* Wikipedia-Liste als System Instructions / Custom Instructions ins AI-Modell füttern, um diese Muster von vornherein zu vermeiden. Ein vorkomprimiertes Set namens “Humanizer” bietet vorgefertigte Anweisungen.
  2. *Nach dem Schreiben:* Output gegen die gleiche Checkliste prüfen (als Skill oder Prompt), um Reste zu eliminieren.

  **Über AI-Detektoren:** Der Sprecher betont deutlich, dass automatische AI-Detektoren (TurnItIn, Copyleaks etc.) nicht funktionieren und schaden. OpenAI stellte seinen eigenen Text-Classifier 2023 ein – die Generierungs-Tools entwickeln sich schneller weiter als Erkennungs-Tools. Diese Detektoren benachteiligen systematisch nicht-native English Speaker und werden zunehmend von Universitäten verklagt, weil sie fälschlicherweise Arbeiten als AI flaggen.

  **Bewegliche Ziele:** Diese Zeichen sind nicht statisch. “Delve” war das berüchtigte Wort von 2024, wurde dann explizit aus Modellen entfernt. Em-Dashes wurden von OpenAI “repariert”. Das bedeutet: Wer AI-Schreiben vermeiden will, muss die Liste regelmäßig updaten; wer es erkennen will, muss bei Reddit und LinkedIn üben und Twitter verfolgen.

  **Paradoxon der Disclosure:** 94% der Nachrichtenkonsumenten sagen, Journalisten sollten AI-Nutzung offenlegen – aber 42% vertrauen der Geschichte weniger, sobald sie das Disclosure sehen. In der Praxis: Menschen bemerken häufig keinen Unterschied und konsumieren AI-Inhalte ohne Probleme, wenn nicht explizit offengelegt wird.

  Der Sprecher bietet kostenfrei ein Cheat Sheet und Skill-Dateien für Claude und ChatGPT an, um beide Seiten (AI-Erkennung und AI-Vermeidung) praktisch umzusetzen.

  **Explizit behandelte Anbieter/Modelle:** OpenAI (ChatGPT, Codex), Claude; YouTube-unabhängige praktische Ressource: Wikipedia Signs of AI Writing. **Format:** Deep-Dive/Meinung mit praktischen Anwendungstools, Zielgruppe klar (alle, die AI schreiben oder AI schreiben erkennen müssen).

Leon van Zyl (4 neues Videos)

• I Turned Hermes Agent Into a Coding Agent
  8.5.2026, 11:02:33

  Das Video zeigt, wie man den Hermes Agent als Coding-Agent einsetzt, um eine Web-App zu erstellen und online zu deployen. Der Prozess umfasst die Einrichtung des Hermes Agents auf einem VPS, die Integration mit Telegram für die Kommunikation, die Installation des Vercel CLI-Tools für das Deployment und die Konfiguration der notwendigen Skills für den Agenten. Der Creator testet, ob der Agent in der Lage ist, eine persönliche Portfolio-Seite zu erstellen, indem er Informationen vom YouTube-Kanal des Creators scraped und eine ansprechende Frontend-Gestaltung erstellt. Der Agent erstellt erfolgreich die App, deployt sie auf Vercel und liefert einen öffentlichen URL, der die App in einem Browser öffnet. Zudem wird gezeigt, dass der Agent in der Lage ist, Änderungen an der App vorzunehmen und diese automatisch zu deployen.

  Der Creator kommt zu dem Schluss, dass Hermes als Coding-Agent für einfache Aufgaben und schnelle Dashboards geeignet ist, aber nicht für komplexe Softwareprojekte. Das Video thematisiert explizit Hermes Agent, OpenAI Codex, GPT 5.5, Vercel und Telegram. Es ist eher für Intermediate und Advanced Nutzer gedacht.

• Build Apps with LocalForge: A Free Local Coding Agent
  6.5.2026, 12:25:00

  Das Video stellt das Open-Source-Tool “Honeyfree” vor, das es ermöglicht, Softwareprojekte autonom zu planen und umzusetzen. Der Nutzer beschreibt dem Tool, was er bauen möchte, und es plant die Features, fügt sie zu einem Kanban-Board hinzu und implementiert sie automatisch. Das Tool unterstützt verschiedene Modelle wie Alum Studio und Ollama und kann auch komplexe Aufgaben in kleinere Features aufteilen. Der Nutzer demonstriert die Erstellung einer einfachen To-Do-App und zeigt, wie neue Features hinzugefügt und implementiert werden können. Das Video betont, dass dies mittlerweile mit kostenlosen Modellen möglich ist, was vor einigen Monaten noch nicht der Fall war. Es wird auch erklärt, wie man Modelle wie Qwen 3.6 oder JML4 herunterlädt und in Alum Studio oder Llama Studio verwendet. Der Nutzer empfiehlt, die Kontextfensterlänge der Modelle auf mindestens 64.000 Tokens zu erhöhen, um eine bessere Leistung zu erzielen. Das Video zeigt auch, wie man Local Forge installiert und einrichtet, um Projekte zu erstellen und zu verwalten. Es wird betont, dass kostenlose Modelle zwar gut im Schreiben von Code sind, aber detailliertere Anweisungen für bessere Ergebnisse benötigen. Der Nutzer empfiehlt, ein bezahltes Modell wie Claude zu verwenden, um die Features zu planen, während die kostenlosen Modelle für die eigentliche Implementierung verwendet werden. Das Video endet mit einer Einladung, sich für einen Masterclass-Kurs anzumelden, der den Bau von Anwendungen mit Coding-Agenten lehrt.

  Das Video thematisiert Open-Source-Modelle wie Qwen 3.6 und JML4 sowie Tools wie Alum Studio, Llama Studio und Local Forge. Es ist eher für Intermediate und Advanced Nutzer geeignet, die bereits Erfahrung mit der Nutzung von AI-Modellen und der Entwicklung von Software haben.

• OpenCode Tutorial for Beginners: Setup, Agents, Skills & MCP
  5.5.2026, 12:33:17

  Das Video ist ein Tutorial, das zeigt, wie man mit Open Code, einem Open-Source-AI-Tool, eine Next.js-Anwendung erstellt. Der Prozess beginnt mit der Installation und Einrichtung von Open Code, einschließlich der Verbindung mit verschiedenen AI-Modellen und Providern, sowohl kostenlosen als auch kostenpflichtigen. Der Tutorial zeigt, wie man Agentenfähigkeiten wie Frontend-Design und Next.js-Skills hinzufügt, um die Qualität der generierten Code zu verbessern. Es wird auch demonstriert, wie man Memory-Dateien und Design-Systeme verwendet, um die Konsistenz und Effizienz des Agenten zu erhöhen. Der Tutorial geht weiter mit der Erstellung einer Anwendung, die es Benutzern ermöglicht, eine grobe Idee ihrer App einzugeben und einen detaillierten Projektplan zu erhalten. Der Agent verwendet Subagenten, um Aufgaben parallel auszuführen und den Hauptkontext zu schützen. Am Ende wird die Anwendung getestet und verbessert, wobei der Agent die UI komplett überarbeitet und automatisierte Tests durchführt. Das Video ist für Intermediate und Advanced Nutzer geeignet, die sich für AI-gestützte Coding-Tools interessieren.

  AI-Tools/Modelle/Anbieter: Open Code (Open-Source), OpenAI, Anthropic, Gemini, OpenRouter, BigPikko, HY3, Minimax, Nvidia, Vercel, Cintra AI.

• I Built a Full App Using Only Cursor AI
  4.5.2026, 11:01:35

  In diesem Video wird ein AI-gestützter YouTube-Zusammenfasser mit dem Tool Cursor entwickelt. Der Prozess beginnt mit der Erstellung einer Benutzeroberfläche, die eine YouTube-URL entgegennimmt und eine Zusammenfassung des Videos liefert. Die Anforderungen umfassen eine kurze Zusammenfassung (TLDR), fünf bis acht wichtige Punkte, eine “Watch these moments”-Sektion mit Zeitstempeln und Beschreibungen, sowie den Original-Link des Videos.

  Der Creator verwendet Cursor und entscheidet sich für das Composer 2-Modell, um das Projekt zu scafolden. Er installiert Next.js und die Shad cn-Bibliothek für die Benutzeroberfläche. Mit Hilfe von Cursor’s Agenten wird eine grundlegende Benutzeroberfläche erstellt, die die Anforderungen erfüllt. Anschließend wird die Funktionalität hinzugefügt, um das Transkript eines YouTube-Videos abzurufen, wobei die YouTube Transcript API verwendet wird.

  Für die AI-gestützte Zusammenfassung wird die AI SDK von Cursor genutzt, um strukturierte Daten zurückzugeben. Der Creator entscheidet sich für das Modell “anthropic/claud-2” von OpenRouter und integriert den API-Key in eine .env-Datei. Der Agent generiert dann die Zusammenfassung, die TLDR, die wichtigsten Punkte und die empfehlenswerten Momente aus dem Transkript.

  Das Video thematisiert explizit die Tools Cursor, Composer 2, Next.js, Shad cn, YouTube Transcript API, AI SDK, und OpenRouter. Es ist eher für Intermediate und Advanced Nutzer geeignet.

Liam Ottley

Keine neuen Videos in diesem Zeitraum.

Mark Kashef (2 neues Videos)

• Build Your Agentic OS Better Than The 99%
  9.5.2026, 20:00:14

  Das Video behandelt die praktische Umsetzung und Optimierung von agentenbasierten Betriebssystemen (Agentic OS) wie Open Claw, Hermes oder Claude Code, um echten geschäftlichen Nutzen zu erzielen. Der Fokus liegt auf der oft vernachlässigten “Drecksarbeit” hinter den Kulissen, die notwendig ist, um solche Systeme effektiv einzusetzen. Der Autor betont die Bedeutung der Datenbereitschaft und -organisation, bevor man sich mit Dashboards oder schönen Funktionen beschäftigt.

  Wichtige Punkte sind die Nutzung von Skills (sowohl projektbezogen als auch global), Hooks (Ereignisbasierte Automatisierungen) und Claude MDs (als zentrale Steuerungsdokumente). Der Autor stellt ein Tool namens “Skill/Silver Platter” vor, das dabei hilft, Daten zu organisieren und zusammenzufassen, um die Analysefähigkeiten der Agenten zu verbessern. Es werden auch taktische Tipps gegeben, wie man Integrationen und APIs effektiv nutzt, um die Systeme zu optimieren.

  Das Video zeigt drei Fallstudien (Marco, Sally und Dr. Sana Anwar), die veranschaulichen, wie die beschriebenen Methoden in verschiedenen Branchen und Geschäftsmodellen angewendet werden können. Der Autor betont die Wichtigkeit, Agenten gezielt einzusetzen und kontinuierlich zu verbessern, ähnlich wie man Mitarbeiter in einem Unternehmen schult und entwickelt.

  Am Ende wird das Tool “Skill/Silver Platter” zum Download angeboten und auf einen Kurs verwiesen, der tiefer in die Materie einsteigt.

  Das Video thematisiert explizit Claude Code und ist eher für Intermediate bis Advanced Nutzer geeignet, die bereits erste Erfahrungen mit agentenbasierten Systemen haben.

• This Claude Code Setup Runs My Entire Business
  3.5.2026, 19:00:21

  Das Video zeigt eine detaillierte Demonstration eines selbstgebauten AI-Operating-Systems (AIOS), das der Ersteller für sein Geschäft nutzt. Das System besteht aus einer Vielzahl von Agenten, die jeweils spezifische Aufgaben und Expertisen abdecken. Der Kern des Systems ist ein “Hive Mind”, der als gemeinsamer Speicherzustand dient und die Aktivitäten und das Wissen der Agenten visualisiert. Der Ersteller zeigt verschiedene Ansichten und Funktionen des Systems, darunter eine 3D- und 2D-Graphikansicht, eine Liste aller Aufgaben und eine “War Room”-Funktion für den Austausch mit den Agenten über Text und Stimme.

  Ein praktisches Beispiel ist die Nutzung eines Meta-Agenten, der mit der Meta Command Line Interface verbunden ist, um Werbeleistungen zu analysieren und Berichte zu erstellen. Das System ermöglicht auch die Automatisierung von Aufgaben und die Erstellung von Erinnerungen. Der Ersteller betont, dass das System auf einer soliden Datenorganisation basiert und dass die Implementierung Zeit und Iteration erfordert. Er bietet Ressourcen und eine Carbon-Copy-Version seines Systems an, die über einen Link in der Videobeschreibung zugänglich sind.

  Schluss-Kommentar: Das Video thematisiert explizit Claude, OpenAI (Cloud Code), Gemini und spezifische Tools wie Telegram, Discord, Slack, Loom und SQLite. Es ist eher für Intermediate und Advanced Nutzer gedacht.

