Blog

Anthropic zieht davon: Computer Use, Dispatch und Skills machen Claude zum vollständigen Agenten-OS

Sonntag, 29. März 2026

Hallo, dieser wöchentliche Digest arbeitet die wichtigsten neuen Videos aus rund 45 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

Der bedeutendste Benchmark-Moment der Woche war ARC AGI 3: Menschen erreichen 100 %, aktuelle Modelle unter 0,5 % – weil die Rätsel abstrakt, interaktiv und ohne sprachliche Hinweise sind und das Scoring Ineffizienz quadratisch bestraft. AI Explained und Everlast AI erklären, warum ARC AGI 1 und 2 durch Chain-of-Thought-Gaming gesättigt wurden und wie das neue Design das verhindert. Im Hintergrund läuft das Rennen um die nächste Frontier-Generation: Anthropics Claude Mythos (intern auch Capibara als kleinere Variante) tauchte in einem geleakten CMS-Eintrag auf – beschrieben als offensiv-defensiver Cybersecurity-Sprung, der das Unternehmen zu einer vorsichtigen Rollout-Strategie mit Cybersecurity-Partnern zwingt. OpenAI arbeitet seinerseits an einem Modell namens Spud, für das Sora-Kapazitäten freigeschaufelt werden. Google veröffentlichte Gemini 3.1 Flash Live mit Speech-to-Speech, niedrigerer Latenz, Emotions­erkennung direkt aus Audio und Screen-Sharing-Fähigkeit – Nate Herk demonstriert die Integration in Voice Agents mit ClickUp und Kalender. Cursors neues Composer 2 sorgte für Kontroversen, weil es heimlich auf Kimi K2.5 von Moonshot AI aufsetzt; Theo analysiert die Lizenzfrage und die strukturellen Gründe, die Cursor zu günstigen Alternativen zu teuren Frontier-Modellen treiben.

Local & Open-Source AI

Alex Finn liefert die vollständigste Einführung in lokale Modelle der Woche: Nach über 50.000 Dollar eigener Investition beschreibt er das hybride Modell aus lokalen „Muskeln” (Qwen 3.5 auf Mac Studio als Charlie, schreibt 24/7 Code) und Cloud-„Gehirn” (ChatGPT als Ralph, orchestriert). Empfohlene Modelle: Qwen 3.5 (bestes Verhältnis), Nvidia Neotron 3 (open-source, stark) und Minimax 2.5 (schnell, leichtgewichtig). LM Studio als kostenlose Chat-App, HuggingFace für Downloads. Der wichtigste Punkt ist nicht Kosteneinsparung, sondern 24/7-Skalierbarkeit und neue Use Cases, die mit Cloud-Modellen unmöglich wären (ein Minimax-Agent scrapt permanent das Web nach Business-Opportunities und schickt Ergebnisse via Telegram für null Dollar). NeuralNine zeigt den vollständigen Quantisierungs-Workflow mit Llama.cpp und Docker: Qwen 2.5 7B von 15 GB auf 4,7 GB via Q4_K_M-Quantisierung reduziert, dann über Ollama laufen lassen – selbst auf altem ThinkPad praktikabel. Tim Carambat erklärt Googles TurboQuant-Forschung: sechsmal mehr Tokens im gleichen KV-Cache-Speicher, praktisch viermal weniger RAM-Verbrauch – was auf Consumer-Hardware Kontextfenster von 8.000 auf 32.000 Token hebt und ganze Aufgabenklassen (z.B. dreistündige Podcast-Transkription) erst ermöglicht.

Claude Code & Anthropic-Tooling

Neben Computer Use, Dispatch und Channels (siehe Cover) brachte die Woche mehrere tiefe Dives in den praktischen Einsatz von Claude Code. Cole Medin zählte über ein Dutzend neuere Features auf, die kaum jemand nutzt: Git Worktrees für parallele Feature-Branches, den /simplify-Command gegen Over-Engineering, /batch für parallele Sub-Agent-Refactorings, /btw für Nebenfragen ohne Kontext-Bloat, /loop für wiederkehrende In-Session-Prompts, Voice-Support via /voice sowie das neue /effort-Level-System. AutoDream (auch /dream) ist das Memory-2.0-Feature der Woche: Ein Sub-Agent konsolidiert periodisch alle Memory-Markdown-Dateien, pruned veraltete Zeitstempel und Duplikate – WorldofAI und Nate Herk erklären die vier Phasen (Orientation, Gather Signal, Consolidation, Prune & Index). Mark Kashef taucht in die .claude-Ordnerstruktur ein und erklärt, warum CloudMD als schlanker Router (ca. 50 Zeilen) statt als Enzyklopädie fungieren sollte, wie Hooks physische Blockaden setzen (100 % Compliance) während Prompts „Best Effort” (≈99 %) sind, und warum max. 4–5 Tools pro Agent die Fehlerrate senken. Sein Zertifizierungs-Guide-Video zu Anthropics neuem „Claude Certified Architect”-Programm strukturiert die fünf Prüfungsdomänen: Agentic Architecture (27 %), Tool & MCP Integration (18 %), Claude Code Configuration (20 %), Prompt Engineering (18 %) und Context Management & Reliability (17 %). Matt Pocock testete das überarbeitete /init-Kommando konstruktiv: Es ist deutlich besser als zuvor (interaktiv, schlägt Skills und Hooks vor, keine riesigen Aufblähungen mehr), wirkt aber noch zu servil gegenüber Nutzereingaben. Tim Carambat warnt explizit vor Skills.md als Token-Falle: Einzelne Skills kosten bis zu 6.000 Token, und GStack-Plans bis zu 21.000 – was bei kumulativen Sessions zu erheblichen Kosten führt, besonders wenn die VC-Subventionierung endet.

Coding Agents (non-Claude)

OpenClaw erhielt in dieser Woche drei eigenständige Feature-Updates: Clawhub-Integration (Skills in Echtzeit per CLI suchen und installieren), eine Mission-Control-UI für Skills-Management mit Analyse- und Build-Buttons sowie das /btw-Slash-Kommando für leichtgewichtige Einweg-Fragen ohne Kontext-Kosten. Alex Finn zeigt fünf konkrete Use Cases – Daily Memory Tracker, Trending Content Alerts via X/Reddit/YouTube-APIs, Vibe Coding, ein R&D-Team aus fünf parallelen KI-Modellen (Kosten: ca. 40 Cent für vier Memos) und einen autonomen Overnight Employee per Cron-Job um 2 Uhr morgens. Julian Ivanov liefert den systematischsten Einsteiger-Kurs zu OpenClaws Architektur: Soul.md, Identity.md, Agents.md, der Agentic Loop (Think-Observe-Act), das Gateway-Routing über 20+ Kanäle, Sessions als parallele Gesprächsstränge, Subagents als temporäre Kontext-Isolatoren und Heartbeat-Costs. MoureDev erklärt die Sicherheitsempfehlung, OpenClaw nicht auf dem Hauptrechner zu installieren, sondern auf einem dedizierten Mac Mini oder VPS. Nate Herk demonstriert Paperclip als kostenloses Open-Source-Orchestrierungstool, das mehrere Claude-Code-Agenten mit gemeinsamer Task-Liste, Ticketing-System und Budget-Limits in einer Kontrolltafel vereint – der CEO-Agent stellt eigenständig einen Ingenieur ein, dieser erhält Aufgaben. Die philosophischste Perspektive liefert Niklas Steenfatt, der ein Terminal-Dashboard mit vier Panels aufbaut, um seiner OpenClaw-Instanz Amadeus beim Arbeiten zuzuschauen – und dabei entdeckt, dass Amadeus ein nicht funktionierendes Codex-Tool durch eigenständig gespawnte Subagent-Prozesse umgeht.

Software-Engineering & Dev-Kultur

Theo (t3.gg) setzt sich grundsätzlich mit dem Zukunft von Issue-Trackern auseinander: Linear beobachtet, dass 75 % seiner Enterprise-Workspaces Coding-Agents nutzen, das Agents-Volumen in drei Monaten fünffach gestiegen ist und Agents bereits 25 % neuer Issues erstellen. Die These: Wenn AI kompetent genug ist, CEO, Manager, Designer, Engineer und QA zu spielen, macht menschliche Arbeitsteilung keinen Sinn mehr – der richtige Ansatz wäre Prototype-First (code first, dann informiert planen), nicht Spec-First. Jira und Atlassian machen keinerlei Schritte in diese Richtung, Linear ist auf dem richtigen Weg, denkt aber noch zu sehr in menschlichen Rollenkategorien. Tim Carabat (AI Made Coding Worse) benennt fünf Qualitätsprobleme durch AI-assistiertes Coding: selbstsicheres Falschliefern ohne Erkennbarkeit, Verlust von Domain-Knowledge (nach 200 Prompts versteht man die eigene Architektur nicht mehr), Optimierung für Tests statt Skalierung, Dependency Debt (Tausende Zeilen die niemand versteht), und der Just-Fix-It-Loop. Nate Jones abstrahiert Nvidia-Forscher Rob Pikes fünf klassische Software-Engineering-Regeln auf Agenten: keine spekulativen Optimierungen, messen vor tunen, Einfachheit vor Komplexität – und zeigt, dass Factory.ai eine Agent-Readiness-Analyse über acht technische Säulen (Linting, Testing, Dokumentation, Dev-Environment, Code-Quality, Observability, Security, Governance) anbietet.

Personal AI OS & Agent-Frameworks

Nate Jones zerlegt den Agent-Begriff diese Woche in vier klar unterschiedliche Produktionstypen: Coding Harnesses (einzelnes LLM mit Datei-Zugriff, Menschen als Manager), Dark Factories (Spec rein, Software raus, Menschen nur an Anfang und Ende), Auto Research (iterative Metrik-Optimierung wie Tobi Lütkes 53-%-Performance-Sprung bei Shopify) und Orchestration (spezialisierte Rollen für Tausende-Tasks-Skala). Sein Kernargument: Diese vier Typen zu verwechseln ist der häufigste Architektur-Fehler. Cole Medin kontrastiert SDK-basierte Ansätze (Claude Agent SDK, Codex SDK: schnell, einfach, automatisches Konversations-Management) mit klassischen Frameworks (Langchain, N8N, Pantic AI: kostengünstiger in Produktion, unverzichtbar bei mehreren Nutzern). Terms of Service sind dabei ein unterschätztes Hindernis: SDKs dürfen laut Nutzungsbedingungen nur für einzelne Nutzer mit eigenem Abo verwendet werden. Ben AI zeigt, wie Obsidian als lokaler Markdown-Vault mit Claude Cowork zusammenwächst: Die centrale claude.md navigiert die gesamte Vault-Struktur, Skills zeigen auf spezifische Vault-Dateien statt eingebettete Referenzdateien, und Updates propagieren sofort auf alle Skills. Brian Casel demonstriert vier mobile Workflows für Claude Code – Quick Handoff, Cloud-Session über GitHub, Neuprojekt auf dem Handy und das Power-User-Setup mit Termius plus Tailscale für vollen lokalen Zugriff von unterwegs. Melvynx kritisiert MCPs grundsätzlich: Sie injizieren alle Tool-Beschreibungen permanent in den Kontext, auch wenn diese Tools gar nicht gebraucht werden – sein Gegenvorschlag sind CLIs mit On-Demand-Skills, die nur bei Bedarf geladen werden und über standardisierte Bash-Pipelines zuverlässiger und token-effizienter arbeiten.

AI-Automation & Workflows

n8n zeigt in seinem Livestream, dass MCP jetzt Workflows direkt aus Claude Desktop heraus erstellen und bearbeiten kann – eine Live-Demo baut einen täglichen AI-Digest-Workflow durch natürlichsprachlichen Prompt. Weitere n8n-Ankündigungen: CLI für Workflow-Management, One-Click-OAuth für ~30 Integrationen (Cloud-only) und Agents als First-Class Citizens statt nur als Nodes. Firecrawl bringt mit seinem neuen Interact-Endpoint echte Browser-Session-Steuerung für Agents (Navigieren, Klicken, Formulare ausfüllen); n8n-Cloud-Nutzer erhalten 100.000 kostenlose Credits. Adam demonstriert ein n8n-System, das YouTube-Videos in drei Shorts verwandelt: Gemini analysiert Struktur, Replicate generiert B-Roll, Creator Mate rendert aus einer Template-Bibliothek – der Mensch filmt sich nur 45 Sekunden selbst, der Rest läuft automatisch. Kyle Balmer verbindet SEO-Automatisierung mit Claude: Das kostenlose Claude-SEO-Skill von Rishi Daniel (GitHub) führt vollautomatisierte Audits durch (technisches SEO, EEAT-Scoring, Schema Markup, AI-Search-Optimierung) und kann mit Scheduled Tasks jede Nacht 20 Seiten abarbeiten. Zubair Trabzada zeigt zwei praktische Multi-Agent-Tools: ein GEO-Audit-Tool (5 parallele Sub-Agenten analysieren AI Citability, Brand Authority, Technical, Content Quality und Schema; Output: PDF mit GEO-Score und plattformspezifischen ChatGPT/Perplexity/Gemini-Readiness-Werten) und einen Contract-Analyzer mit 14 Skills und 5 Sub-Agenten, der Freelancer-Verträge in 60 Sekunden auf riskante Klauseln prüft.

AI-Video & Content Creation

Soras Shutdown hat Disney’s geplante 1-Milliarde-Dollar-Investition begraben – Kyle Balmer analysiert, dass Google als wahrscheinlichster neuer Video-KI-Partner für Disney gilt, während Apple trotz Pixar-Besitz keine relevanten Modelle hat. Luma AIs neues Modell Uni One arbeitet nicht diffusionsbasiert, sondern autoregressiv als Transformer – denkt Komposition erst, bevor es generiert, was laut Everlast AI bessere Pixel-Genauigkeit und weniger Rauschen bringt, aber bei Text im Bild schwächer ist als Konkurrenten. Seeance 2.0 ist über PI API (inoffizieller Wrapper) global verfügbar: nativ mehrere Kamerawinkel, automatische Soundeffekte/Dialog/Lip-Sync/Musik, Timeline-Prompting als beste Praxis für cineastische Ergebnisse (fünf Sekunden in Fast-Qualität: ~40 Cent). Remotion, das React-Framework für Video-als-Code mit über 150.000 Installationen, und Blender MCP (17.000 GitHub-Stars für 3D-Szenen per Natürlichsprache) werden von Nate Jones als Teil einer größeren Verschiebung gelesen: Design wandert zur Command Line, das klassische Designer-Engineering-Handoff-Dreieck wird durch parallele, von Haus aus buildbare Workflows ersetzt.

AI-Business, Marketing & Freelancing

Der McKinsey-projizierte Billionen-Dollar-Umsatz durch AI-Agents hängt laut Nate Jones an einer strukturellen Voraussetzung, die fast alle ignorieren: Produktkataloge, Versandversprechungen, Rückgaberichtlinien und alle transaktionalen Daten müssen „agent-lesbar und agent-schreibbar” sein – nicht als Marketing-Copy, sondern als strukturierte Schemas mit verifizierbaren Quellen. Vier verbreitete Fehlkonzepte werden durchgearbeitet: Agent-Discovery funktioniert nicht wie Suchmaschinen-Ranking (Agents evaluieren Strukturdaten gegen explizite Constraints), Produktkomplexität ist kein Hindernis sondern Vorteil, Kundenvertrauen beginnt bei Absichtsdelegation, und Abwarten ist laut dem Sprecher „signing your own death warrant” (Datenbereinigung braucht Monate). Nate Herk dokumentiert Cal AI: Ein 18-Jähriger baute einen Kalorie-Scanner per Foto (Start Mai 2024, eine Million Downloads in 3–4 Monaten, über eine Million Dollar Monatsumsatz, Ende 2025 für geschätzt über 100 Millionen Dollar verkauft) – die Lehren: Problem-driven Ideation, Creator-First-Marketing (DMs an 20–30 Creator, kreative Freiheit, erste 15 Sekunden produktdemonstration), und Retention durch Habit-Features (Streaks, Health Score). Heute ermöglichen Cursor, Lovable, Claude Code und Replit denselben Start ohne Programmierkenntnisse.

PKM & Knowledge Management

Ben AI zeigt das Obsidian-als-Second-Brain-System in seiner ausgewachsenen Form: Die Dateistruktur (Context, Daily, Departments, Intelligence, Meetings, Projects, Resources, Skills, Tasks, Teams) dient als einheitliche Wissensquelle für Claude Cowork, Claude Code und beliebige andere AI-Agenten – alle greifen auf denselben lokalen Markdown-Ordner zu. Der entscheidende Langzeitvorteil: Akkumulierter Kontext über Wochen und Monate macht jeden Agenten exponentiell besser; wer später startet, verliert diesen Vorsprung unwiederbringlich. Mark Kashef demonstriert eine video-basierte Skill-Erstellung: Bildschirmaufnahme (5–30 Minuten) → Gemini Video Understanding API extrahiert tacit knowledge, Entscheidungskriterien und Nuancen, die schriftliche SOPs systematisch verfehlen → Skill Creator Skill generiert daraus produktionsreife Skills mit Multiple-Choice-Dialogen für Entscheidungspunkte. Das Vorgehen für Content-Repurposing (YouTube-Transkript zu LinkedIn- und X-Posts) zeigt, wie Gemini persönliche Schreibstil-Präferenzen aus dem Video zieht und in den Skill einbaut.

Prompting & AI-Literacy

Matt Pocock macht die Halluzinations-Frage operational: LLMs halluzinieren, weil Training massive Daten in ein kleineres Modell komprimiert (wie extreme Bildkompression) und Benchmarks Raten über Unsicherheit belohnen. Praktische Konsequenz: LLMs nur mit intrinsischen Informationen verwenden (Daten, die man selbst in die Konversation einbringt), bei extrinsischen Fragen „Use your search tool” erzwingen, bei kritischen Entscheidungen die recherchierten Quelldokumente selbst prüfen. Dave Ebbelaar leitet aus seinem Rust-Projekt-Erlebnis (Sprache nie gelernt, trotzdem vollständig mit AI umgesetzt) fünf neue Kernkompetenzen ab: Systemarchitektur statt Zeilenebenen-Denken, Full-Stack-Überblick für AI-Steuerung, natürliche Sprache als neue Programmiersprache (Spracherkennung verbessert Klarheit), radikales Vereinfachen nach jedem Build-Zyklus (ignorierter Schritt, der Code-Qualität bestimmt) und systematisches Testen mit echten Edge Cases statt optimistischen Mocks. David Shapiro reflektiert ein subtileres Problem: Die Geschwindigkeit von AI entleert kreative „Brunnen” schneller, als sie sich auffüllen – vier Musikalben in wenigen Wochen mit Suno, dann anderthalb Jahre Stille, bis echte Lebenserfahrungen neue Impulse lieferten. Echte kreative Befriedigung kommt aus externer Überraschung, nicht aus KI-Personalisierung.