Matt Pocock (1 neues Video)

• Burn through the backlog from hell with /triage
  7.5.2026, 15:00:43

  Das Video stellt ein Tool namens “Triage” vor, das speziell für die Bearbeitung von GitHub Issues und anderen Backlogs entwickelt wurde. Es hilft dabei, unstrukturierte Ideen und Bug Reports in klare, actionable Tasks zu verwandeln, die von AFK-Agents (autonomen KI-Agenten) bearbeitet werden können. Das Tool nutzt ein State-Machine-System mit zwei Kategorien (Bug und Enhancement) und fünf Zuständen (z.B. “needs triage”, “ready for agent”, “won’t fix”), um jeden Issue klar zu klassifizieren. Der Nutzer kann damit einzelne Issues oder den gesamten Backlog durchgehen, um sie zu kategorisieren und bei Bedarf direkt zu bearbeiten. Das Video zeigt eine Live-Demo, in der der Ersteller das Tool auf seinem eigenen Repository “Sank Castle” anwendet, um Issues zu triagieren und sogar direkt zu beheben. Dabei wird auch die Integration mit anderen Skills, wie dem “Diagnose”-Skill, demonstriert, der automatisch Bugs reproduziert und behebt. Das Tool ist darauf ausgelegt, die Zusammenarbeit zwischen menschlichen Entwicklern und KI-Agenten zu erleichtern, indem es eine klare Struktur für die Aufgabenverwaltung bereitstellt.

  Das Video thematisiert explizit die Nutzung von Claude und ist eher für Intermediate oder Advanced Nutzer gedacht, die bereits Erfahrung mit GitHub, Backlog-Management und der Arbeit mit KI-Agenten haben.

Melvynx (4 neues Videos)

• Zed AI Agents : La nouvelle feature Zed qui change TOUT
  8.5.2026, 16:10:57

  # Zusammenfassung: Z – Neue Features und Agent-Integration

  Das Video präsentiert bedeutende Updates für Z, einen Code-Editor mit neuer AI-Agent-Integration. Die Hauptneuerung ist das **ACP-Protokoll (Agent Client Protocol)**, das es ermöglicht, eigene AI-Agenten direkt in Z zu nutzen, statt Z’s eigenem kostenpflichtigen Abonnement. Dadurch können Nutzer ihre bestehenden Abonnements von Anbietern wie Codex, Cursor und Claude direkt in Z verwenden.

  Im Chat-Interface kann man zwischen verschiedenen Agenten wechseln – beispielsweise von Codex zu Cursor oder Claude – ohne Z zu verlassen. Jeder Agent lädt sein spezifisches Modell (z.B. GPT-4.5 bei Codex, Composer 2 bei Cursor) und antwortet über die jeweilige API des Providers. Über die ACP Registry können zusätzliche Agenten wie Cline, Cortex Code und andere hinzugefügt werden.

  Die zweite große Neuerung ist **Multi-Repository-Support**: Man kann mehrere Projekte gleichzeitig in verschiedenen Work-Trees öffnen und zwischen ihnen wechseln. Für jeden Repo können separate Chat-Sessions geöffnet werden. Der Chat zeigt eine “Follow”-Funktion, die live die Dateiänderungen während der Agent-Arbeit nachverfolgt.

  Z bleibt dabei ein vollwertiger IDE mit Terminal- und Dateiverwaltung. Der Moderator lobt die native Rust-Implementierung für Geschwindigkeit und Responsivität, bemängelt aber gelegentliche Performance-Probleme und hohen RAM-Verbrauch, wenn mehrere Fenster offen sind (beispielsweise 19 GB für Codex gleichzeitig).

  **Demo mit Cursor, Codex und Claude; Thema: Z mit ACP-Protokoll für Agent-Integration.**

• Les DEVS sont inutiles ? Voici des CHIFFRES (preuves) qui montrent l’inverse
  7.5.2026, 15:45:02

  # Zusammenfassung: Die KI-Apokalypse ist ein Marketing-Mythos

  Der Youtuber Melvin referenziert ausführlich einen Artikel von David George (Anazinovosti-Fonds vom 6. Mai), der die verbreitete Angst vor massivem Jobverlust durch KI als unbegründet kritisiert.

  ## Die zentrale These

  Die “Apocalypse des Arbeitsplatzes durch KI” ist eine Neuauflage des ökonomischen Sophismus der **”fixed stock of labour”** – der Annahme, es gebe eine festgelegte Anzahl von Arbeitsplätzen, die durch Automatisierung einfach verschwinden. Das ist historisch falsch.

  ## Historische Evidenz gegen die Doom-Narrative

  **Landwirtschaft**: Im frühen 20. Jahrhundert waren über 60% der Arbeitsplätze in der Landwirtschaft. Traktoren hätten die Arbeitslosigkeit katastrophal verschärfen sollen – stattdessen versechsfachte sich die Agrarproduktion, die Bevölkerung vervierfachte sich, und die Preise für Grundnahrungsmittel sanken um zwei Drittel. Arbeiter flossen in neue Sektoren ab (Fabriken, Büros, Services).

  **Elektrifizierung**: Die Elektrizität reorganisierte Fabriken vollständig, schuf ganz neue Konsumgüterkategorien. Zwischen dem ersten Elektromotor und messbaren Produktivitätsgewinnen lagen über 100 Jahre. 1930 verdoppelte sich die Arbeitsproduktivität, aber nicht durch weniger Jobs – durch mehr Produktion, mehr Verkäufe, mehr Geschäftstätigkeiten.

  **Autos**: Preisverfälle führten zu Explosionen in Produktion *und* Beschäftigung gleichzeitig.

  **Tabellenkalkulationen (Excel/Visicalc)**: Sie verdrängten Buchhalter, schafften aber 1,5 Millionen neue Finanzanalystenpositionen – Nettogewinn von 500.000 Arbeitsplätzen.

  **Reiseagenten**: Die Anzahl halbierte sich durch Technologie, aber die verbliebenen Agenten verdienen deutlich mehr, und neue Dienstleistungskategorien entstanden (Coaching, Betreuung, Luxusservices), die durch höhere Einkommen finanziert wurden.

  ## Das Jeevons-Paradox

  Wenn Inputs (Intelligenz) billiger werden, sinken die Kosten, die Qualität steigt, die Geschwindigkeit steigt – und die Nachfrage *explodiert*. Die Wirtschaft bleibt nicht statisch. Neue Produkte entstehen, neue Nachfrage folgt. Das führt zu neuen Arbeitsplätzen, oft in völlig unerwarteten Branchen.

  ## Der Arbeitsmarkt verschiebt sich, verschwindet nicht

  Der Artikel zeigt: Sektoren, die 1850 dominant waren (Landwirtschaft, Transport, Energie), wurden von noch größeren abgelöst (Information, Technologie, Kommunikation). Jeder Sektor war nicht so dominant wie sein Vorgänger, aber das Gesamtvolumen der Wirtschaft wuchs massiv.

  ## Aktuelle Daten zur KI

  – **90% der Befragten Unternehmen berichten**: Keine signifikanten Auswirkungen auf Gesamtbeschäftigung in den letzten 3 Jahren.
  – **Goldman Sachs-Analyse**: Berufe mit hohem Substitutionsrisiko (Telefonoperator, Sachbearbeiter) sind marginal; aber Designer, Entwickler, Kreativberufe sind *nicht* auf der Hochrisiko-Liste.
  – **Augmentation überwiegt Substitution**: In Earnings Calls wird KI-als-Augmentation etwa 8x häufiger erwähnt als Substitution.
  – **Software-Entwickler**: Die Nachfrage ist seit Anfang 2025 sprunghaft angestiegen – zeitlich genau mit der Verbreitung von KI-Agents und Code-Tools wie Claude Code.
  – **Product Manager**: Offene Stellen steigen kontinuierlich und sind höher als 2022.

  Der Datentrend zeigt: Umverteilung von Arbeitsplätzen, nicht generalisierte Arbeitslosigkeit. Rollen, die KI augmentiert (analytisch, technisch, Management), wachsen; routinemäßige, administrative Rollen schrumpfen.

  ## Warum die Doomers scheitern

  Sie konzentrieren sich auf Taskersatz und ignorieren:
  1. **Neue Grenzziehungen**: Die meisten heute existierenden Jobs gab es 1940 nicht.
  2. **Menschliche Ambitionen frieren nicht ein**: Wenn Arbeit billiger wird, verschieben Menschen ihre Ziele zu höherwertigen Problemen.
  3. **Wohlstands-Spillover**: Wenn es Gewinner gibt, geben sie Geld aus – neue Dienstleistungen entstehen (Coaching, Tierpflege, Nägel, Bildung).
  4. **Robotik-Boom**: KI eröffnet völlig neue Industrien (Robotics, KI-Datensätze), die vorher unmöglich waren.

  ## Praktische Perspektive: Developer

  Der Youtuber teilt auch die These eines anderen KI-Youtubers (Defun Intelligence): Die aktuelle Euphorie um KI-Code-Tools führt zu einem kurzfristigen “Durchbruch” – viele nicht-technische Personen versuchen Projekte zu starten. Sie werden aber feststellen, dass die letzten 20% (Qualität, Wartbarkeit, Skalierung, Produktionsreife) extrem schwer sind ohne echte Developer. Dies wird zu *erhöhter* Nachfrage nach guten Entwicklern führen, nicht zu weniger.

  —

  **Format & Kontext**: Der YouTuber rezensiert und kommentiert einen akademischen/VC-Artikel (Deep-Dive/Rezension), mit Fokus auf Datenvalidation gegen die weit verbreitete “KI zerstört Jobs”-Narrative. Keine konkreten KI-Tools oder Anbieter außer Claude Code erwähnt.

• Codex App ou Claude App : laquelle tu dois utiliser maintenant (comparatif 2026)
  5.5.2026, 16:00:51

  # Vergleich: Codex vs. Cloud Code – Zwei AI-Coding-Interfaces im Praxis-Test

  Der Creator hat sich von seiner früheren Überzeugung, dass Terminals die beste Lösung seien, abgewandt und nutzt jetzt vermehrt die grafischen Anwendungen Codex und Cloud Code. In diesem Video vergleicht er beide Lösungen anhand konkreter Workflows beim Hinzufügen einer YouTube-Video-Funktion zu einer E-Mail-Kampagnen-Anwendung.

  **Kernerkenntnis zur Nutzung:** Während er früher einzelne Claude-3-Instanzen über das Terminal nutzte, startet er inzwischen 5–10 parallele Aufträge über verschiedene Projekte verteilt, teilweise mit Aufgaben, die 25+ Minuten dauern. Hier zeigt sich der Vorteil dieser Interfaces: mehrere Chat-Sessions nebeneinander mit übersichtlichem Status.

  **Hauptunterschiede:**

  *Codex hat Vorteile bei:* Entwickler-Features (Sub-Agent-Übersicht mit Namen, PR-Management mit Direct-Links, Git-Actions direkt in der UI, Browser-Preview mit Port-Übersicht, Terminal-Splitting, Message-Queuing für Feedback ohne Unterbrechung). Die Modell-Auswahl ist intuitive (Intelligenz vs. Speed). Workflows werden besser befolgt. Performance ist schneller (29 min vs. 40+ min für denselben Task).

  *Cloud Code:* Simpler, aber auch sparsamer in Features. Keine direkten Git-Actions-Buttons, Preview ist klein und in der Sandbox isoliert (GitHub-Login funktioniert nicht). Weniger UX-Klarheit beim Arbeiten mit Work Trees. Allerdings: solide Grundfunktionalität, bessere Modell-Qualität im Denken (kreative Lösungen), und der Creator nutzt Cloud immer noch parallel wegen des bestehenden Abos.

  **Spezialfeatures:** Environments (Work-up/Work-down-Scripts zum Duplizieren von DBs), Skill-Management mit Slash-Kommandos, Auto-Review durch Sub-Agents, Monitoring von PRs mit geplanten Checks.

  **Fazit des Creators:** Codex ist „drei Längen voraus” bei der Developer-Experience. Cloud Code wird zunehmend „normie-friendly” statt power-user-freundlich. Er nutzt beide, favorisiert aber die Codex-Oberfläche, auch wenn er Cloud-Modelle inhaltlich oft besser findet.

  **Vergleichsvideo zu Codex, Cloud Code (Anthropic) — Demo/Meinung, mit Fokus auf Developer-Ergonomie und Workflow-Integration.**

• Claude met fin à la fête : les développeurs s’énervent (sont-ils méchants ?)
  4.5.2026, 17:18:07

  # Zusammenfassung: Der Wechsel von Claude zu OpenAI bei AI-Entwicklung

  Der Videoersteller beobachtet einen fundamentalen Stimmungswechsel in der AI-Entwickler-Community: Während Anthropic zunehmend unbeliebt wird, gewinnt OpenAI an Gunst. Die Gründe sind konkret nachvollziehbar.