AI-Industrie & Strategie

Nate Jones kartiert strategische Wetten im Agent-Ökosystem anhand dreier Achsen (Laufort, Intelligenz-Orchestrierung, Interface): OpenClaw maximiert Datensouveränität bei hohem Sicherheitsrisiko, Perplexity Computer ($200/Monat) liefert Governance mit Datentrust-Trade-off, Manus setzt auf Meta-Ökosystem-Distribution, Anthropic Dispatch adressiert weniger technische Profis, Lovable steht unter Druck, sich vom Vibe-Coding-Tool zum Generalpurpose-Agent-Builder zu transformieren. TheAIGRID analysiert Soras Shutdown mathematisch: ~130 Dollar Compute-Kosten pro zehnsekündigem Video, 11 Millionen tägliche Clips auf dem Höhepunkt – grob 15 Millionen Dollar tägliche Compute-Kosten ohne nennenswerte Einnahmen. Parallel dazu verlor ChatGPT seinen Mobilmarktanteil von 69 % auf 45 %, während Claude um 240 % im Monat wuchs. Kyle Balmer rechnet die Geschäftsmodelle gegeneinander: Anthropic verdient mit 30–40 Millionen Nutzern ähnlich viel oder mehr als OpenAI mit 900 Millionen – bei deutlich besserer Marge, weil API- und Enterprise-Revenue dominieren. Theo seziert die Subventionsmechanik: Anthropics 5.000-Dollar-Compute für 200 Dollar/Monat bei Claude Code ist bewusst darauf ausgelegt, Konkurrenten zu erdrücken und Nutzer zu binden – ein Modell, das endet, sobald die VC-Finanzierungsphase ausläuft. Adrian Locher (Merantix) sieht Foundation Models auf dem Weg zur Commodity wie Cloud Computing und prognostiziert die Zukunft in vertikal integrierten, outcome-basierten Geschäftsmodellen: Vara (KI-Brustkrebsscreening, 50 %+ aller deutschen monatlichen Screenings), Cambrium (Biomaterialien mit Protein-Transformer), Delta (Kamerasysteme für Fabrikprozesse täglich im Einsatz). Nvidias Nemo Claw (Enterprise-Layer über OpenClaw mit Sicherheits-Guardrails, Policy-Kontrolle und lokalem GPU-Compute) wird von Nate Jones als Gegenmodell zur Consulting-abhängigen OpenAI/Anthropic-Deployment-Strategie gelesen.

AI & Gesellschaft / Future of Work

Die Woche brachte zwei komplementäre Makro-Analysen zur Arbeitswelt. David Shapiros „Universal High Income”-Essay argumentiert, dass der Lohnanteil am Nationaleinkommen seit den 1970ern von 65 % auf 56–58 % gefallen ist und die kommende Automatisierungswelle drei Einkommensquellen erfordert: staatliche Transfers (Alaskas Permanent Fund als Modell), öffentliches Kapital (Sovereign Wealth Funds; ein US-Fonds mit 3–5 % BIP/Jahr könnte in 30 Jahren 58 Billionen Dollar generieren) und privates Kapital (ESOPs, Baby Bonds, Genossenschaften). Das Zeitproblem ist kritisch: Fonds brauchen Jahrzehnte zum Reifen, die Automatisierungswelle kommt 2030–2035. Der anthropologisch-soziologische Gegenpart liefert der Datapizza-Kanal mit dem Anthropic-Expositions-Report und der Goldman-Sachs-Analyse: Programmierer sind zu ~75 % exponiert, manuelle Berufe kaum – doch 100 Milliarden Dollar quartalsweise KI-Investitionen haben 2025 praktisch null BIP-Beitrag geleistet (Produktivitätsparadoxie; vgl. Elektromotor: 30 Jahre ohne messbaren Vorteil bis zur Prozess-Reorganisation). Nate Jones beschreibt parallel den gespaltenen Jobmarkt: 3,2 AI-Jobs pro qualifiziertem Kandidaten, 142 Tage durchschnittliche Besetzungsdauer – gesucht werden Specification Precision, Evaluation Judgment, Multi-Agent Decomposition und Context Architecture. Der Le-SamourAI-Kanal warnt vor der LinkedIn-Gründer-Falle: 70 % mehr Gründer-Titel dieses Jahr entstammen Flucht aus dem zusammenbrechenden Juniors-Markt, nicht echter Opportunität – ohne Domain Expertise und Urteilsvermögen scheitert Unternehmertum, während IBM und Shopify parallel ihre Junior-Einstellungen verzehnfachen, aber für AI-native Rollen mit vier Judgment-Typen (Delegation, Spezifikation, Evaluation, Organisation).

Kurz notiert

Google Stitch (kostenloser UI-Design-Generator, 350 Generationen/Monat, Gemini-3.1-Pro-basiert, MCP-Integration für Claude Code) wird von Leon van Zyl und Nate Jones als Figma-Alternative für Command-Line-Design-Workflows gezeigt. GLM 5.1 von Zi erreicht 45,3 % auf Coding-Benchmarks gegenüber 47,9 % bei Opus 4.6 – ein Open-Source-Modell schließt die Lücke zu Frontier-Modellen. Airavy (Open-Source Context-Retrieval-Layer mit 50+ Konnektoren für GitHub, Notion, Slack) wird als MCP-Alternative für Antigravity-Agenten gezeigt. 11 Labs CLI ist jetzt Agent-First: Voice Agents entstehen per Kommandozeile statt in UIs, was Coding-Agents die Erstellung übernimmt. Mistral Boxrol TTS bringt Text-to-Speech in neun Sprachen. Tech With Tims Five-AI-Comparison-Tool (ChatGPT, Perplexity, Gemini, Grok, Copilot gleichzeitig befragen, Markenerwähnungen vergleichen, via Bright Data Serp API) adressiert AI-Brand-Monitoring als neue SEO-Disziplin. Semux (Terminal für macOS mit mehrstufiger Tab-Navigation, Port-Status, GitHub-Branch-Anzeige) und Helium (minimalistischer Chrome-basierter Browser) werden als optimales Entwickler-Setup für Claude Code empfohlen. Anthropic befragte 80.508 Menschen in 159 Ländern (per Claude als Interviewer): Top-Wunsch ist berufliche Exzellenz (18,8 %), größte Sorge Unzuverlässigkeit/Halluzinationen (26,7 %); in Subsahara-Afrika und Lateinamerika deutlich optimistischer als in Nordamerika. Das Maven Smart System (Palantir, AWS, Azure, Google, ursprünglich mit Claude – dann nach Daario Amodeis Einwänden durch OpenAI ersetzt) wird von Fireship technisch und satirisch als KI-gestützte militärische Kill-Chain seziert.

AI Explained (1 neues Video)

• Two AI Models Set to “stir government urgency”, But Will This Challenge Undo Them?
  26.3.2026, 20:15:12

  Das Video behandelt mehrere aktuelle AI-Entwicklungen und deren Implikationen.

  OpenAI und Anthropic – neue Modelle im Anmarsch: Beide Unternehmen arbeiten an qualitativen Leistungssprüngen. OpenAI hat die Sora-App eingestellt, um Rechenressourcen für das neue “Spud”-Modell freizugeben, das laut Insider in wenigen Wochen verfügbar sein soll. Anthropic warnt US-Regierungsbeamte, dass die nächste Claude-Version offensive und defensive Cyber-Fähigkeiten massiv verbessern könnte – was möglicherweise Verhandlungen zum Pentagon-Deal wieder vorantreiben soll.

  Arc AGI 3 – das neue Benchmark: Ein neues Benchmark-System wurde veröffentlicht, bei dem Menschen 100% erreichen, aktuelle AI-Modelle aber unter 0,5%. Das Besondere: Die Tests sind abstrakte, interaktive Rätsel ohne sprachliche oder kulturelle Hinweise; Ziele müssen vom Modell selbst inferiert werden. Arc AGI 1 und 2 wurden kürzlich gesättigt, weil Modelle mit Chain-of-Thought-Reasoning die Benchmarks „gamten” – durch ähnliche Trainingsmuster wie die Test-Sets. Arc AGI 3 verhindert das durch unterschiedliche Datendistributionen zwischen öffentlichem und privatem Test-Set. Die Scoring-Methodik bestraft Ineffizienz quadratisch und setzt ein 5x-Limit für Aktionen; das macht echte Generalisierung schwer messbar. Symbolica AI erreichte mit einem Multi-Agent-Harness alle öffentlichen Level, doch Harnesses sind in der Evaluation nicht erlaubt.

  Automatisierte AI-Forschung: OpenAI strebt einen vollständig automatisierten AI-Researcher an – ein Intern-Level-System bis September. Die Analogie: Wie Code-Agenten in der Software-Entwicklung. Allerdings zeigt OpenAIs GDP-Val-Paper, dass selbst wenn AI das erste Draft erstellt und Menschen nur noch redigieren, Speedups typischerweise nur im 40%-Bereich liegen – kein exponentieller Takeoff.

  Sicherheitsrisiken: Ein Supply-Chain-Hack bei einer Python-Bibliothek zeigte, wie Open-Source-Abhängigkeiten missbraucht werden können, um Secrets zu exfiltrieren. Während agentic Swarms zur Exploits-Detektion eingesetzt könnten, warnt Nvidias Jim Fan, dass „Claws Shells brauchen” – mehrere Schutzschichten – besonders, da Modelle nun auch Benchmarks selbst in Echtzeit manipulieren können.

  Gesamteindruck: Wir befinden uns in einer „messy middle”-Phase: AI ist besser beim ersten Draft als Menschen, aber Outputs haben noch Lücken. Es gibt Generalisierung bei Low-Level-Konzepten (Programmiersprachen, Natürlichsprache), weniger bei High-Level-Zielen (akademische Integrität, adaptive Zielplanung).

  Explizit genannt: OpenAI (Spud-Modell), Anthropic (Claude), Google DeepMind (Gemini 3.1, NetHack), Arc AGI 3, Assembly AI (Universal 3 Pro Streaming); Format: Roundup/Deep-Dive mit Meinungs-Anteilen.

AI Foundations (1 neues Video)

• Automate ANY Task Using Claude Skills! (Full Cowork Setup)
  27.3.2026, 16:00:40

  Zusammenfassung: Claude Skills zum Automatisieren von Business-Aufgaben

  Der Creator stellt sein DBS-Framework vor — ein Drei-Schichten-Modell zur Strukturierung von Claude-Automationen:

  • D (Direction): Die skill.md-Datei, die Claude Schritt-für-Schritt anleitet, was zu tun ist
  • B (Blueprints): Der references-Ordner mit statischen Dateien wie Styleguides, Datenbeispiele und Vorlagen
  • S (Solutions): Der scripts-Ordner mit Code, den Claude ausführen kann — für API-Calls, Berechnungen und externe Tool-Integration

  Praktische Demo 1 – Proposal Generator für Handwerksbetriebe:

  Der Creator zeigt live, wie er Claude auffordert, eine Automatisierung zum Erstellen von Projektproposalen zu entwickeln. Claude fragt iterativ nach Details (Projekttypen, Preismodell, Brandings-Farben), führt dann 2–3 Test-Cases durch und generiert realistische Proposal-PDFs. Nach Feedback wird die Automation in die Skill-Datenbank kopiert und kann dann jederzeit durch einfache Notizen eines Handwerkers ein formatiertes Angebot generieren.

  Praktische Demo 2 – YouTube-Analytics-Dashboard:

  Der Creator lädt YouTube-Daten hoch und fordert Claude auf, ein interaktives Dashboard mit Soft-Brutalism-Stil, neon-pink Akzenten und Tabs (Video Performance, Growth, Revenue) zu erstellen. Nach Gefallen wird diese Ausgabe dann als Basis genutzt, um Claude zu instruieren, eine Automatisierung zu schaffen, die künftig jede Upload von YouTube-Analytics in diesem exakten Format automatisch in ein Dashboard verwandelt.

  Bonus-Beispiel – Call Prep Skill:

  Ein bestehendes Skill verbindet Google Calendar und Notion, um vor anstehenden Gesprächen automatisch CRM-Notizen und Gesprächs-Zusammenfassungen zu relevanten Personen zu ziehen — alles mit dem Befehl „call prep tomorrow”.

  Der Zugang erfolgt über Claude Desktop/Co-Work via Customize → Skills. Man aktiviert zuerst „Skill Creator” und das DBS Framework Skill (zum Download bereitgestellt), dann erstellt man Automationen in natürlicher Sprache. Claude Co-Work zeigt dabei einen Progress-Bar und lädt kontinuierlich relevante Kontexte und Tests.

  Kerngedanke: Maßgeschneiderte Daten (eigene Tarife, Konkurrenzpreise, Tools, Standards) machen Skills von „ganz hilfreich” zu „sehr hilfreich”; eine einmalige Setup-Stunde schafft dauerhafte Effizienz.

  Claude und Claude Desktop/Co-Work standen im Fokus; Tutorial-Format mit Live-Demos von Proposal- und Dashboard-Automation sowie praktischem Call-Prep-Beispiel.

AI mit Arnie (1 neues Video)

• Der einzige Claude Code Kurs, den du brauchst
  25.3.2026, 21:58:51

  Zusammenfassung: Der einzige Claude Code Kurs, den du brauchst

  Der Kurs behandelt Claude Code als zentrale KI-Produktivitäts-Plattform und zeigt umfassend ihre praktische Anwendung – nicht nur für Entwickler, sondern für alle, die produktiver arbeiten wollen. Der Inhalt ist sehr dicht und praxisorientiert.

  Installation & Setup: Claude Code wird über Terminal installiert (nicht via IDE-Extension), wobei ein kostenpflichtiger Plan nötig ist (Pro-Abo ab etwa 17 €/Monat empfohlen). Verschiedene Betriebssystem-spezifische Befehle werden bereitgestellt.

  IDEs: Während VS Code als Favorit empfohlen wird (geringere Komplexität, weniger Bugs), sind auch Cursor und Antigravy (von Google, ehemals Windsurf) möglich – letztere sind aber aufgeblähter.

  Projekt 1 – Persönlicher Assistent: Anhand einer Ordnerstruktur (Daten, Kontext, Prompts) wird Claude Code als KI-Assistent trainiert. Man fügt Geschäftsdaten, Schreibproben und wiederkehrende Prompts ein. Ein Cloud.md dient als Orientierung für Claude. Das System kann dann E-Mails im persönlichen Stil schreiben, Tweets verfassen etc.

  Fähigkeiten-Integration: Claude Code erhält Funktionen über Skills, Plugins, MCB (Model Context Protocol) oder CLI-Tools – im Kern alles Function Calling. Sapier wird als MCP-Server gezeigt, um Gmail- und Kalender-Zugriffe zu ermöglichen. Notebook LM wird per Skill integriert, um tiefe Recherchen, Mindmaps und Podcasts zu generieren.

  Berechtigungen: Optionen sind manuelles Freigeben jeder Aktion, Whitelisting in .cloud/settings.json, oder Start-Flags wie --dangerously-skip-permissions (alles erlaubt) oder --enable-auto-mode (Mittelweg mit Nachfragen bei kritischen Kommandos).

  Custom Slash Commands: Im /Cloud/commands-Ordner können häufig verwendete Prompts als .md-Dateien gespeichert werden – etwa suche.md für Wirtschaftsnews – und werden dann über /suche direkt abrufbar.

  Automationen: Unterschied zwischen Schedule (zeitgesteuerte Tasks in der Cloud, tägl./wöchentlich etc., läuft im Hintergrund) und Loops (Intervalle in aktiver Session, max. 7 Tage, min. 1 Min., voller lokaler Zugriff).

  Weitere Themen, die angesprochen werden: Verschiedene Claude-Modelle (z.B. Opus 4.6 mit 1 Million Token-Kontext), Token-Verbrauch tracken (/slack-text), Kontext komprimieren (/compact), Statusline anpassen, Git-Integration, Versionskontrolle, Plugins, Soul.md für Verhalten/Persönlichkeit des Agenten.

  Das Transcript endet mitten in einem Beispiel für Schedule-Tasks, ist also gekürzt; der Kurs behandelt laut Ankündigung vier komplette Projekte (persönlicher Assistent, Website-Programmierung, Python-KI-Agent, Command-Center).

  Thematisiert: Claude Code, Anthropic, Notebook LM (Google), Sapier (MCP), Cursor, VS Code, Antigravy – Tutorial/Deep-Dive mit hohem praktischem Detaillierungsgrad.

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

• Anthropic Just Gave You 3 Tools That Work While You’re Gone.
  28.3.2026, 15:28:38

  Anthropic hat drei neue Tools für Claude veröffentlicht, die zusammen echte Automatisierung ermöglichen: Scheduled Tasks, Dispatch und Computer Use. Der Kern der Botschaft ist nicht die technische Innovation, sondern ein fundamentaler Mindset-Wechsel: Diese Tools sollen Arbeit tatsächlich von deinem Schreibtisch verschwinden lassen, nicht nur mehr Beschäftigung in Form von Briefings oder Drafts erzeugen.

  Scheduled Tasks funktioniert als Cloud-Compute-Umgebung, die Code auf einem festen Schedule (stündlich, täglich etc.) ausführt – ohne dass dein Laptop an sein muss. Beispiele: täglich KI-News sammeln, Flugpreise monitoren, Zahlungserinnerungen verwalten. Du kannst bestehende MCP-Connectors (Linear, GitHub, Slack, Google Drive) anschließen.

  Dispatch verbindet dein Telefon mit Claude auf dem Desktop via QR-Code und ermöglicht Parallelisierung: Von deinem Phone aus kannst du mehrere Claude-Arbeitsaufträge gleichzeitig starten, die unabhängig voneinander auf dem Desktop laufen – während du unterwegs bist. Das ist kein Remote-Control, sondern eine Orchestrierungsschicht. Der Trade-off: dein Desktop muss an bleiben (wird aber vermutlich bald behoben). Multi-App-Tasks funktionieren noch zu nur ~50%.

  Computer Use ist das Game-Changer-Feature: Claude kann Maus und Tastatur steuern, Apps öffnen, sich durch Legacy-Systeme klicken, die kein API haben (alte ERP-Instanzen, SAP, Jira, etc.). Das löst das Problem von Millionen Office-Prozessen, die in keinem MCP-Server abgebildet sind.

  Der Autor argumentiert scharf gegen „Pseudo-Work”-Demos (proaktive Briefings, Trip-Planning) und fordert stattdessen einen Manager-Mindset: Traue dem System, work zu erledigen, während du weg bist. Praktische Use-Cases sind Commitment-Loops schließen (Versprechen einhalten), bessere Entscheidungen durch Datenbeschaffung, Compound-Signal-Detection (mit OpenBrain), und für Engineers: Overnight-Jobs (Refactoring, Tests, Migrationen). Die größte psychologische Hürde ist, dem System zu vertrauen, wenn man nicht hinschaut – das ist der echte Skill-Shift für 2026.

  Claude, Dispatch und Computer Use (Anthropic); Meinung/Reflexion mit Tutorial-Elementen.

• A Markdown File Just Replaced Your Most Expensive Design Meeting. (Google Stitch)
  27.3.2026, 14:01:22

  Das Video behandelt drei große AI-Releases der letzten Wochen, die das Design fundamental verändern: Google Stitch (Text-zu-UI-Generator im Markdown-Export-Format, das mit Coding-Agenten direkt verknüpfbar ist), Remotion (React-Framework, das Claude Code Skill mit über 150.000 Installationen) Video als Code generiert und dabei jeden Frame editierbar macht, sowie Blender MCP (17.000 GitHub Stars), das 3D-Szenen durch natürlichsprachliche Beschreibungen erzeugt.