  **Anthropics problematische Moves:**
  Anthropic hat die Nutzung von Open-Source-Modellen (wie Open-Clow und Hermes) mit dem Cloud-Abonnement offiziell unterbunden. Das trifft Entwickler hart, da diese Tools enorme Mengen an Tokens verbrauchen – der Videoersteller hätte ohne die Flatrate etwa 1.429 Dollar zahlen müssen, während er monatlich 100 Dollar bezahlt. Zusätzlich werden Nutzern, die Token-Limits umgehen wollen, automatisch in kostenpflichtiges „extra usage” verschoben. CEO Andrew Damodei verbreitet zudem drastische Aussagen, wonach AI 50 Prozent aller White-Collar-Jobs in 1-5 Jahren vernichten könnte – eine Rhetorik, die Entwickler abschreckt. Intern hat Anthropic eine strikte Geheimniskultur (vergleichbar mit Apple), die über Techniken spricht (z.B. ein rot-team-Blog mit schlechtem Responsive Design).

  **OpenAIs gegenläufiger Kurs:**
  Sam Altman von OpenAI formuliert eine gegensätzliche Vision: „Wir wollen Tools schaffen, die Menschen erheben und emanzipieren, nicht durch Entitäten ersetzen.” Praktisch bedeutet das: OpenAI erlaubt Entwicklern, ihre ChatGPT-Abonnements mit Code-Tools zu nutzen, setzt Token-Limits regelmäßig zurück und kommuniziert weniger angsteinflößend. GPT-4.5 ist nach aktuellen Benchmarks das intelligenteste verfügbare Modell für Coding und kostet nicht mehr als Claudes Opus-Modell.

  **Marktdynamik:**
  Der Videoersteller analysiert, dass OpenAI zunächst auf Massenmarkt setzte (Chat-GPT für Normis), während Claude die Developer fokussierte und diese gewann. Jetzt hat OpenAI erkannt, dass Developer der Schlüssel sind, und schwenkt um – mit spürbar höherer Token-Großzügigkeit und besseren Preisen als Claude. Der Videoersteller selbst nutzt inzwischen wieder ein ChatGPT-Abo und stellt fest, dass Claudes Limits deutlich schneller erreicht werden.

  **Persönliche Nutzung:**
  Der Videoersteller arbeitet jetzt mit beiden Systemen parallel (sowie einem dritten Tool namens Z) und verwaltet die Interaktion nicht über Terminal, sondern via GUI, da die Menge an parallelen Chats handlicher so zu bewältigen ist.

  **Format:** Meinung/Reflexion mit konkreten Datenbeispielen; explizit behandelt: Claude/Anthropic, OpenAI, GPT-4.5, Open-Clow, Code-Agenten, Token-Limits, Cloud-Abonnements.

n8n (1 neues Video)

• How we use n8n: Sindhuja, product leader
  4.5.2026, 14:17:20

  Das Video ist ein Interview mit Sindhuja, einer Product Managerin im AI-Team von n8n. Sie erzählt von ihrem beruflichen Werdegang, der sie von einer Ingenieurin über die Gründung einer EdTech-Firma zu n8n geführt hat. Bei n8n hat sie zunächst die Adoption und Retention von Nutzern verbessert, bevor sie in das AI-Team wechselte, um die Nutzung von KI für die Vereinfachung von Workflows zu vorantreiben. Sie spricht über die Entwicklung eines Instance-level MCP, der es Nutzern ermöglicht, n8n von verschiedenen Plattformen aus zu nutzen, und betont die Bedeutung der Community-Feedback. Zudem nutzt sie n8n selbst für persönliche und berufliche Workflows, einschließlich eines AI-Assistenten innerhalb des Produkts. Sie sieht die Zukunft von n8n in der Kombination von Kreativität und Zuverlässigkeit, um die Automatisierung für alle zugänglich zu machen.

  Das Video thematisiert explizit das Tool n8n und ist eher für Intermediate oder Advanced Nutzer gedacht.

Nate Herk | AI Automation (7 neues Videos)

• This is The Most Powerful Tool to Give to Claude Code
  9.5.2026, 01:55:16

  Das Video stellt das Tool **Printing Press** vor, eine CLI-Factory und -Bibliothek, die es ermöglicht, effiziente Command-Line-Interfaces (CLIs) für verschiedene Dienste zu erstellen und zu nutzen. Der Vortragende demonstriert, wie CLIs im Vergleich zu APIs und MCPs (Multi-Tool Chains) Vorteile bieten, insbesondere in Bezug auf Token-Effizienz und Integration in Agenten-Workflows. Printing Press bietet eine Bibliothek mit über 50 vorgefertigten CLIs und eine Factory zum Erstellen eigener CLIs. Der Vortragende zeigt, wie er in wenigen Minuten eine CLI für eine Schulcommunity ohne API erstellt hat, und erklärt die Vorteile von CLIs gegenüber APIs und MCPs, wie z.B. geringere Token-Nutzung und bessere Integration in Agenten-Workflows. Er demonstriert auch, wie man vorgefertigte CLIs aus der Bibliothek nutzt, z.B. für ESPN, um NBA-Spiele abzurufen, und wie man eigene CLIs erstellt, z.B. für Hacker News. Der Vortragende betont, dass CLIs die beste Option für Agenten sind, gefolgt von APIs und dann MCPs. Er zeigt auch, wie man erstellte CLIs mit dem Team teilen kann, indem man sie in einem privaten GitHub-Repository hostet. Am Ende betont er die Bedeutung von CLIs für die effiziente Nutzung von Agenten und die Möglichkeit, fast alles in eine CLI umzuwandeln.

  Das Video thematisiert explizit das Tool **Printing Press** und ist für **Intermediate** Nutzer gedacht, die bereits Erfahrung mit APIs und Agenten-Workflows haben.

• Overwhelmed By AI? Just Copy My Tech Stack
  8.5.2026, 01:38:26

  Der YouTuber stellt seine persönliche Auswahl an AI-Tools vor, die er täglich, wöchentlich oder gelegentlich nutzt, und teilt seine Gedanken dazu, wie man mit der schnellen Entwicklung und der Fülle an neuen Tools umgehen kann, ohne sich überfordert zu fühlen. Er beginnt mit seinen “daily drivers” (S-Tier), darunter CloudCode (sein Hauptwerkzeug), VS Code (als IDE für CloudCode) und Glydo (für Sprach-zu-Text-Transkription). Im A-Tier erwähnt er Tools, die er wöchentlich nutzt, wie Codex (ein weiteres Agenten-Tool), Claude (für Chat-basierte Aufgaben), Hermes Agent (für allgemeine Wissensarbeit), Perplexity (für Recherche) und Groq (für spezifische Suchaufgaben). Er betont, dass sein Kern-Stack aus diesen wenigen Tools besteht, obwohl es viele weitere Tools gibt, die er gelegentlich oder für spezifische Aufgaben nutzt. Der YouTuber spricht auch über seine “specialists” (B-Tier), die er für bestimmte Aufgaben verwendet, wie Appify, GBT Image 2, Nano Banana 2, Key.ai und HeyGen. Im C-Tier erwähnt er Tools, die er experimentell nutzt, wie Gemini, Anti-Gravity, Ollama und Manifold. Er hat auch eine Kategorie “graduated” für Tools, die er nicht mehr nutzt, wie ChatGPT, Open Claw, Cursor, Notebook LM, Poppy AI, Anytten und WhisperFlow. Der YouTuber teilt seine Gedanken zur Effizienz und Produktivität, betont die Bedeutung, sich auf das Wesentliche zu konzentrieren und nicht von neuen Tools abgelenkt zu werden. Er rät, Tools als “Harnesses” zu betrachten, die in bestehende Projekte integriert werden können, und betont die Wichtigkeit, sich auf die eigenen Ziele (North Star) zu konzentrieren und nur Tools zu nutzen, die tatsächlich einen Mehrwert bieten.

  Das Video thematisiert explizit mehrere AI-Tools und -Modelle, darunter CloudCode, VS Code, Glydo, Codex, Claude, Hermes Agent, Perplexity, Groq, Appify, GBT Image 2, Nano Banana 2, Key.ai, HeyGen, Eleven Labs, Cloud Design, Gemini, Anti-Gravity, Ollama, Manifold, ChatGPT, Open Claw, Cursor, Notebook LM, Poppy AI, Anytten und WhisperFlow. Das Video ist eher für Intermediate und Advanced Nutzer gedacht, die bereits Erfahrung mit AI-Tools haben und ihre Workflows optimieren möchten.

• Claude Just Solved Session Limits
  7.5.2026, 01:33:43

  # Zusammenfassung

  Anthropic kündigte eine Partnerschaft mit SpaceX an, die ihre Rechenkapazität erheblich erhöht und zu unmittelbaren Verbesserungen der Nutzungslimits führt: Die 5-Stunden-Rate-Limits für Claude Code werden verdoppelt (für alle Abo-Stufen), die Drosselung während Spitzenlastzeiten für Pro- und Max-Konten entfällt, und die API-Rate-Limits für Opus werden deutlich erhöht (Input-Tokens pro Minute von 30k auf etwa 35k, Output-Tokens pro Minute von 8k auf 80k). Diese Änderungen adressieren Monate andauernder Überlastungsprobleme, die Nutzer beim Erreichen von Limits frustriert haben.

  Die SpaceX-Partnerschaft bringt 300 Megawatt Kapazität und über 220.000 Nvidia-GPUs. Anthropic hat zudem Vereinbarungen mit Amazon, Google, Broadcom, Microsoft, Nvidia und Fluid Stack getroffen. Ein langfristiger Plan zeichnet sich ab: Anthropic und SpaceX interessieren sich für die Entwicklung von Mehrere-Gigawatt-Orbital-AI-Rechenkapazität (GPUs im All), weil terrestrische Compute-Ressourcen durch Stromverbrauch, Wasserbedarf und Kühlinfrastruktur langfristig an Grenzen stoßen.

  Für Entwickler bedeutet das: Workflows, die früher an Rate-Limits scheiterten, lohnen sich zu überprüfen; Opus kann jetzt häufiger genutzt werden, statt auf Haiku/Sonnet auszuweichen; das 1-Millionen-Token-Kontextfenster wird in Produktionsumgebungen praktikabel; Cloud Code kann für regelmäßig ausgeführte Workflows statt nur für Prototypen genutzt werden; Multi-Agent-Workflows mit mehreren parallelen Agenten werden machbar.

  Claude Code scheint Anthropics Flagship-Produkt zu sein, weshalb dieses in den Ankündigungen Vorrang vor API-Features hatte. Längerfristig signalisiert Anthropic damit, dass Compute für die nächsten 5+ Jahre zentral ist, und investiert auch in Vertrauen bei lokalen Gemeinschaften rund um ihre Rechenzentren.

  **Explicit thematisiert: Claude, Anthropic, SpaceX, Opus, Haiku, Sonnet, sowie Anbieter-Partnerschaften (Amazon, Google, Microsoft, Nvidia); Format: Meinung/Reflexion mit News-Update-Elementen.**

• Master 97% of Codex in 1 Hour (full course)
  6.5.2026, 01:21:13

  # Zusammenfassung: Codeex – Vollständiges Tutorial vom Anfänger bis zur Automation

  Codeex ist eine Desktop-App, die ChatGPT-Modelle mit lokalen Dateizugriffen und Agenten-Funktionalität verbindet – ähnlich der Struktur von Claude Code, nutzt aber OpenAI-Modelle statt Claude. Der Hauptunterschied zu Web-ChatGPT: Codeex kann nicht nur chatten, sondern auch lokal Dateien lesen/schreiben, Excel-Sheets bearbeiten, Automationen ausführen und Websites/Apps bauen.

  **Interface & Grundkonzepte:**
  Das Layout hat Projekte und Chats auf der linken Seite wie Claude Code. Du kannst Modelle wählen (GPT-5.5, GPT-5.4), Geschwindigkeit und Intelligenz (Low bis Extra High) einstellen. Ein „Haustier” unten zeigt den aktuellen Status an. Ein agents.md-File (wie claw.md in Cloud Code) dient als Onboarding-Dokument für jeden Chat.

  **Praktisches Projekt: YouTube-Analytics-Dashboard**
  Der Creator baut von Null ein vollständiges System:

  1. **YouTube-Verbindung:** Statt vorgefertigter Plugins nutzt er Plan Mode, um Codeex zu fragen, wie YouTube-Kommentare zu ziehen sind. Codeex schlägt Google Cloud API vor, erklärt Schritte, und führt dann die Konfiguration aus (env.local-Datei, API-Schlüssel).