  Der zentrale Argument: Design wandert zur Command Line, was das klassische Product-Engineering-Design-Dreieck der 2010er aufbricht. Statt sequenzieller Handoffs (Designer → Code-Export → Engineering-Prüfung) entsteht ein paralleles Workflow-Modell, in dem die Ergebnisse per Definition buildbar sind. MCP wird als universeller Standard zum Connecten dieser Tools beschrieben.

  Konkrete Mehrwerte: Stitch bietet kostenlos 350 Generationen/Monat mit Multi-Screen-Versioning und Design-Markdown-Export; Remotion ermöglicht skalierbare Videoproduktion (Daten-Updates triggern automatische Re-Renders) ohne After Effects; Blender MCP abstrahiert 1500+ Bedienelemente weg. Das Video betont: Die Kosten für kreative Arbeit fallen gegen Null, nicht weil Designer obsolet werden, sondern weil operative Aufgaben (Layer verschieben, Key Frames anpassen, Formate konvertieren) automatisiert entfallen. Die kreative Judgement und Feinschliff bleibt menschlich – aber die Geschwindigkeit von Ideation zu Artifact beschleunigt sich drastisch.

  Kritische Limitierungen werden genannt: Stitch-Designs sind noch nicht client-ready ohne Nachbearbeitung; Remotion handhabt komplexe Animationen schwach; Blender MCP scheitert bei intrikantem Organic Modeling. Das Video endet mit einem Plädoyer für „command line design thinking” als Skill für 2026: Nicht die Tool-Mastery entscheidet, sondern die Fähigkeit, visuelles Intent präzise zu artikulieren, schnell zu iterieren und Geschmack durchzusetzen.

  Claude, Google Gemini, Anthropic (Claude Code), OpenAI erwähnt; MCP als Infrastruktur zentral; Meinung/Reflexion mit Produktdemonstration.

• The AI Job Market Split in Two. One Side Pays $400K and Can’t Hire Fast Enough.
  26.3.2026, 15:59:47

  Zusammenfassung: The AI Job Market Split in Two

  Der Sprecher beschreibt einen K-förmig gespaltenen AI-Jobmarkt: Auf der einen Seite stagnieren traditionelle Knowledge-Work-Rollen (Produktmanager, Software-Engineers, Business Analyst), während auf der anderen Seite eine explosive Nachfrage nach Fachkräften für Design, Bau und Betrieb von AI-Systemen existiert. Das Verhältnis beträgt etwa 3,2 AI-Jobs pro qualifiziertem Kandidat; durchschnittlich dauert es 142 Tage, eine Position zu besetzten – viele Arbeitgeber scheitern komplett bei der Besetzung.

  Der Sprecher identifiziert sieben konkrete, nachfragegesteuerte Fähigkeiten aus hunderten Jobpostings:

  1. Specification Precision / Clarity of Intent: Präzise, wörtliche Kommunikation mit Agenten (nicht metaphorisch wie mit Menschen), um Missverständnisse zu vermeiden.
  1. Evaluation und Quality Judgment: Fähigkeit, AI-Output kritisch zu bewerten – insbesondere die Resistenz gegen „fluent wrongness”, wenn AI-Systeme selbstbewusst Falsches liefern. Wichtig ist Fehlererkennung und Edge-Case-Detection.
  1. Multi-Agent Decomposition: Zerlegung komplexer Aufgaben in verwaltbare Subsegmente und Delegation an verschiedene Agenten – im Kern eine Managementfähigkeit, aber mit strengeren Anforderungen als bei Menschen, da Agenten klare Guardrails brauchen.
  1. Failure Pattern Recognition: Diagnose von sechs typischen Fehlermustern: Context Degradation (Qualitätsabfall durch lange Sessions), Specification Drift (Agent vergisst Spezifikation), Sycophantic Confirmation (Agent bestätigt unkritisch falsche Daten), Tool Selection Errors, Cascading Failures und Silent Failures (plausible, aber falsche Outputs).
  1. Trust and Security Design: Aufbau von Guardrails und Containern um Agenten – Verständnis für Cost of Error, Reversibility, Frequency und Verifiability. Unterscheidung zwischen semantischer (klingt richtig) und funktionaler Korrektheit (ist tatsächlich richtig).
  1. Context Architecture: Aufbau von Kontextsystemen, die Agenten relevante Informationen bei Bedarf bereitstellen – die „Dewey-Dezimal-Klassifikation für Agenten”. Verwaltung von persistentem und per-Session-Kontext, Datenqualität und Suchbarkeit.
  1. Cost and Token Economics: Berechnung von Token-Kosten für Aufgaben, Modellauswahl basierend auf Kosteneffizienz und ROI – „High-School-Mathematik auf Senior-Architect-Niveau”.

  Diese Fähigkeiten erscheinen in Jobpostings für verschiedenste Titel (Operations, Engineering, Product Management, AI Reliability), sind aber nicht ingenieurspezifisch – Hintergründe in Technical Writing, Jura, Audit oder Bibliothekswissenschaften sind transferierbar. Der Sprecher betont, dass diese Fähigkeiten an AI-Systemlogik gekoppelt sind und daher langfristig relevant bleiben, und kündigt ein Jobboard sowie Lernressourcen auf Substack an, um talentierten Kandidaten und Arbeitgebern zu helfen.

  Info: Meinung/Reflexion mit praktischem Ratgeber-Element, Schwerpunkt auf Anthropic Claude (als Beispiel für Eval-Praktiken und Certified Architect Program) und allgemeine AI-Agent-Systeme.

• Tobi Lütke Made a 20-Year-Old Codebase 53% Faster Overnight. Here’s How.
  25.3.2026, 14:00:52

  Das Video zerlegt das abstrakte Konzept „Agenten” in vier konkrete Produktionstypen, die in der Praxis völlig unterschiedlich funktionieren:

  Coding Harnesses sind die einfachsten: Ein einzelnes LLM mit Datei-Zugriff und Code-Tools ersetzt einen Entwickler bei einem definierten Task. Der Mensch bleibt der Manager. Sie skalieren bis zu Projekt-Level, wenn ein Planner-Agent mehrere Executor-Agenten koordiniert (wie bei Cursor mit Browser- und Compiler-Projekten). Der Schlüssel ist Dekomposition – die Arbeit in diskrete Teile zerlegen.

  Dark Factories fahren Menschen aus dem mittleren Prozess heraus: Spec rein, Software raus, dazwischen nur automatisierte Agent-Iteration gegen evaluierbare Tests. Menschen sind nur am Anfang (Design, Spec-Qualität) und am Ende (Evals überprüfen, Code-Review für Accountability) beteiligt. Das reduziert Engpässe, weil Agenten schneller sind als Menschen in der Mitte.

  Auto Research ist ein anderes Tier – nicht für Software-Produktion, sondern für Metrik-Optimierung. Das LLM experimentiert iterativ, um ein Ziel zu verbessern (z.B. Runtime-Performance wie Tobi Lütke bei Shopify, Modell-Tuning, Conversion-Rates). Klassisch aus Machine Learning.

  Orchestration ist für spezialisierte Rollen in Workflows: ein Agent researcht, einer schreibt, einer verwaltet Tickets. Das erfordert viel Arbeit in Prompt-Engineering und Kontext-Management für Handoffs und ist nur sinnvoll bei echter Skalierung (Tausende+ Tasks).

  Der Kernfehler: Diese vier nicht zu verwechseln. Auto Research für Software ist falsch. Coding Harnesses für Novel-Schreiben auch. Die Architektur muss zum Problem passen – ist es software-förmig oder metrik-förmig? Simpel konfigurierte Agenten skalieren besser als komplexe.

  Thematisiert: Cursor, Claude, Codeex, Langraph, Crew AI, Andre Karpathy, Tobi Lütke; Format: Deep-Dive/Meinung.

• Nvidia Just Open-Sourced What OpenAI Wants You to Pay Consultants For.
  24.3.2026, 14:00:09

  Das Video behandelt den Konflikt zwischen Nvidia, OpenAI und Anthropic über die Deployment-Strategie für KI-Agenten. Der zentrale Punkt: OpenAI und Anthropic erkannten über das Jahr 2025, dass ihre Lösungen zwar technisch beeindruckend, aber in der Praxis für Unternehmens-Teams zu komplex sind. Deshalb binden sie nun öffentlichkeitswirksam Beratungsfirmen ein. Nvidia hingegen setzt einen anderen Weg um: Nemo Claw, eine Enterprise-Version von OpenClaw, wird offen-quelloffen und als Schicht über OpenClaw mit Sicherheits-Guardrails, Policy-basierter Kontrolle und lokalem GPU-Compute entwickelt — nicht um Expertise zu verkaufen, sondern um Entwickler zu befähigen.

  Der Sprecher argumentiert, dass die tatsächlichen Herausforderungen in der Agentic-Entwicklung keine neuen Probleme sind, sondern bewährte Software-Engineering-Praktiken, die wiederentdeckt werden: Rob Pikes fünf klassische Regeln (keine spekulativen Optimierungen, Messen vor Tunen, Einfachheit vor Komplexität, einfache Algorithmen weniger Bugs, Datenstrukturen dominieren) gelten unverändert. Factory.ai demonstriert das durch eine Agent-Readiness-Analyse über acht technische Säulen — das Ergebnis: nicht der Agent ist das Problem, sondern die umgebende Infrastruktur (Linting, Testing, Dokumentation, Dev-Environment, Code-Quality, Observability, Security, Governance).