  2. **Skill erstellen:** Nach erfolgreicher Datenanalyse (200 Kommentare in Excel mit Patterns, Tools-Erwähnungen, Content-Ideen) wandelt Codeex das automatisch in eine wiederverwendbare Skill um – eine Markdown-Datei mit Anweisungen, die jederzeit abrufbar ist (/slash-Kommando).

  3. **Dashboard bauen:** Mit GPT-Image-2-Integration generiert Codeex UI-Konzepte, baut dann ein React-Dashboard auf Localhost mit Charts, Insights, Links zu Kommentaren – mit automatischen visuellen Überprüfungsschleifen.

  4. **Deployment:** GitHub-Repository + Vercel – Codeex pusht Code zu GitHub, Vercel deployed automatisch, jede Änderung geht live.

  5. **Automation (Scheduling):** Wöchentliche Routine jeden Sonntag 17 Uhr – Codeex führt Skill aus, aktualisiert Excel, pusht zu GitHub, Vercel deployt neu – alles ohne Benutzereingriff.

  **Browser Use & QA:** Codeex kann interaktiv UI testen – klickt Buttons, sucht Bugs, dokumentiert Probleme (z.B. externe YouTube-Links öffnen nicht richtig).

  **Wichtige Mindset-Shifts:**
  – Plan Mode zuerst verwenden, um Schritte zu besprechen, bevor ausgeführt wird
  – Fehler als „goldenes Wissen” behandeln – in agents.md speichern, damit sie nicht wiederholt werden
  – Skills und Automationen sind nicht perfekt beim ersten Mal; iterativ verbessern
  – Context Window im Auge behalten (unten angezeigt), Model-Auswahl bedenken (Extra High kostet mehr Tokens)
  – Permissions: Default vs. Full Access je nach Vertrauenslevel
  – Nicht alle Tools brauchen native Plugins – APIs und curl-Requests funktionieren auch

  **Integration mit anderen Tools:**
  Lokale Projektstruktur ermöglicht Mix & Match: Claude Code kann in derselben Ordnerstruktur arbeiten, Cloud Code ebenso – nur agents.md vs. claw.md benennen und ggf. anpassen. Codeex und Cloud Code haben unterschiedliche Stärken: Claude besser für Brainstorming/Planung, Codeex pragmatischer beim Ausführen und Troubleshooten.

  Das gesamte Projekt ist letztendlich nur ein lokaler Ordner – portabel, versionskontrolliert, erweiterbar.

  —

  Explizit behandelt: Codeex, GPT-5.5/5.4, Claude/Cloud Code (Vergleich), Google Cloud API, GitHub, Vercel, GPT-Image-2, Browser Use – **Tutorial & Demo (für Anfänger bis Fortgeschrittene)**.

• Higgsfield Just Turned Claude Into a Creative Agency
  5.5.2026, 03:05:58

  # Zusammenfassung: Claude als kreative Agentur nutzen

  Der Creator zeigt, wie man Claude mit Higgsfield (einer KI-Plattform für Video- und Bildgenerierung) verbindet, um eine automatisierte kreative Agentur aufzubauen.

  **Grundlegendes Setup:**
  Higgsfield wird über das MCP (Model Context Protocol) mit Claude Web verbunden. Im Settings unter „Connectors” wird ein Custom Connector hinzugefügt, der über OAuth authentifiziert wird. Dadurch kann Claude direkt auf Higsfield-Funktionen zugreifen.

  **Praktische Anwendung in Claude Web:**
  Ein einfacher Prompt („Baue mir eine Headphone-Marke von Grund auf mit Branding, Produktkatalog und generierten Assets”) erzeugt automatisch Produktfotos, Instagram-Ads und UGC-Videos. Claude orchestriert die Generierung und fasst Ergebnisse zusammen. Iterationen funktionieren durch Befehle wie „Mache das schneller, energischer, mit Jump-Cuts und Zeitlupen” — Claude formuliert dann präzisere Prompts für Higsfield um.

  **Skalierung mit Claude Code (Desktop-App):**
  Im Desktop-Client werden CLI-Befehle ausgeführt, um Higsfield und Google Workspace Services zu installieren. Das ermöglicht erweiterte Automationen: Claude zieht alle generierten Assets aus Higsfield, erstellt eine Google-Sheet-Datenbank mit 45+ Generationen, analysiert sie nach Produkt/Stil und plant neue Variationen.

  **Wichtige Konzepte:**
  – **Forschungs-Docs:** Ein Markdown-File „Advertising Masterclass” mit Best Practices von 2026 wird ins Projekt integriert; Claude nutzt das als Expertenwissen beim Ideation.
  – **Skills:** Rezepten für konsistente Ausgaben. Der Creator reverse-engineert ein Skill aus seinen Lieblingsgenerierungen — z.B. ein „Hypermotion Video”-Skill, der zukünftige Videos im gleichen Stil produziert.
  – **Statusverfolgung:** Die Google-Sheet erhält eine Status-Spalte; Claude markiert abgeschlossene Generationen, Job-IDs und URLs.
  – **Produktkonsistenz:** Referenzbilder müssen tagsweise in den Projektordner hochgeladen werden, damit Claude sie bei der Generierung nutzt (sonst wirkt das Produkt variabel).

  **Automatisierung via Routines:**
  Claude Routines könnten z.B. sonntags 50 neue Variationen planen, montags dann 30 davon generieren — während der Nutzer schläft. Die Skalierung funktioniert durch verschiedene wöchentliche Routines für Planung und Produktion, die Ausgaben können später an Meta Ads Manager gepiped werden.

  **Praktische Learnings:**
  – MCP kostet mehr Tokens als die CLI, deshalb ist CLI für Agenten effizienter.
  – Manche Generierungen werden wegen „sensitive content” abgelehnt; Claude kann das debuggen und Prompts korrigieren.
  – Textgenauigkeit in Videos (z.B. auf Flaschen) ist derzeit eine Schwachstelle; Workarounds sind Minimierung oder alternative Label-Designs.
  – Die Qualität von KI-Output hängt stark von Prompting-Präzision ab; daher externe Expertise (Research-Docs, Skills) wichtig.

  **Workflows im Video sichtbar:**
  1. Marken-Brainstorm + Asset-Generierung (einfach)
  2. Google-Sheet-Datenbank mit allen Assets erstellen (mittelschwer)
  3. Higsfield Marketing Studio für Launch-Videos nutzen (Demo zeigt Hypermotion-Videos)
  4. Bulk-Variation planen basierend auf Ad-Forschung (moderatamente komplex)
  5. Skills bauen und Routines einrichten für autonome Produktion (erweitert)

  Claude, Higsfield und Google Workspace CLI werden als Ökosystem präsentiert, um Content-Produktion um das 100-fache zu beschleunigen — von Ideation bis automatisierte Nacht-Generierung. — **Demo + Tutorial mit Schwerpunkt auf Claude + Higsfield Integration, auch Google Workspace erwähnt; Mittelstufe bis Fortgeschrittene (Routine-Setup erfordert Vertrautheit mit Claude Code).**

• Building Realistic Voice Agents Has Never Been Easier
  4.5.2026, 12:46:03

  # Zusammenfassung

  Der Creator zeigt, wie man in etwa 15 Minuten mit Claude Code und 11 Labs einen Voice Agent aufbaut – ohne manuelle Dashboard-Konfiguration.

  **Das Konzept:** Ein Voice Agent ist eine Schleife aus Spracheingabe → Transkription → LLM-Verarbeitung → optional Datenbankabfrage oder Tool-Aufruf → Sprachausgabe. Jeder Voice Agent besteht aus vier Komponenten: Persona (System Prompt), Voice (wählbar aus verschiedenen Voices, inkl. Custom Voice Clones), Knowledge (Geschäftsinformationen/Datenbankzugriff) und Tools (API-Calls, MCP Server, externe Automatisierungen).

  **Live-Demo des Workflows:** Der Creator baut einen Sales-Agent für eine AI-Consultancy, der Prospekte auf der Website abholt. Er nutzt Claude Code im Plan-Modus, das strategisch Fragen stellt (Cal.com API-Zugang? Gewünschte Persona? Zu erfassende Datenfelder?). Cloud Code erstellt dann einen Architektur-Plan, den der Creator akzeptiert. Danach werden nur noch API-Keys (Cal.com + 11 Labs) in eine .env-Datei eingefügt, Cloud Code erledigt den Rest: Agent-Konfiguration in 11 Labs, Tool-Setup (Check Availability + Book Call), Widget-Integration ins HTML.

  **Iterationen & Debugging:** Beim ersten Test zeigt sich: Stimme zu enthusiastisch, erste Nachricht wird nicht übermittelt, Tool findet falsche Verfügbarkeit (UTC statt Central Time). Statt Dokumentation zu lesen, erklärt der Creator einfach das Problem, Cloud Code debuggt es durch Transkript-Analyse und findet den Fehler im Tool-Parameter. Nach Re-Prompt werden Availability und Buchung korrekt.

  **Sicherheit & Kosten:** Da der Widget auf der Website läuft und die 11-Labs-Kosten trägt der Website-Owner, sollte man Domain-Whitelisting, Gesprächslängen-Limits, Rate Limits und starke Knowledge-Grounding (echte Docs, nicht Halluzinationen) konfigurieren.

  **Deployment-Optionen:** Der Agent kann auf einer Website (Widget), im 11-Labs-Dashboard (Test), oder per Twilio-Integration (Telefonanruf) deployed werden – selbe Engine, verschiedene Interfaces.

  **Demo-Resultat:** Ein funktionierender Sales-Agent, der automatisch Namen/Emails validiert, Verfügbarkeit abfragt (mit Cal.com-Limits) und Meetings bucht, vollständig durch Natural Language gebaut.

  —

  Claude Code + 11 Labs; Demo mit Live-Build eines Sales-Voice-Agents.

• I Tried 100+ Claude Code Skills. These 6 Are The Best
  3.5.2026, 13:42:51

  # Die sechs Skills, die in der KI-Automation tatsächlich Geld bringen

  Der Inhalt konzentriert sich auf sechs praktische Skills für CloudCode, die nicht auf YouTube-Effekt ausgelegt sind, sondern echte Geschäftsprobleme lösen: Zeit sparen, Kosten senken, Fehler vermeiden.

  **1. Skill Creator** (offiziell von Anthropic): Ein Meta-Skill, der andere Skills automatisch generiert. Statt manuell Markdown-Dateien zu schreiben, beschreibt man die Anforderung auf Englisch, Claude draftet, testet und packt den Skill zusammen. Löst das Problem, dass Anfänger beim manuellen Schreiben scheitern und fehlerhafte Skills bauen.

  **2. Superpowers**: Zwingt Claude zu einem Senior-Developer-Workflow – erst planen, dann in isolierter Umgebung coden, Tests vor Code, eigene Reviews in zwei Stufen (Spec-Match und Code-Qualität). Bekämpft das Hauptproblem: flüchtig geschriebener Code, der in Production bricht.

  **3. GSD** (Get Stuff Done): Behebt Kontextverfallsprobleme. Nach ~30 Minuten werden Sessions sloppy, Claude vergisst Anforderungen. GSD spawnt frische Sub-Agents pro Task mit sauberem Kontext, hat Quality Gates und optional autonomen Modus. Kostet Token-Überfluss, spart aber Stunden Rework.

  **4. /review und /ultra review**: Bereits in CloudCode eingebaut. `/review` macht strukturelle Code-Reviews lokal, `/ultra review` (seit Opus 4.7) dreht eine Fleet von Reviewer-Agents parallel in Sandbox auf, jede findet Bugs unabhängig. Braucht CloudCode 2.1.86+, kostet nach Free-Versuchen 5–20 Dollar, läuft im Hintergrund.

  **5. Context Mode**: Filtert Garbage-Daten aus Tool-Calls (56 KB Playwright-Snapshot → 299 Bytes). Arbeitet mit SQLite-Datenbank, die jeden Event trackst; beim Kontext-Kompakten wird ein Snapshot injiziert statt alles zu vergessen. Sessions laufen 3 Stunden statt 30 Minuten.

  **6. ClaudeMem**: Trägt Wissen über Sessions hinweg. Hookt in CloudCode-Lifecycle, capturt Edits/Decisions/Bugfixes, komprimiert in lokale SQLite mit Vector-Search. Neue Sessions kriegen automatisch relevante Context. 10x Token-Ersparnis beim Retrieval vs. alles durchzudumpen. Generiert Folder-Level Claude.md-Dateien auto.