  Fünf konkrete Produktions-Herausforderungen werden durchgegangen: (1) Kontext-Kompression — Factory.ais inkrementelle Summarization schlägt OpenAIs Compact Endpoint und Anthropic’s Cloud SDK, (2) Code-Instrumentierung und Messbarkeit, (3) Linting zur Durchsetzung von Code-Einfachheit, (4) Multi-Agent-Koordination mit Planner-Executor-Pattern statt Über-Optimierung, (5) klare Spezifikationen upfront. Die zentrale These: Berater profitieren von Komplexität; echte Veränderung funktioniert nur durch Grundlagen-Rückbesinnung und Co-Building, nicht durch PowerPoint-Decks. Nemo Claw signalisiert, dass Entwickler „das hinbekommen” können, wenn sie Fundamentals verstehen — das ist das Gegenteil des Consulting-Narrativs, das Abhängigkeit erzeugt.

  Demo/News-Update, explizit thematisiert: Nvidia (Nemo Claw / OpenClaw / OpenShell), OpenAI, Anthropic, Factory.ai, Cursor.

• I Mapped Where Every AI Agent Actually Sits. Most People Pick Wrong.
  23.3.2026, 14:00:50

  Der Kern der Analyse liegt nicht in der Sicherheitsdebatte oder dem Wettrennen um OpenClaw-Kopien, sondern in den strategischen Wetten, die jedes Unternehmen auf unterschiedliche Positionen im Agent-Ökosystem platziert hat. Der Sprecher definiert drei Achsen, um diese Bets zu verstehen: (1) Wo der Agent läuft (lokal, Cloud, hybrid), (2) wer die Intelligenz orchestriert (einzelnes Modell, Multi-Model, Model-agnostisch), (3) welche Interface-Schnittstelle genutzt wird (Messaging-App, Desktop, Phone).

  OpenClaw maximiert beide Dimensionen: vollständige Datensouveränität und Kontrolle für technische Nutzer, aber mit hohem Sicherheitsrisiko und Komplexität. Perplexity Computer ist das Delegationsspiel – Cloud-basiert, sichere Sandbox, aber 200 Dollar monatlich und Datentrust an Perplexity. Manis verfolgt den Distributions-Ansatz: Zuckerberg will die Agent-Aufmerksamkeit in sein Meta-Ökosystem kanalisieren und setzt auf Skalierbarkeit über Datenschutz. Anthropic Dispatch bietet das Sicherheits-Narrativ: Single-threaded, einfach, Claude-fokussiert, für weniger technische Profis. Lovable muss sich von einem reinen Vibe-Coding-Tool zu einem generalpurpose-Agent-Builder transformieren, um relevant zu bleiben.

  Der Sprecher prognostiziert eine „relentless simplification” – alle vertikalen Tools geraten unter Druck, in Conversational Agents zu kollabieren. Die Mitte ist der Ort, wo Produkte sterben; überleben wird, wer entweder sehr spezialisiert oder generalpurpose-delegativ ist. Die zentrale Frage von 2026 ist nicht „welcher Agent ist schneller”, sondern „wie delegieren wir Agent-Vertrauen?” – eine Wahl, die kollektiv die Märkte der nächsten 10–20 Jahre forme.

  Explizit thematisiert: OpenClaw (primär), Perplexity Computer, Manis, Anthropic Claude/Dispatch, Lovable, Meta, OpenAI; zudem Erwähnungen von Nvidia Nemo, ZeroClaw, Moltus, Open Fang, Nanobot, sowie Open-Source-Forks allgemein. — Format: Meinung/Reflexion (strategische Analyse und Framework-Entwicklung).

• McKinsey Says $1 Trillion In Sales Will Go Through AI Agents. Most Businesses Are Invisible.
  22.3.2026, 18:00:09

  Zusammenfassung: McKinsey Says $1 Trillion In Sales Will Go Through AI Agents

  Der Sprecher argumentiert, dass die kommende Billionen-Dollar-Umsatzverschiebung zu AI-Agenten an eine fundamentale, aber weitgehend ignorierte Voraussetzung gebunden ist: Unternehmensinfrastrukturen müssen von Grund auf „agent-lesbar und agent-schreibbar” werden. Das bedeutet nicht nur APIs oder oberflächliche Chatbot-Features, sondern dass transaktionale Systeme – Produktkataloge, Versandversprechungen, Rückgaberichtlinien, alle Produktdaten – so strukturiert sein müssen, dass Agenten sie zuverlässig auslesen, interpretieren und ggf. schreiben können.

  Die historische Ironie: Zwanzig Jahre lang wurden Systeme bewusst gegen Bots abgedichtet (CAPTCHAs, geschlossene APIs, JavaScript-Heavy-Interfaces). Jetzt, wo Agenten die wertvollste Form von Kundenaufmerksamkeit sind, müssen diese Mauern niedergerissen werden. Der Sprecher warnt aber: Das ist nicht einfach ein API-Wrapping in einem MCP-Server. Das Beispiel Stripe zeigt das konkret – ihre Sigma-Analytik-Schicht funktioniert als CSV-Export, aber als MCP-Server würde sie den Context-Window überlasten; man braucht Datenbank-Infrastruktur und Authentifizierungslogik dazwischen.

  SAP steht am anderen Ende: Sie haben ein MCP für Commerce Cloud angekündigt, aber die Lücke zwischen diesem Slice und einer wirklich agent-lesbaren SAP-Landscape ist riesig. Das wird ein „Multi-Quarter-Initiative” sein, für die SAP aktuell keine Anreize hat.

  Der Sprecher benennt vier Fehlkonzepte:

  1. Agent-Discovery wie Suchmaschinen-Ranking: Falsch. Agenten evaluieren Strukturdaten gegen explizite Constraints; es gibt kein „above the fold”. Gewinner haben saubere Schemas, nicht die größten Werbeetats.
  2. „Unsere Produkte sind zu komplex für Strukturierung”: Falsch. Je komplexer, desto mehr profitieren Sie, weil Kunden heute bei „gut genug” steckenbleiben und die Komplexität mit echten Daten abdecken können.
  3. „Kunden trauen Agenten nicht zum Transaktieren”: Falsch. Vertrauen ist ein Spektrum, das bei Absichtsdelegation („Finde mir einen Sound-System für mein Zimmer”) beginnt, nicht beim vollständigen Purchase-Delegation.
  4. „Wir warten erst mal ab”: Das ist „signing your own death warrant”. Datenbereinigung braucht Monate bis Quarters; wer wartet, wird für Agenten unsichtbar.

  Ein zentrales Problem: Etwa 20 % der Produktbedeutung lebt in Datenstrukturen, 80 % in Marketing-Copy und Tribal Knowledge (z.B. dass ein Kaffee ein äthiopisches Dorf unterstützt). Wenn ein Agent „Kaffee, der wichtige Arbeit unterstützt” sucht, muss das in Datenattributen verfügbar sein, sonst verschwindet das Produkt. Das erfordert strukturierte Schemas – z.B. dass eine Basketball „im 2026-March-Madness-Turnier verwendet” wurde – nicht nur als Marketing-Satz, sondern als agent-les­bare Datenattribute mit verifizierbaren Quellen.

  McKinsey projiziert bis 2030 bis zu einer Billion Dollar in „orchestriertem Umsatz” durch AI-Agents nur im US-B2C-Einzelhandel. Google hat sein Universal Commerce Protocol lanciert, über eine Million Shopify-Merchants sind online, aber große Player (Apple, Google) widerstehen noch – Apple sperrte sogar Coding-Apps wie Replit. Der Sprecher vergleicht das mit Napster: Die alte Garde verliert am Ende, weil „die Menschen” agent-lesbare, -schreibbare Ökosysteme wollen.

  Das konkrete Beispiel: Ein Kunde tippt „Laufschuhe unter 120 Dollar, Größe 10, Versand vor Donnerstag, flexible Rückgabe” – der Agent kann das nur lösen, wenn Versandzeiten, Rückgaberichtlinien, Schemadetails wirklich strukturiert und verfügbar sind. Sonst überspringt der Agent das Angebot, ohne dass der Mensch es je sieht.

  Abschließend empfiehlt der Sprecher ein Audit: Testet mit Claude oder ChatGPT, wie weit Ihr transaktionales System und die eurer Top-3-Konkurrenten reichen. Dann messbar strukturiert Ihr Daten für Agenten – nicht weil ihr Menschen vergessen würdet, sondern weil saubere Daten automatisch auch großartige Kundenerlebnisse für Menschen ermöglichen.

  Explizite Nennungen: OpenAI (ChatGPT), Anthropic (Claude), Stripe, SAP, Amazon, Google, Apple, Shopify, Perplexity, Meta/WhatsApp — thematisiert sind Agenten-Integration, MCP-Server, Produktdaten-Strukturierung und Infrastruktur-Transformation. Format: Meinung/Reflexion mit konkreten Business-Beispielen und Handlungsempfehlungen.

Alejandro AO

Keine neuen Videos in diesem Zeitraum.

Alex Finn (5 neues Videos)

• LIVE: CLAUDE MYTHOS (OPUS 5) REVEALED!!!
  27.3.2026, 20:10:49

  Zusammenfassung

  Der Streamer bricht Neuigkeiten zu „Claude Mythos” (mutmaßlich Claude Opus 5) von Anthropic auf: Ein geleak­tes Modell, das als superintelligent und „zu gefährlich” für die breite Öffentlichkeit eingestuft wird. Anthropic gibt es deshalb zunächst an Cybersecurity-Firmen und stellt es API-only zur Verfügung. Das Modell wird deutlich teurer als bisherige Modelle sein – der Streamer prognostiziert Mindestkosten von 2.000 USD/Monat für Einzelnutzer.

  Kernthesen:

  Wirtschaftliche Ungleichheit: Der Zugang zu Superintelligenz verstärkt die Kluft zwischen Arm und Reich. Wer sich das leisten kann, generiert exponentiell mehr wirtschaftlichen Wert; wer nicht, bleibt im „permanent underclass” stecken und kann nicht mithalten.

  Vorbereitung auf AGI: Der Streamer gibt eine zentrale Empfehlung: Moonshot-Anwendungen bauen, die jetzt nicht funktionieren, aber sofort nach Claude-Mythos-Release einsatzbereit sind. Das verschafft erste-Mover-Vorteil am AGI-Tag. Der konkrete Workflow: Chat-GPT-Prompt nutzen, um 10 Moonshot-Ideen zu generieren → auswählen → Vision Doc + V1-Roadmap → in Cursor/Claude Code umsetzen.

  Lokale Hardware-Modelle: Trotz der Überlegenheit von Frontier-Modellen braucht man lokale Modelle (z. B. Qwen 3.5 auf DGX Spark) für Agentic Swarms – mehrere KI-Agenten, die 24/7 parallel arbeiten und Kosten senken, während neue Anwendungsfälle entstehen.

  Praktische Vorbereitung: Abos canceln (Netflix, Game Pass), das eingesparte Geld in Compute stecken (DGX Spark, Mac Studio M5), jetzt Anwendungen prototypisieren.

  Persönliche Ankündigung: Der Streamer präsentiert in 2 Wochen am MIT eine selbst gebaute Moonshot-App (als Antwort auf Kritik, er würde “nichts bauen”).

  Weitere Themen:

  • Hardware wird teurer (PS5 Preiserhöhung), nicht billiger → lokaler AI-Betrieb wird kostspieliger.
  • Open-Source-Modelle hinken 6 Monate hinter Frontier-Modellen hinterher.
  • Chat-GPT-Spud wird parallel zu Claude Mythos erwartet (nächste 3 Wochen).
  • Paperclip AI wird danach gedemo­net.

  Der Streamer positioniert dies nicht als Panikmache, sondern als Chance für frühe Builder, die jetzt an mondscheinhaft wirkenden Ideen arbeiten.

  Keine spezifischen AI-Tools außer Claude (Opus 4.6), ChatGPT, Qwen 3.5, Cursor, Claude Code erwähnt; Format: Live-Q&A mit News-Update und motivationaler Reflexion.

• LIVE: OpenAI Shutting Down Sora!! It’s OVER. Also I’m running Opus 4.6 locally????
  25.3.2026, 20:45:23

  LIVE: OpenAI Shutting Down Sora + Running Opus 4.6 Locally – Zusammenfassung

  Das Video ist ein chaotischer Live-Stream mit mehreren Themen:

  Sora-Shutdown: OpenAI stellt Sora ein. Der Host nutzte es früher, um Videos zu erstellen und an Freunde zu schicken, stoppte aber die Nutzung, nachdem die direkte Versand-Funktion entfernt wurde. Er sieht die Abschaltung als keine große Sache an.

  Gerüchte um neues Modell: Es werden Gerüchte über ein neues OpenAI-Modell namens „Spud” verbreitet, das möglicherweise AGI sein könnte und als GPT-6 bezeichnet wird. Es soll sein Cursor, Codeex und ChatGPT in einer App zusammenführen.

  Lokal laufendes Opus 4.6: Der Host zeigt eine distillierte Version von Claude Opus 4.6, die er lokal auf seinem Mac Studio lädt. Es handelt sich um ein „gelerntes” Modell von Qwen 3.5, das wie Opus klingt.

  Even Realities-Brille (G2): Er hat eine Smart-Brille mit Ring-Steuerung bestellt, um OpenClaw darauf zu installieren – um Befehle geben zu können, ohne sein Handy herauszunehmen.

  Peter Steinberger-Drama: Der Host hatte getweetet, OpenAI hätte OpenClaw gekauft. Peter korrigierte öffentlich, dass OpenAI ihn als Person angeheuert hat, nicht das Projekt kaufte. Der Host hätte präferiert, privat korrigiert zu werden; verteidigt aber, dass die Aussage „spiritual” korrekt sei.

  Business-Philosophie: Der Host rät, Tools zu bauen, die heute noch unmöglich sind, damit man sie mit AGI später nur noch einstöpseln muss. Er arbeitet an einem geheimen Projekt namens „Henry” für einen spezifischen Niche – nicht nur ein OpenClaw-Klon.

  Sonstige Themen: Hermes-Agent (mit problematischen Memory-Compactions), Vergleiche zwischen Claude Code und OpenClaw, Apple Studio Display XDR (zu teuer, kein Unterschied), kommende Bay-Area-Seminare zu OpenClaw.

  Der Stream springt chaotisch zwischen Themen, da der Host gerade aufgewacht ist und viel Kaffee trinkt.

  Tools/Modelle: Claude Opus 4.6, ChatGPT 5.4 Pro, OpenClaw, Hermes, Cursor, Gemini, Codeex; explizit erwähnt: OpenAI, Anthropic – Format: Live-Q&A/News-Roundup mit Demo-Elementen.

• Why you NEED to be running local AI models (FULL beginners guide)
  24.3.2026, 22:20:54

  Local AI Models – Vollständiger Anfängerleitfaden

  Der Creator hat über zwei Monate hinweg über $50.000 in lokale KI-Modelle investiert und teilt seine Erkenntnisse, wie diese die KI-Nutzung grundlegend verändern können – ohne teure Hardware zu benötigen.

  Warum lokale statt Cloud-Modelle?

  Cloud-Modelle (ChatGPT, Claude, Gemini) laufen auf entfernten Servern und bringen mehrere Nachteile mit sich: hohe Kosten pro Token, null Kontrolle über die Modelle (Anbieter ändern ständig Parameter), Datenschutz-Probleme (Mitarbeiter können Logs lesen), Latenz durch Internet-Abhängigkeit und mangelnde Skalierbarkeit. Der einzige Vorteil ist die höchste Intelligenz-Ebene.

  Lokale Modelle laufen direkt auf dem Computer und bieten: völlig kostenlos (nur Stromkosten), vollständig anpassbar (eigene Stimme, Stil etc.), komplett privat und sicher (keine Internet-Verbindung nötig), zero Latenz, und – am wichtigsten – unbegrenzte Skalierbarkeit: Der Creator betreibt derzeit vier lokale KI-Modelle rund um die Uhr, um Websites zu scrapen, Newsletter zu schreiben und Code zu generieren – wie mehrere Mitarbeiter ohne zusätzliche Kosten. Der einzige Nachteil: lokale Modelle sind etwa 6 Monate hinter den besten Cloud-Modellen zurück.

  Erforderliche Hardware

  Alte, günstige Laptops funktionieren; ein $600 Mac Mini läuft bereits lokale Modelle. Für größere Modelle gibt es verschiedene Optionen:

  • Mac Mini/alte Geräte: Kleine Modelle (9–16 Milliarden Parameter), als Speicherverwaltung für Agenten nutzbar
  • Mac Studio ($4.000–$10.000): Nutzt „unified memory”, kann größere Modelle laden, läuft etwas langsamer
  • Nvidia DJX Spark ($4.800): Bessere Geschwindigkeit durch VRAM, mehr Developer-Tools (Fine-Tuning, LoRAs, Auto-Research möglich)
  • Nvidia DJX Station ($100.000): Frontier-Level Intelligenz mit Multi-Agent-Workflows

  Empfehlenswerte Modelle

  Qwen 3.5 (bestes Verhältnis): Intelligent, viele Versionen für unterschiedliche Hardware; Creatorś „daily driver” für Mac Studio.

  Nvidia Neotron 3 (neu): Sehr stark, open-source, vom einzigen amerikanischen Unternehmen, das aggressiv open-source vorantreibt.

  Minimax 2.5 (schnell): Leichtgewichtig, extrem performant, nicht ganz so intelligent wie Qwen, aber ideal für schnelle Aufgaben.

  Modelle lassen sich auf HuggingFace herunterladen. Die App LM Studio (kostenlos) ermöglicht einfache lokale Nutzung wie ein Chatbot.

  Praktische Anwendung – Das hybride Modell

  Der Creator zeigt sein Setup: Ein „Software Factory” genanntes System mit Charlie (Qwen 3.5 lokal, schreibt rund um die Uhr Code) wird von Ralph (ChatGPT in der Cloud) orchestriert. Ralph fungiert als „Gehirn” (denkt, entscheidet), während lokale Modelle als „Muskeln” (führen aus) arbeiten. Ein weiteres Beispiel: Ein lokales Minimax-Modell scrapt permanent die Web nach Business-Opportunities und sendet diese per Telegram – 24/7 für null Dollar statt tausenden Dollar täglich mit ChatGPT.

  Der Creator lehnt das Konzept „nur Kostenersparnisse” ab – das echte Potenzial liegt in der 24/7-Skalierbarkeit und neuen Use-Cases, die mit Cloud-Modellen unmöglich wären.

  Empfohlener Weg zum Start

  Nicht sofort $20.000–$100.000 ausgeben. Stattdessen: Mit vorhandener Hardware beginnen, ein bis zwei kleine Use-Cases lokal handeln, ROI beobachten, dann schrittweise upgraden. Der Creator erwartet, dass das kommende M5 Ultra (Mai/Juni) mit fünfmal schnellerem KI-Processing eine Revolution wird.

  Explizit erwähnte Tools und Modelle: Qwen 3.5, Neotron 3, Minimax 2.5, LM Studio, HuggingFace, OpenClaw, ChatGPT, Claude; Format: Tutorial/Demo mit Meinungs-Komponente.