  **Bonus – Skill #7**: Official Front-End Design Skill von Anthropic, für weniger AI-generierten Look bei Design/Slides.

  **Verkaufsansatz**: Nicht die Workflows verkaufen, sondern die Outcomes – 10 Stunden/Woche sparen, Admin-Fehler senken, Lead-Speed erhöhen, Gewinn maximieren. Anfänger sollten einen Skill lernen, ein paar Demos bauen, zeigen – Business Owner sieht Wert, nicht Resume.

  **Installation**: Alle Commands für `/plugin install` liegen in der Videobeschreibung.

  —

  **Explizit erwähnte Tools/Modelle**: Claude (Anthropic), CloudCode, Opus 4.7, Playwright; **Format**: Deep-Dive mit praktischen Anwendungsbeispielen aus echten Projekten (Real Estate, HVAC, Marketing Agencies).

NeuralNine (2 neues Videos)

• OpenClaw: Simple VPS Setup Guide
  8.5.2026, 16:00:03

  Das Video zeigt eine schrittweise Anleitung zur Einrichtung von Open Claw auf einem virtuellen privaten Server (VPS) mit Ubuntu. Der Fokus liegt auf Geschwindigkeit und Einfachheit, wobei die Installation und Verbindung zu Telegram im Mittelpunkt stehen. Der Prozess umfasst die Aktualisierung des Systems, die Installation des Node Version Managers (NVM) und Node.js, die Installation von Open Claw über npm, sowie die Durchführung des Onboarding-Prozesses. Dabei wird OpenAI als Modellanbieter und Telegram als Kommunikationskanal ausgewählt. Der Benutzer erstellt einen Bot über den Bot Father in Telegram und verbindet diesen mit Open Claw. Nach der Einrichtung wird die Funktionalität des Bots durch das Erstellen und Bearbeiten einer Einkaufsliste demonstriert. Das Video warnt vor den Sicherheitsrisiken von Open Claw und empfiehlt, es in einer isolierten Umgebung zu betreiben.

  Das Video thematisiert explizit Open Claw, OpenAI, Telegram und NVM, und ist eher für Intermediate Nutzer gedacht.

• Coding Slack Bots in Python: Quick Start Guide
  4.5.2026, 16:00:21

  Das Video zeigt, wie man einen einfachen Slack-Bot mit Python erstellt, der auf Nachrichten reagieren und Befehle ausführen kann. Der Fokus liegt auf der schnellen Umsetzung eines Minimum Viable Products (MVP). Hier sind die Hauptschritte:

  1. **Slack-App erstellen**:
  – Anmeldung bei Slack und Erstellung einer neuen App über die Slack API.
  – Aktivierung von Socket Mode und Zuweisung der notwendigen Berechtigungen.
  – Generierung und Speicherung des Socket-Tokens in einer `.env`-Datei.

  2. **Bot-Token erstellen**:
  – Hinzufügen von Bot-Token-Scopes für die Chat-Funktionalität.
  – Aktivierung von Event-Subscriptions, um auf Nachrichten reagieren zu können.
  – Erstellung eines Slash-Commands (z.B. `/add` für einfache Berechnungen).
  – Installation der App im Slack-Workspace und Speicherung des Bot-Tokens in der `.env`-Datei.

  3. **Python-Projekt einrichten**:
  – Installation der benötigten Pakete (`python-dotenv` und `Slack-Bolt`).
  – Einrichten der `.env`-Datei mit den Slack-Tokens.

  4. **Bot-Funktionalität implementieren**:
  – Einfache Reaktion auf die Nachricht “hello” mit dem Benutzernamen.
  – Implementierung des Slash-Commands `/add` für einfache Additionen.
  – Reaktion auf allgemeine Nachrichten mit einer Standardantwort.

  5. **Bot mit einem Sprachmodell verbinden**:
  – Installation des `openai`-Pakets.
  – Integration von GPT-4O, um auf Erwähnungen des Bots zu reagieren und Antworten zu generieren.
  – Aktualisierung der Event-Subscriptions für die Erwähnungsfunktion.

  Das Video endet mit einer Demonstration, wie der Bot auf Erwähnungen reagiert und Fragen beantwortet, einschließlich der Generierung von Python-Code.

  **Schluss-Kommentar**: Das Video thematisiert explizit die Nutzung von OpenAI (GPT-4O) und ist eher für Intermediate-Nutzer gedacht.

Nic Conley

Keine neuen Videos in diesem Zeitraum.

Nick Saraev

Keine neuen Videos in diesem Zeitraum.

Niklas Steenfatt

Keine neuen Videos in diesem Zeitraum.

No Priors: AI, Machine Learning, Tech, & Startups

Keine neuen Videos in diesem Zeitraum.

Productive Dude

Keine neuen Videos in diesem Zeitraum.

Sebastien Dubois

Keine neuen Videos in diesem Zeitraum.

Tech With Tim (4 neues Videos)

• One AI Agent Isn’t Enough Anymore
  9.5.2026, 16:00:42

  # Spezialisierte KI-Agenten für die Softwareentwicklung orchestrieren

  Das Video zeigt, wie man mehrere spezialisierte KI-Agenten statt eines generischen All-in-One-Agenten aufbaut und parallel aus dem Terminal ausführt – am Beispiel von Mistral Vibe, das Konzept funktioniert aber bei allen populären Coding-Tools.

  **Das Problem mit generischen Agenten:** Ein einzelner Agent, der alles macht, entwickelt schnell Kontextprobleme (Context Illusion). Je mehr Informationen er jonglieren muss – Architektur, Tests, Configs, Refactorings – desto schlechter wird seine Performance. Irgendwann nähert er sich dem Kontextlimit an und vergisst Dinge oder macht inkonsistente Entscheidungen, was dann oft einen Neustart des gesamten Kontexts erfordert.

  **Die Lösung:** Spezialisierte Sub-Agenten, die sich auf einzelne Aufgaben konzentrieren – einer für Tests, einer für Code-Reviews, einer für Deployment-Vorbereitung etc., ganz wie unterschiedliche Mitarbeiter in einem Team. Jeder Sub-Agent erbt das vollständige Projekt-Kontexts (Dateistruktur, Git-Status, Code), aber nicht die bisherige Konversationshistorie und Tool-Aufrufe. Das bedeutet: Er startet mit 10–20% Kontextauslastung statt 80–90%.

  **Mistral Vibe Setup:** Installation über ein einfaches Terminal-Kommando, dann `vibe` eintippen. Das Tool kommt mit Devstral 2 (sieben mal kostengünstiger als Claude Sonnet, ähnliche Performance, Open-Source), die TOML-Dateien der Agenten landen im `.vibe/agents`-Ordner. Man kann Agenten manuell erstellen oder das Tool darum bitten.

  **Agent-Typen:** Main Agents (für eine spezifische Rolle der Hauptsession) oder Sub Agents (unabhängige Hintergrund-Prozesse). Sub Agents können parallel laufen, speichern Session-Logs nicht im Speicher und erhalten automatisch Projekt-Kontext ohne Konversationsverlauf.

  **Permissions & Safety:** Bei der Konfiguration sollte man Permission-Scoping nutzen – z.B. dem Test-Writer nur Bash-, Read- und Write-Befehle geben, nicht Git oder Netzwerk. Man kann auch `auto_approve` aktivieren, damit Agenten nicht ständig Bestätigungen brauchen, ein maximales Budget setzen, Anzahl Turns limitieren.

  **Praktisches Beispiel:** Der Creator baut ein einfaches FastAPI-Backend und HTML/JS-Frontend auf, erstellt dann drei Sub Agents:
  1. **Test Writer** – schreibt Backend-Tests mit PyTest
  2. **Code Reviewer** – liest Code, prüft Security und Performance, macht keine Änderungen
  3. **Deploy Prep** – führt kompletten Test-Lauf, Linter und Code-Review aus, bestätigt Deployment-Readiness

  Alle drei werden dann parallel im Hintergrund ausgeführt, wodurch der Workflow erheblich beschleunigt wird.

  **Team-Vorteil:** Agenten können auf Projekt-Ebene in `.vibe/agents` konfiguriert und ins Git-Repo committed werden – das Team teilt sich dann die optimierten Agenten-Definitionen.

  Mistral Vibe (Devstral 2-Modell), Demo.

• Codex is INSANE – Everything New in 10 Minutes
  8.5.2026, 16:25:45

  **Zusammenfassung: GPT 5.5 – Fähigkeiten und Anwendungen**

  GPT 5.5 ist das neueste Frontier-Modell von OpenAI und wird als derzeit bestes verfügbares Modell beschrieben – deutlich besser als sein Vorgänger 5.4 und dem Claude-Modell Opus 4.7, insbesondere in Praxisszenarien wie Programmierung, Datenanalyse und Tabellenkalkulationen. Es ist etwa doppelt so teuer wie das Vorgängermodell, aber über ein Pro-Abo (200 USD/Monat) noch günstiger als Top-Modelle von Anthropic. Das Modell lässt sich über ChatGPT, IDEs, Browser-Extensions, die Desktop-Anwendung Codex oder die API nutzen.

  Die wichtigsten neuen Fähigkeiten sind:

  **Coding und Browser-Automation:** GPT 5.5 kann umfangreiche Code schreiben und in Codex automatisch die Anwendung im Browser testen – es übernimmt selbstständig Steuerung, klickt durch die Oberfläche und validiert die Funktionalität, ohne dass manuelle Eingaben nötig sind.

  **Computer-Use:** Nach Aktivierung in den Codex-Plugins kann das Modell den gesamten Desktop übernehmen. Es kann Anwendungen öffnen, Aktionen ausführen (etwa Spotify starten und Musik spielen) und dabei parallel die eigene Computernutzung ermöglichen, da es einen separaten Cursor hat.

  **Daten, Tabellen und Präsentationen:** GPT 5.5 erstellt Excel-Tabellen mit umfangreichen Daten (inklusive Recherche, Farbcodierung, Diagramme) und kann daraus automatisch mehrseitige PowerPoint-Präsentationen generieren – eine deutliche Verbesserung gegenüber der Vorgängerversion.

  **Zusätzliche Features in Codex:** Das Tool bietet Plugins zum Verbinden mit anderen Anwendungen, automatisierte Workflows, MCP-Server-Integration und GitHub-Verbindungen. Deployment von Webanwendungen ist kostenlos über here.now möglich (24 Stunden oder permanent mit kostenlosen Account).

  Das Video präsentiert **OpenAI GPT 5.5 in der Codex-Anwendung** – Demo-Format mit praktischen Beispielen.

• How to Build an App With Claude Code – Full Tutorial for Beginners
  6.5.2026, 13:17:28

  # Zusammenfassung: Web-Anwendung mit Claude Code bauen und deployen

  Das Video ist ein umfassendes Tutorial zum Erstellen und Bereitstellen einer vollständigen Webanwendung mit Claude Code – vom Setup bis zur Live-Schaltung auf einer eigenen Domain.

  **Vorbereitung und Installation:**
  Zunächst müssen Claude Code (Terminal-Version empfohlen, erfordert Premium-Abo), ein Code-Editor (Cursor wird empfohlen, kostenlos) und später ein Hosting-Service installiert werden. In Cursor werden die Erweiterungen „Claude Code” und „Hostinger Connector” installiert.

  **Planung vor dem Entwickeln:**
  Bevor man Code generiert, sollte man mit Claude ein detailliertes Spec-Dokument (Markdown-Datei) erstellen, indem man seine Anforderungen beschreibt und Claude Fragen stellt – Farben, Layout, Inhalte, gewünschter Tech-Stack klären. Der Creator nutzt das Beispiel eines Portfolio-Websites und wählt Next.js + Tailwind als Stack.

  **Website bauen:**
  Nachdem die Spec feststeht, wird Claude beauftragt, die Website zu bauen und lokal auszuführen. Das AI-Tool generiert den kompletten Code und startet einen lokalen Server. Der Creator zeigt, dass mit nur wenigen Prompts eine funktionsfähige, ansehnliche Website entsteht – bevorzugt in kleineren Schritten (MVP = Minimum Viable Product).

  **Versionskontrolle:**
  Git wird eingerichtet, um Änderungen zu speichern und rollbacks zu ermöglichen. Claude erstellt automatisch Commits.

  **Deployment via Hostinger:**
  Ein Hostinger-Konto wird erstellt (ab ca. 4 EUR/Monat), eine Domain ausgewählt und kostenlos registriert. Die komprimierte Projekt-Datei wird ins Hostinger-Dashboard hochgeladen und deployed. Ein API-Token wird in Hostinger generiert und in die Hostinger-Erweiterung von Cursor eingefügt. Danach können Änderungen direkt aus Claude Code per natürlicher Sprache zu Hostinger gepusht werden – ohne erneutes manuelles Hochladen. Der Creator zeigt, wie man die Website umbenennt und neu deployed, nur durch einen Text-Befehl in Claude Code.

  **Ergebnis:**
  Die Website ist live unter einer echten Domain abrufbar und kann jederzeit von Claude Code aus aktualisiert werden.

  Claude Code, Next.js, Cursor und Hostinger wurden explizit thematisiert; **Tutorial** mit praktischem Anfänger-Schwerpunkt.

• Claude Code + Nano Banana 2 = This Changes Everything
  3.5.2026, 18:18:44

  # Zusammenfassung

  Das Video zeigt, wie man Bildgenerierung mit Nano Banana Pro direkt in Claude Code integriert, statt umständlich Websites zu besuchen. Der Prozess funktioniert in drei Schritten: Zunächst wird ein API-Schlüssel bei Google AI Studio erstellt und Billing aktiviert (mit empfohlener Ausgabenbegrenzung). Dann werden zwei Skills installiert – einer konvertiert normale Textprompts in strukturierte JSON-Schemas für detailliertere Bildgenerierung, der andere ruft die Nano Banana API auf. Mit dieser Kombination kann Claude Code automatisch mehrere Bilder parallel erzeugen und direkt in Websites einbinden. Das Video demonstriert konkrete Beispiele: ein vollständig generiertes Perfume-Vergleich-Portfolio, dann ein Bild des Creators mit Sprite und Mac Mini, abschließend ein Referenz-Bildbearbeitungsbeispiel, bei dem ein Claude-Logo durch ein ChatGPT-Logo ersetzt wird. Die JSON-Struktur ermöglicht sehr präzise Kontrolle über Details wie Framing, Beleuchtung und Materialien – Details, die manuell niemand schreiben würde.

  **Explizite Nennungen:** Claude Code, Nano Banana Pro (Bildmodell), Google Gemini API, Skyworks 3.0 (erwähnt als Sponsor), Whisper Flow (Diktation), ChatGPT. — **Format:** Tutorial mit Live-Demo.

TheAIGRID (7 neues Videos)

• How To Use Claude For Microsoft Word (Microsoft Word Claude Tutorial)
  9.5.2026, 20:15:01

  Das Video zeigt, wie man Claude in Microsoft Word nutzt. Zunächst wird die Installation des Add-ins erklärt, wobei darauf hingewiesen wird, dass ein Pro- oder Max-Plan von Claude erforderlich ist. Der Nutzer wird ermutigt, die Modelle Sonnet 4.6 oder Opus 4.6 zu verwenden, wobei Opus 4.7 für mathematische Aufgaben reserviert sein sollte. Wichtige Einstellungen wie “Arbeit über Dateien” werden hervorgehoben, die es ermöglichen, Kontext zwischen verschiedenen Office-Dateien zu teilen.

  Das Video demonstriert, wie Claude in Word verwendet werden kann, um Texte zu schreiben, zu bearbeiten und zu formatieren. Es wird gezeigt, wie man spezifische Abschnitte hervorhebt und diese dann erweitern oder umschreiben lässt. Zudem wird die Fähigkeit von Claude betont, Texte in verschiedene Stile zu reformulieren und zu strukturieren, einschließlich der Hinzufügung von Überschriften und Aufzählungszeichen.

  Ein weiterer Schwerpunkt liegt auf der Funktion, bestimmte Abschnitte eines Dokuments zu markieren und zu analysieren, z.B. um Sicherheitsaspekte oder wichtige Punkte hervorzuheben. Zudem wird die Integration von Web-Recherchen direkt in Word gezeigt, wobei darauf hingewiesen wird, dass diese Funktion nur für einfache Suchanfragen geeignet ist.

  Das Video zeigt auch, wie Claude mit anderen Office-Anwendungen wie Excel und PowerPoint zusammenarbeiten kann, um Daten aus diesen Anwendungen in Word-Dokumente zu integrieren. Dies wird anhand eines Beispiels demonstriert, bei dem Verkaufsdaten aus Excel in einen Brief an Anteilseigner übernommen werden.

  Schließlich wird die Nutzung von Vorlagen in Word gezeigt, z.B. für Lebensläufe, wobei darauf hingewiesen wird, dass Claude bei komplexen Formatierungen manchmal Schwierigkeiten haben kann. Es wird empfohlen, bei Problemen die Funktion “Rückgängig” zu nutzen oder die Aufgabe mit einem höheren Modell zu wiederholen.

  Das Video thematisiert explizit Claude und ist eher für Intermediate Nutzer gedacht.

• OpenAI Is Losing The AI War
  8.5.2026, 22:34:30

  Das Video analysiert den aktuellen Stand des Wettbewerbs zwischen den führenden KI-Unternehmen, insbesondere zwischen OpenAI und Anthropic. Es wird festgestellt, dass Anthropic in den letzten Monaten deutlich an Marktanteilen gewonnen hat, sowohl bei privaten Nutzern als auch im Enterprise-Bereich. Anthropic verzeichnet ein beispielloses Umsatzwachstum und hat OpenAI in vielen Bereichen überholt, insbesondere in der Nutzung für Coding und generelle Aufgaben. Die häufigen Produktveröffentlichungen und die starke Marktposition von Anthropic, insbesondere mit Modellen wie Claude Opus und Mythos, werden hervorgehoben. Zudem wird die ablehnende Haltung von Anthropic gegenüber bestimmten Regierungsanfragen als positiver PR-Moment dargestellt, der das Vertrauen in das Unternehmen gestärkt hat. Die Investoren sind zunehmend skeptisch gegenüber OpenAI, während Anthropic eine hohe Nachfrage auf dem Sekundärmarkt verzeichnet. Das Video schließt mit der Beobachtung, dass die Nutzerpräferenzen sich deutlich in Richtung Anthropic verschoben haben, und stellt die Frage, ob OpenAI diesen Vorsprung noch aufholen kann.

  Das Video thematisiert explizit Anthropic, OpenAI, Gemini und spezifische Modelle wie Claude Opus und Mythos. Es ist eher für Intermediate und Advanced Nutzer gedacht, die sich mit den aktuellen Entwicklungen und Markttrends in der KI-Branche vertraut machen möchten.

• Claude For Powerpoint Tutorial – How To Use Claude With Powerpoint
  7.5.2026, 21:00:59

  Das Video zeigt eine Demonstration der Nutzung von “Claude for PowerPoint”, einem offiziellen Add-on von Anthropic, das direkt in Microsoft PowerPoint integriert ist. Es ermöglicht die Generierung vollständig editierbarer PowerPoint-Elemente basierend auf vorhandenen Vorlagen oder neuen Inhalten. Das Add-on ist in verschiedenen Tarifen erhältlich, befindet sich aber noch in der Beta-/Forschungsphase.

  Um Claude for PowerPoint zu nutzen, benötigt man ein Claude Pro-Konto (ab $20/Monat) oder ein Max Team/Enterprise-Abonnement sowie eine aktuelle Version von Microsoft PowerPoint (Desktop oder Web). Nach der Installation über die Add-in-Funktion in PowerPoint kann man zwischen zwei Modellen wählen: Opus 4.6 für komplexe Aufgaben und Sonnet 4.6 für schnelle Bearbeitungen. Die Einstellungen ermöglichen die Festlegung von Standards wie Schriftarten, Farben und Notizen für jede Folie. Wichtig ist die Option, Änderungen vorab zu bestätigen, um unerwünschte Bearbeitungen zu vermeiden.

  Claude liest automatisch die Vorlagenlayouts, Schriftarten und Farbschemata und generiert Folien, die der visuellen Struktur der Vorlage folgen. Ein wichtiger Tipp ist, die Vorlage vor dem Prompten zu laden, da Claude diese als Referenz verwendet. Das Video zeigt Beispiele für die Erstellung von Präsentationen aus Textprompts, die Bearbeitung einzelner Folien, die Umwandlung von PDFs und Excel-Daten in Folien sowie die Generierung von Präsentationen basierend auf Websites. Claude kann auch Präsentationen in andere Sprachen übersetzen und Sprecherhinweise hinzufügen.

  Es werden einige Einschränkungen erwähnt, wie die Dateigrößenbegrenzung von 30 MB, mögliche Probleme mit komplexen Layouts und die eingeschränkte Grafikanalyse. Das Add-on ist derzeit nur für Desktop und Web verfügbar, nicht für iPad oder Android.

  Das Video thematisiert explizit das AI-Tool “Claude for PowerPoint” von Anthropic und ist eher für Intermediate-Nutzer geeignet, die bereits mit PowerPoint vertraut sind und die Funktionalitäten von KI-Tools nutzen möchten.

• Why AI Ceos Are Now Afraid Of AI
  6.5.2026, 21:15:05

  Das Video diskutiert die Ambivalenz und die Ängste der reichsten und mächtigsten Männer der Welt, die an künstlicher allgemeinen Intelligenz (AGI) arbeiten. Sie sehen AGI sowohl als größte Chance der Menschheit als auch als potenzielles Ende der Zivilisation. Ein zentrales Problem ist das Alignment-Problem: Wie kann man sicherstellen, dass eine superintelligente KI menschliche Werte und unausgesprochene Annahmen versteht und befolgt? Bisher gibt es keine Lösung dafür. Zudem gibt es eine wachsende Angst vor einem Wettrüsten im Bereich der KI, da derjenige, der AGI zuerst entwickelt, eine dominierende Position erlangt. Dies könnte bestehende wirtschaftliche und politische Strukturen destabilisieren. Ein weiterer kritischer Punkt ist die rekursive Selbstverbesserung, bei der eine KI ihre eigene Intelligenz exponentiell steigern könnte, was zu einem plötzlichen, schwer kontrollierbaren Intelligenzsprung führen könnte. Schließlich wird die Gefahr betont, dass AGI als Waffe eingesetzt werden könnte, was zu autonomen Cyberangriffen, biotechnologischen Bedrohungen und massiver Desinformation führen könnte. Die aktuellen Entwicklungen finden ohne internationale Regulierung und Kontrollen statt, was die Risiken weiter erhöht.

  Das Video thematisiert explizit OpenAI, Anthropic, Safe Superintelligence Inc. und die Modelle GPT-6 sowie Grok und ist eher für Intermediate und Advanced gedacht.

• How To Use Pomelli – Google Pomelli Tutorial –
  5.5.2026, 21:15:01

  Das Video stellt das neue AI-gestützte Marketing-Tool “Meli” von Google Labs vor, das auf Basis einer Website Social-Media- und Werbeinhalte für Unternehmen generiert. Der Fokus liegt darauf, die “Business DNA” zu definieren, die aus Brand Aesthetic, Brand Tone of Voice, Business Overview, Brand Values und Tagline besteht. Der Creator zeigt, wie man diese Werte mit Hilfe von AI-Tools wie Gemini oder ChatGPT erstellt, indem man Screenshots der Vorlagen nutzt und diese mit AI ausfüllen lässt. Anschließend wird demonstriert, wie man Logos, Farben und Schriftarten festlegt und Kampagnen erstellt, die das Produkt in verschiedenen Kontexten zeigen. Auch die Erstellung von Videos und Fotoshootings wird erklärt, wobei die AI verschiedene Variationen generiert, die man anpassen und herunterladen kann. Das Tool ist besonders nützlich für die Ideation und Erstellung von Marketingmaterialien.

  Das Video thematisiert explizit Google’s Meli und nutzt Gemini sowie ChatGPT als unterstützende AI-Tools. Es ist eher für Intermediate Nutzer geeignet, die bereits Grundkenntnisse in Marketing und Branding haben.

• AI Helped Spark a Quantum Breakthrough. “The World ‘Is Not Prepared’
  4.5.2026, 21:22:09

  Das Video diskutiert die jüngsten Fortschritte im Bereich der Quantencomputing-Forschung, die durch KI beschleunigt wurden, und die potenziellen Bedrohungen für die moderne Internet-Sicherheit. Drei Hauptfaktoren werden hervorgehoben: die Verbesserung der Quantencomputer, effizientere Algorithmen und die KI-gestützte Entdeckung dieser Algorithmen. Diese Kombination könnte die Größe der Quantencomputer, die für das Brechen moderner Verschlüsselung erforderlich sind, erheblich reduzieren.

  Google hat Forschungsergebnisse veröffentlicht, die zeigen, dass ein zukünftiger Quantencomputer mit weniger als 1,200 logischen Qubits bestimmte Verschlüsselungsmethoden angreifen könnte. Zudem haben Forscher von Caltech und Oatomic argumentiert, dass Shor’s Algorithmus mit nur 10,000 rekonfigurierbaren atomaren Qubits auf kryptographisch relevanten Skalen laufen könnte. KI spielte eine entscheidende Rolle bei der Entwicklung dieser Algorithmen, indem sie Tausende von Möglichkeiten durchsuchte und die Effizienz der Algorithmen verbesserte.

  Unternehmen wie Cloudflare reagieren auf diese Entwicklungen, indem sie ihre Ziele für die Umstellung auf quantensichere Sicherheit vorziehen. Cloudflare strebt an, bis 2029 vollständig quantensicher zu sein, einschließlich der Authentifizierung. Die Umstellung auf quantensichere Kryptographie ist jedoch komplex und erfordert die Aktualisierung mehrerer Systeme und die Rotation von Geheimnissen.

  Schluss-Kommentar: Das Video thematisiert OpenAI und Open-Source-Tools wie Open Evolve und ist eher für Intermediate und Advanced gedacht.

• Hermes Agent Setup With Use Cases – Hermes Agent Use Cases
  3.5.2026, 21:30:05

  Das Video zeigt, wie man den Hermes Agent auf einer kostengünstigen Cloud-GPU-Plattform (hpcai.com) einrichtet und nutzt. Der Prozess umfasst das Einrichten eines CPU-basierten Instances für 24 Cent pro Stunde, das Installieren des Hermes Agents über einen einzigen Befehl und das Verbinden mit einem Inference Provider wie News Portal (mit einer $20 monatlichen Gebühr für einfachere Einrichtung). Der Hermes Agent bietet verschiedene Funktionen wie Web-Scraping, Cron-Job-Erstellung, Bildgenerierung, Lead-Generierung und Preisüberwachung. Beispielhafte Use-Cases umfassen das Scrapen von YouTube-Kanälen, das Erstellen von wöchentlichen Berichten, das Generieren von Bildern für Social Media, das Finden von Leads für ein Unternehmen und das Überwachen von Supercar-Preisen. Der Hermes Agent kann auch für die Erstellung von Content-Ideen und die Automatisierung von Aufgaben wie Instagram-DMs genutzt werden. Das Video betont die Vielseitigkeit und Effizienz des Hermes Agents für verschiedene Anwendungen.

  Das Video thematisiert explizit den Hermes Agent und die Cloud-GPU-Plattform hpcai.com, wobei es sich eher an Intermediate Nutzer richtet.

Theo – t3․gg (4 neues Videos)

• Anthropic just…wait what
  7.5.2026, 09:08:36

  Das Video diskutiert die aktuelle Partnerschaft zwischen Anthropic und SpaceX (bzw. Elon Musks XAI) und die damit verbundenen strategischen Implikationen für die KI-Branche. Anthropic, ein führender KI-Anbieter, steht vor einem massiven Compute-Problem, da die Nachfrage nach ihren Modellen, insbesondere Claude, die verfügbaren Rechenressourcen bei weitem übersteigt. Diese Knappheit hat zu Einschränkungen bei den Nutzungslimits und Preisanpassungen geführt, die jedoch nicht primär auf Gewinnmaximierung abzielen, sondern darauf, die begrenzten Compute-Ressourcen effizienter zu nutzen. Die Partnerschaft mit SpaceX, die über erhebliche Compute-Kapazitäten verfügt, soll diese Lücke schließen. Gleichzeitig wird die strategische Bedeutung von Cursor, einem KI-gestützten Coding-Tool, hervorgehoben, das über wertvolle Daten verfügt, die für das Training von KI-Modellen essenziell sind. Die Analyse zeigt, dass sowohl Anthropic als auch XAI versuchen, ihre jeweiligen Schwächen (Compute bzw. Daten) durch diese Kooperation auszugleichen, während OpenAI als Hauptkonkurrent im Hintergrund steht. Die Videoanalyse ist detailliert und für Intermediate bis Advanced Nutzer geeignet, da sie tiefgehende Einblicke in die strategischen Entscheidungen und die technische Infrastruktur der KI-Branche bietet. Explizit thematisiert werden Anthropic, SpaceX/XAI, Cursor, OpenAI, sowie spezifische Compute-Infrastrukturen wie Nvidia GPUs und verschiedene Cloud-Anbieter.

• Get In, We’re Leaving GitHub
  6.5.2026, 19:43:52

  Das Video diskutiert die aktuellen Herausforderungen und Alternativen zu GitHub, insbesondere vor dem Hintergrund von GitHubs zunehmenden Zuverlässigkeitsproblemen wie zufälligen Merge-Rückgängigmachungen und langen Ausfallzeiten. Der Autor betont die Notwendigkeit, nach Alternativen zu suchen, und bewertet verschiedene Optionen wie GitLab, Bitbucket, GitTea, Forgejo (Codeberg), und neue Ansätze wie Pierre, Graphite, und Entire.

  **Hauptpunkte:**

  1. **GitLab**:
  – Wird oft als Alternative genannt, hat aber erhebliche UX-Probleme und ist weniger benutzerfreundlich als GitHub.
  – Die Codebasis ist groß und komplex, was Wartung und Verbesserungen erschwert.
  – GitLab ist eher eine Enterprise-Lösung mit Fokus auf CI/CD und Integration, aber nicht unbedingt eine direkte Verbesserung gegenüber GitHub.

  2. **Bitbucket**:
  – Wird hauptsächlich als kostengünstigere Alternative für Unternehmen beworben, die bereits Atlassian-Tools nutzen.
  – Integrationen mit Jira und anderen Atlassian-Produkten sind stark, aber die Benutzererfahrung und Funktionalität sind nicht vergleichbar mit GitHub.

  3. **Forgejo (Codeberg)**:
  – Eine Open-Source-Alternative, die aus einer Abspaltung von GitTea entstand.
  – Bietet eine einfache, selbstgehostete Lösung mit guter Performance und Transparenz.
  – Der Autor ist beeindruckt von der Benutzerfreundlichkeit und der Community hinter Forgejo und spendet sogar für das Projekt.

  4. **Pierre**:
  – Ein neuer Ansatz, der die Grundlagen für eine nächste Generation von Git-Hosting-Lösungen legt.
  – Fokus auf hohe Durchsatzfähigkeit und Integration von Agenten, die viel Code generieren.
  – Pierre hat bereits beeindruckende Leistungswerte erreicht und könnte die Grundlage für zukünftige GitHub-Alternativen bilden.

  5. **Graphite**:
  – Bietet verbesserte Code-Review-Workflows und wurde kürzlich von Cursor übernommen.
  – Potenzial, eine vollständig neue Art von Entwicklerplattform zu schaffen, die über die traditionellen GitHub-Funktionen hinausgeht.

  6. **Entire**:
  – Gegründet vom ehemaligen CEO von GitHub, Thomas Dohmke.
  – Entwickelt Tools, um den Kontext von Agenten bei der Codeerstellung zu verfolgen und zu verbessern.
  – Investiert in die Zukunft der Entwicklung, insbesondere im Zusammenhang mit KI-Agenten.

  **Schlusskommentar**:
  Das Video thematisiert explizit Open-Source-Tools wie Forgejo (Codeberg), Pierre, und spezifische Unternehmen wie Graphite und Entire. Es ist eher für Intermediate und Advanced Nutzer gedacht, die sich mit den technischen Details und strategischen Überlegungen von Git-Hosting-Lösungen auseinandersetzen möchten.

• Prime is (mostly) right about AI
  5.5.2026, 08:53:45

  Das Video diskutiert die sich ändernde Wirtschaftlichkeit der KI-Industrie, insbesondere im Hinblick auf die Nutzung von KI-Modellen wie Claude und GitHub Copilot. Der Sprecher reagiert auf ein Video von Primagen, das die aktuellen Veränderungen in der KI-Wirtschaft analysiert.

  Der Sprecher betont, dass die jüngsten Änderungen bei den Preismodellen von Anthropic und Microsoft nicht darauf abzielen, mehr Geld von Endnutzern zu verdienen, sondern darauf, die begrenzte Rechenkapazität (GPUs) zu verwalten. Anthropic hat beispielsweise versucht, die Nutzung von Claude Code in günstigeren Tarifen zu begrenzen, um Rechenressourcen für enterprise-Kunden freizuhalten. Microsoft hat ebenfalls seine Preismodelle für GitHub Copilot angepasst, was der Sprecher auf die begrenzte Verfügbarkeit von Rechenleistung zurückführt.

  Ein weiterer wichtiger Punkt ist die Effizienzsteigerung der KI-Modelle. Trotz höherer Token-Kosten pro Anfrage sind neuere Modelle wie GPT-55 effizienter und günstiger in der Nutzung, besonders in den mittleren und niedrigen Einstellungen. Der Sprecher argumentiert, dass die Kosten für echte Arbeitsaufgaben sinken, wenn man die Effizienz der Modelle betrachtet.

  Der Sprecher kritisiert auch die Annahme, dass Google weniger subsidisiert. Er argumentiert, dass Google tatsächlich sehr aggressiv subsidiert hat, aber aufgrund der schlechten Qualität seiner Modelle und der schnellen Anpassungen der Nutzungsbedingungen, um die Überlastung zu vermeiden.

  Insgesamt stimmt der Sprecher mit Primagens Analyse überein, dass sich die Wirtschaftlichkeit der KI-Industrie verändert, betont jedoch, dass die Hauptursache die begrenzte Rechenkapazität und nicht die Gier der Unternehmen ist.

  **AI-Tools/Modelle/Anbieter:** Claude (Anthropic), GitHub Copilot (Microsoft), GPT-55 (OpenAI), Google (Gemini)
  **Zielgruppe:** Intermediate

• Microsoft and OpenAI break up (Amazon is pumped)
  4.5.2026, 09:12:17

  # Zusammenfassung: Die Breakup zwischen Microsoft und OpenAI

  Die Partnerschaft zwischen Microsoft und OpenAI, die 2019 mit einer ersten Milliarde Dollar Investition begann, durchlebt gerade eine grundlegende Umstrukturierung. Ursprünglich war die Vereinbarung darauf ausgerichtet, dass Microsoft alleiniger Cloud-Provider für OpenAI bleibt und alle OpenAI-Entwicklungen bis zur Erreichung von AGI lizenzieren darf. Der Wendepunkt kam im September 2024, als OpenAI die O1-Reasoning-Modelle vorstellte – ein massiver Durchbruch, der die Modell-Intelligenz sprunghaft erhöhte. Microsoft forderte daraufhin aggressiv, Zugang zu den Details dieser Breakthrough-Technologie zu bekommen, was OpenAI verweigerte. Dies führte zu Spannungen, die sich in internen Microsoft-Meetings widerspiegelten, wo Führungskräfte frustriert waren, dass OpenAI nicht schnell genug ihre Forschungen teilte.

  2026 kündigte OpenAI dann ein „amended agreement” an, das die Partnerschaft fundamental lockerte: Microsoft bleibt primärer Cloud-Provider, aber OpenAI kann nun alle Modelle auf jedem Cloud-Anbieter ausliefern (nicht nur Azure). Die Exklusivität für Microsoft ist faktisch vorbei. OpenAI schließt nun auch Deals mit AWS und Google, um ihre Modelle dort verfügbar zu machen – insbesondere über AWS Bedrock, wo Anthropic bislang eine de-facto-Monopolstellung hatte. Das ist der eigentliche Kern der Geschichte: Anthropic war dank seiner engen Bedrock-Integration in die Lage versetzt worden, Enterprise-Kunden schneller zu gewinnen als OpenAI, weil viele Unternehmen bereits auf AWS sind. Durch die neue AWS-Partnership und die Verteilung auf mehrere Clouds kann OpenAI nun direkt mit Anthropic konkurrieren und beseitigt den Vorteil, den die Cloud-Exklusivität Anthropic gegeben hatte.

  Der Video-Autor kritisiert dabei auch scharf Microsofts Azure-Infrastruktur für OpenAI-Modelle, die erhebliche Performance-Probleme aufwies (teilweise 2–15x langsamer als OpenAI-Endpoints), und dokumentiert, wie er durch öffentliche Kritik und Benchmarking Microsoft zur schnellen Behebung drängte. Am Ende beschreibt der Video eine Industrie im Umbruch: Der eigentliche Wettstreit wird sich künftig weniger zwischen den AI-Modellen abspielen, sondern zwischen den Custom-Chips und Cloud-Anbietern (Nvidia vs. AMD vs. Trainium vs. TPUs).

  **Explizit thematisierte Tools/Anbieter:** Microsoft, OpenAI, Anthropic, AWS (Bedrock), Google Cloud, Azure, DeepSeek, Trainium-Chips — **Format:** Meinung/Deep-Dive mit starker persönlicher Perspektive des Creators.

Tim Carambat (1 neues Video)

• A New AI Model Just Dropped With A CRAZY Claim.
  5.5.2026, 19:02:32

  Das Video diskutiert die Ankündigung eines neuen Modells namens SubQ von der Firma Sub Quadratic, das mit einem 12-Millionen-Token-Kontextfenster und einer angeblich 52-mal höheren Effizienz im Vergleich zu bestehenden Modellen wirbt. Der Creator, Timothy Karen, äußert Skepsis aufgrund fehlender technischer Berichte und unklarer Benchmarks. Er erklärt die zugrundeliegende Technologie, die auf “sparse attention” basiert, und vergleicht sie mit herkömmlichen und Flash-Attention-Mechanismen. Die Benchmarks zeigen, dass das Modell in bestimmten Tests wie SWEBench verified und MRCRV2 gut abschneidet, jedoch nicht klar ist, ob diese Ergebnisse auf das 12-Millionen-Token-Modell oder eine 1-Millionen-Token-Vorschau zutreffen. Timothy Karen hat sich für den Early Access beworben und wird die Ergebnisse in einem zukünftigen Video teilen.

  Das Video thematisiert explizit das Modell SubQ von Sub Quadratic und ist eher für Intermediate oder Advanced Zuschauer gedacht.

Unsupervised Learning

Keine neuen Videos in diesem Zeitraum.

WorldofAI (7 neues Videos)

• Codex Super App, OpenAI Chaos Drama, Gemini 3.2 Pro In Arena, GPT-Realtime-2, & NotebookLM Update!
  9.5.2026, 07:19:53

  Das Video bietet einen Überblick über die wichtigsten AI-Entwicklungen der Woche. OpenAI kündigte Hinweise auf eine zukünftige Codex-Super-App an, die Funktionen wie Fernsteuerung, tiefere Integrationen und neue Connector umfasst. Zudem wurde GPT Real-Time 2 vorgestellt, ein Sprachmodell mit nahezu GPT-5-Intelligenz für Echtzeit-Interaktionen. Google experimentiert mit neuen Gemini-Checkpoints, die jedoch als weniger leistungsfähig wahrgenommen werden. Claude Code führte eine Finanzdaten-Schnittstelle ein, die fortgeschrittene Finanzanalysen und Handelstrategien ermöglicht. In China veröffentlichte Baidu Ernie 5.1, das bei geringeren Kosten bessere Benchmark-Ergebnisse als DeepSeek V4 erzielt. Xi (vermutlich eine Verwechslung mit XAI) erweitert Brock zu einer Super-App mit erweiterten Tool-Calling-Funktionen und Produktivitäts-Tools. Zudem wurden private Textnachrichten zwischen Sam Altman und dem OpenAI-Vorstand geleakt, die neue Einblicke in die Machtkämpfe bei OpenAI geben. Abschließend wird die wachsende kulturelle Ablehnung von physisch präsenten AI-Systemen, die “Anti-Cyborg”-Bewegung, diskutiert.

  Das Video thematisiert explizit OpenAI, Google Gemini, Claude Code, Baidu, XAI (vermutlich Grock) und ist eher für Intermediate und Advanced AI-Interessierte geeignet.

• NEW Open Claude Code Is A FULLY FREE AI Coding Agent! (Tutorial)
  8.5.2026, 05:57:40

  Das Video diskutiert die aktuellen Probleme mit Enthropic, insbesondere die aggressiven Rate Limits und die reduzierte Modellleistung, die die Nutzererfahrung mit Claude Code beeinträchtigen. Der Nutzer zeigt auf, dass selbst mit einem Pro-Abo die Nutzungsbeschränkungen frustrierend sind und die Kosten für zusätzliche Nutzung schnell steigen können. Als Alternative wird Freebuff vorgestellt, ein kostenloser AI-Coding-Agent, der auf GLM 5.1 basiert und keine Subskriptionen oder komplizierte Setups erfordert. Freebuff bietet eine schnelle, autonome und nutzerfreundliche Coding-Erfahrung mit integrierten Sub-Agents und intelligenten Follow-up-Prompts. Der Nutzer demonstriert die Installation und Nutzung von Freebuff, einschließlich der Integration mit ChatGPT für bestimmte Use-Cases. Freebuff wird als eine vielversprechende und kostenlose Alternative zu Claude Code präsentiert, die eine schnellere und zuverlässigere Coding-Erfahrung bietet.

  Das Video thematisiert explizit Enthropic, Claude Code, Freebuff, GLM 5.1, und ChatGPT und ist eher für Intermediate bis Advanced Nutzer gedacht.

• Claude’s New “Infinite” Context Window Model, Doubled Rate Limits, Multi-Agent Cordination, & More!
  7.5.2026, 06:44:06

  Das Video fasst die wichtigsten Ankündigungen der Enthropic-Entwicklerkonferenz zusammen, die sich auf AI-Coding-Agents, Agent-Workflows und die Zukunft des Software-Engineerings mit Claude konzentrierte. Ein zentrales Thema war die langfristige Agent-Intelligenz, wobei Enthropic eine neue “Dreaming”-Funktion vorstellte, die es Agenten ermöglicht, vergangene Sitzungen zu überprüfen und zukünftige Entscheidungen zu verbessern. Zudem wurde die Multi-Agent-Orchestrierung eingeführt, bei der eine führende KI-Agenten Aufgaben an spezialisierte Agenten delegieren kann, die parallel an komplexen Aufgaben arbeiten. Ein weiterer wichtiger Punkt war die erhebliche Erhöhung der Cloud-Code-Rate-Limits für alle bezahlten Pläne, was durch eine neue Compute-Partnerschaft mit SpaceX ermöglicht wurde. Enthropic kündigte auch drei Hauptfokusbereiche für die nächste Generation von Modellen an: ein unendliches Kontextfenster, fortgeschrittene Multi-Agent-Koordination und persistente Langzeit-Reasoning-Systeme. Diese Entwicklungen deuten darauf hin, dass Claude sich von einem einfachen Chatbot zu einem vollautonomen Software-Engineering-System entwickeln könnte.

  Das Video thematisiert explizit Claude von Enthropic und ist eher für Intermediate und Advanced Nutzer gedacht.

• Gemini Omni, Gemini 3.2 Flash, a 12M Context Window Model, Claude Replaces Analysts, & More! AI NEWS
  6.5.2026, 06:30:16

  Das Video bietet einen umfassenden Überblick über die neuesten Entwicklungen in der KI-Branche, mit einem besonderen Fokus auf die bevorstehenden Ankündigungen von Google im Rahmen der Google IO Konferenz. Wichtige Punkte sind die angeblichen Tests von Gemini 3.2 Flash und potenziell noch leistungsfähigeren Varianten wie Gemini 3.5 oder 4.0. Zudem wird ein Durchbruch in der Architektur großer Sprachmodelle durch SubQ erwähnt, das ein Modell mit einem Kontextfenster von 12 Millionen Tokens eingeführt hat. OpenAI hat GPT 5.5 Instant veröffentlicht, das schneller und effizienter ist, während Enthropic seine KI-Lösungen für den Finanzsektor ausbaut. Google hat zahlreiche Updates für seine KI-Tools wie Gemma 4, Google AI Studio und Notebook LM vorgestellt. Perplexity hat ebenfalls eine Finanzagentur eingeführt, die mit lizenzierten Daten von verschiedenen Anbietern arbeitet.

  Schluss-Kommentar: Das Video thematisiert explizit Google (Gemini, Gemma), OpenAI (GPT 5.5 Instant), Enthropic (Claude), SubQ und Perplexity und ist eher für Intermediate und Advanced gedacht.

• Open Design – Open Source Claude Design! Fully Free AI Design System!
  5.5.2026, 06:52:13

  Das Video stellt Open Design vor, eine Open-Source-Alternative zu Claw Design von Anthropic, die es ermöglicht, UI-Designs, Wireframes, interaktive Prototypen und Präsentationen durch Sprachbefehle zu erstellen. Open Design bietet mehrere Vorteile gegenüber Claw Design, darunter die Möglichkeit, verschiedene Modelle und Tools zu integrieren, eine lokale First-Web-Deployment-Option und die Kompatibilität mit bis zu 15 verschiedenen Coding-Agent-CLIs. Es verfügt über 31 komposable Fähigkeiten und 72 vollständige Designsysteme, die die Erstellung von Produktions-Level-Designs ermöglichen. Das Video zeigt auch, wie man Open Design lokal installiert und einrichtet, einschließlich der Konfiguration von Agenten, Medienanbietern und MCPs. Es wird demonstriert, wie man ein Blog-Post-Design erstellt und die verschiedenen Funktionen von Open Design nutzt, um ein hochwertiges UI-Design zu erstellen. Das Video betont die Vorteile von Open Design gegenüber Claw Design, insbesondere die Flexibilität und die Möglichkeit, Open-Source-Modelle zu nutzen.

  Das Video thematisiert explizit Open-Source-Tools und ist eher für Intermediate und Advanced Nutzer geeignet.

• DeepSeek V4 + Claude Code = BEST AI Coder!
  4.5.2026, 07:30:58

  Das Video zeigt, wie man DeepSeek V4 mit Cloud Code kombiniert, um eine kostengünstige und effiziente AI-Coding-Workflow zu erstellen. DeepSeek V4 ist ein leistungsfähiges Open-Source-Modell, das besonders token-effizient ist und lange Kontextfenster unterstützt. Es eignet sich gut für grundlegende Coding-Aufgaben wie schnelle Skripte, Unit-Tests und einfache Automatisierungen, ist aber nicht für komplexe Aufgaben wie Webentwicklung oder Sicherheitsaudits geeignet. Durch die Kombination mit Cloud Code kann DeepSeek V4 für einfache Aufgaben genutzt werden, während teurere Modelle wie GPT 5.5 oder Opus 4.7 für komplexere Aufgaben reserviert bleiben. Der Workflow wird durch Anti-Gravity vereinfacht, das die Einrichtung autonom durchführt. In einer Demo wird gezeigt, wie DeepSeek V4 für die Grundstruktur eines AI-Dashboards verwendet wird, während Opus 4.7 für die UI-Polierung und komplexere Aufgaben zuständig ist. Dieser Hybridansatz spart Kosten und umgeht Rate-Limits.

  Das Video thematisiert explizit DeepSeek V4, Cloud Code, Opus 4.7, GPT 5.5, Anti-Gravity und ist eher für Intermediate bis Advanced Nutzer gedacht.

• Gemini 3.5 Flash In Arena! POWERFUL, Cheap, & Fast NEW AI Model! (Fully Tested)
  3.5.2026, 06:44:45

  **Zusammenfassung**

  Google testet hinter den Kulissen ein upgradeiertes Gemini 3 Flash-Modell, das unter demselben Model-Slug in einer Arena versteckt ist, aber deutlich bessere Output-Qualität liefert — Nutzer berichten von Reasoning und Antwortqualität, die fast zwei Stufen über dem aktuellen Standard liegt und näher an Gemini 3.1 Pro herankommt. Parallel dazu hat Google Vortex-AI-Kunden informiert, dass Gemini 3.1 Flash Light bald allgemein verfügbar wird. Die Theorie ist, dass Google die Version 3.1 Flash vor Google IO (Mai 19–20) veröffentlicht, dann Gemini 3.5 Pro auf der Konferenz selbst ankündigt und später Gemini 3.5 Flash im Juni/Juli folgen lässt — dies würde die Performance-Lücke zwischen 3.0 Flash und stärkerem 3.5 Pro schließen.

  Der Creator testet das neue Modell mit mehreren Aufgaben: Bei Front-End-Entwicklung (macOS-Browser-UI, 360-Produkt-Viewer, React-Animationen) zeigt es Qualität auf Niveau von 3.1 Pro. Bei 3D-Grafiken (ThreeJS) produziert es beeindruckend detaillierte Szenen — ein PS5-Controller erreicht Note 9/10, ein 70er-Jahre-TV-Simulator mit neun verschiedenen Kanälen und Echtzeit-Rendering funktioniert sehr gut, nur Terrain-Navigation fällt ab. SVG-Generierungen (Schmetterling, Pelikan auf Fahrrad) sind solide animiert, zeigen aber kleinere Genauigkeitsmängel. Das Modell ist über die Arena im Battle-Mode zugänglich und erweist sich als deutlich stärker für komplexe kreative und technische Aufgaben als typische Flash-Varianten.

  **Abschließend:** Google / Gemini 3 Flash, 3.1 Pro, Vortex AI thematisiert — Demo & Meinung/Reflexion.

---

Automatisch generiert aus den letzten YouTube-Videos der kuratierten Kanal-Auswahl. Bei Feedback, Anregungen oder zum Austragen: einfach auf diese Mail antworten.