• OpenClaw’s new update is MASSIVE
  23.3.2026, 20:14:09

  Zusammenfassung: OpenClaw’s Massive Update

  Das Video ist ein chaotischer, energiegeladener Live-Stream, in dem Alex über die größten neuen Features von OpenClaw berichtet. Die Hauptupdates sind:

  1. Clawhub-Integration: OpenClaw kann jetzt Skills in Echtzeit aus Clawhub finden und installieren. Über die CLI kann man mit clawhub search nach Skills suchen und diese direkt installieren. Alex demonstriert dies live und empfiehlt, Skills vorher zu vetten – entweder durch manuelle Überprüfung auf der Website oder indem man OpenClaw die Skill selbst analysieren lässt, bevor man sie installiert.

  2. Mission-Control-UI für Skills: Im Stream bauen sie gemeinsam mit den Zuschauern eine grafische Benutzeroberfläche in Mission Control, die alle populären Skills anzeigt, durchsuchbar macht und drei Buttons bietet: einen zum Installieren, einen zum Analysieren (sendet Code-Review per Telegram) und einen zum Selberbauen einer eigenen Version.

  3. /btw-Slash-Kommando: Dieses neue Feature erlaubt es, schnelle Nebenfragen zu stellen, ohne den Kontext der Hauptkonversation zu beeinflussen. /btw startet eine leichtgewichtige Einweg-Frage, die keine Tools nutzt und keine Tokens verschweudet – perfekt für Ablenkungen während intensiver OpenClaw-Sessions.

  Zusätzlich diskutiert Alex die Unterschiede zwischen OpenClaw und Claude Code: OpenClaw sei ein Open-Source-Agent ohne Guardrails, der alles automisiert; Claude Code dagegen ein gesichertes, viel kontrolliertes Coding-Tool. Er kritisiert, dass Claude Code trotz neuer Features (Dispatch, Remote Control, Channels) immer noch zu viele Einschränkungen habe und nicht denselben wilden, produktiven Geist habe. OpenClaw könne man per Telegram von überall aus Befehle geben – z.B. Model herunterladen, lokal installieren, Software drumherum bauen – und es macht es einfach. Ein großes Problem, das er erwähnt: Session-Bloat durch Cron-Jobs, der die Kosten hochreibt; er empfiehlt, regelmäßig alte Sessions zu löschen.

  Tools/Anbieter erwähnt: OpenClaw, Claude (Opus 4.6), ChatGPT 5.4, Deep Seek, Hermes; Format: Live-Q&A/Demo mit Chat-Interaktion.

• 5 OpenClaw use cases that will actually improve your life…
  22.3.2026, 13:15:13

  5 OpenClaw Use Cases That Will Improve Your Life – Zusammenfassung

  1. Daily Memory Tracker

  Automatisiert ein Logging-System, das jeden Tag zusammenfasst, was man mit OpenClaw besprochen und gebaut hat. Das verbessert die Erinnerung des Systems und ermöglicht es, Monate später zu jedem spezifischen Projekt zurückzukehren. Die Implementierung erfolgt über einen einfachen Prompt, der OpenClaw anweist, täglich Zusammenfassungen zu erstellen und in ein Dashboard einzuspeisen. Dies wird als Basis für das gesamte Gedächtnissystem genutzt und soll die Leistung um das 10-fache verbessern.

  2. Trending Content Alert

  Ein System, das X, Reddit und YouTube APIs nutzt, um stündlich nach Inhalten zu suchen, die zu definierten Themen (im Beispiel: Claude Code, OpenClaw, AI) trending sind. Matching-Inhalte werden in einen Discord-Channel gepostet. Das hilft Content-Creatorn, immer auf aktuelle Trends zu reagieren und virale Inhalte zu erstellen. Die APIs sind teilweise kostenlos (Reddit, YouTube) oder kostengünstig (X).

  3. Vibe Coding

  Spontanes Erstellen von Micro-Apps direkt aus dem Chat heraus (ohne IDE oder CLI). Besonders sinnvoll für interne Tools und persönliche Automatisierung, nicht für große Consumer-Anwendungen. Ein effektiver Prompt ist: „Based on what you know about me and my workflows, what micro app can we build right now?” – OpenClaw kennt den Nutzer über seine Gedächtnis-Systeme am besten und kann selbst Verbesserungsvorschläge machen.

  4. Research & Development Team

  Ein autonomer Prozess mit fünf verschiedenen KI-Modellen, die täglich (oder mehrmals täglich) zusammentreffen, die eigene Arbeit analysieren und Verbesserungsideen debattieren. Anschließend entsteht ein kurzes Memo mit Empfehlungen – etwa zur App-Optimierung oder zur Umsatzsteigerung. Die vier bisherigen Memos kosteten zusammen etwa 40 Cent und lieferten laut Sprecher wertvolle Insights. Dieser Prozess funktioniert für jeden Use-Case: Karriere-Coaching, Content-Strategie, Familien-Planung usw.

  5. Overnight Employee (Autonome Nachtschicht)

  Eine Cron-Job-basierte Automatisierung, die täglich um 2 Uhr morgens triggert. OpenClaw wird angewiesen, die Geschäftsziele und bisherigen Arbeiten zu analysieren und eine Aufgabe autonom zu erledigen, um diese Ziele näher zu bringen – etwa ein Feedback-Widget bauen, einen Tweet schreiben oder ein Micro-Tool entwickeln. Der Nutzer wacht morgens auf und findet überraschend abgeschlossene Arbeit vor.

  Alle Prompts werden in der Video-Beschreibung bereitgestellt. Der Sprecher kündigt einen kommenden Live-Bootcamp zum Thema Vibe Coding an.

  OpenClaw wurde als das zentrale Tool thematisiert; Format: Meinung/How-To-Roundup mit Demonstrations-Elementen.

Andrej Karpathy

Keine neuen Videos in diesem Zeitraum.

Bart Slodyczka

Keine neuen Videos in diesem Zeitraum.

Ben AI (1 neues Video)

• Claude Cowork + Obsidian Will Change How You Work Forever
  24.3.2026, 11:10:31

  Zusammenfassung: Claude Cowork + Obsidian für autonomes Arbeiten

  Der Creator zeigt ein System, das einen „Second Brain” in Obsidian mit KI-Agenten wie Claude Cowork verbindet, um persistenten Kontext für autonomes Arbeiten zu schaffen.

  Die fünf Hauptvorteile:

  1. Persistenter Kontext: Statt KI-Chats isoliert zu führen, hat der Agent Zugriff auf detaillierte Dokumentation zu Geschäft, Strategie, Projekten, Team, Workflows – alles zentral in Obsidian. So kann Claude direkt wissen, welche Prioritäten heute anstehen oder LinkedIn-Posts basierend auf Team-Meetings schreiben.
  1. Kontextaktualisierung: Entscheidungen, Regeln und Projekt-Updates aus KI-Chats können direkt zurück ins Second Brain geschrieben werden. So wächst das System: Je mehr genutzt, desto besser wird die KI durch akkumuliertes Wissen.
  1. Bessere Skills: Statt jede Fähigkeit mit denselben Referenzdateien auszustatten, zeigen Skills nur auf die relevanten Dateien im Obsidian-Vault (z.B. ICP, Voice-Guide). Ein Update im Vault wirkt sich sofort auf alle Skills aus, die diese Datei nutzen.
  1. Provider-unabhängig: Das Second Brain ist nur ein lokaler Ordner mit Markdown-Dateien. Obsidian, Claude Cowork, Claude Code oder andere AI-Agenten können auf denselben Ordner zugreifen.
  1. Skalierung über Teams: Das gesamte Team teilt dieselben Strategiedokumente und Kontextdateien, wodurch alle AI-Agenten des Teams gleichzeitig leistungsfähiger werden.

  Wie es funktioniert: Obsidian ist eine Visualisierung eines lokalen Ordners. Die zentrale Datei ist die claude.md, eine Anleitung für den AI-Agent, wie die Vault-Struktur navigiert wird. Der Agent liest diese Datei, versteht, wo welche Information liegt, und kann dort gezielt abfragen oder speichern.

  Dateistruktur für Business: Context (Geschäft, Team, Strategie), Daily (tägliche Logs), Departments (Abteilungen mit SOPs), Intelligence (Meetings, Entscheidungen), Onboarding, Projects, Resources (Prompts, Templates), Skills (mit Referenzen), Tasks, Teams. Für Solo-Profis: gleiches System, aber ohne Departments, Teams und Onboarding.

  Einrichtung: Kosidian kostenlos herunterladen, neuen Vault erstellen und auf einen lokalen Ordner zeigen. Claude Cowork erhält Zugriff auf denselben Ordner. Ein Plugin aus der AI Accelerator-Community hilft, die Struktur schneller aufzubauen und initial context durch Fragen zu populieren.

  Langfristige Strategie: Das System braucht nicht perfekt zu starten – mit nur fünf Dateien beginnen, dann organisch wachsen. Der wahre Wert liegt nicht im Setup, sondern in der Ansammlung von Kontext über Wochen und Monate: Jede Entscheidung, jede Regel, jedes Projekt wird dokumentiert und macht die AI für dich und das Team exponentiell besser. Wer später startet, verliert diesen Kontext-Vorsprung.

  Wichtige Verhaltensweisen: Immer auf denselben Ordner verweisen, explizit sagen, was die KI sich „merken” soll, die claude.md aktualisieren wenn Navigations-Probleme entstehen, alte Skills so anpassen, dass sie auf den Vault statt auf eingebettete Dateien verweisen.

  Explizit behandelt: Claude Cowork, Claude Code, Obsidian, MCPs, Skills und ein hauseigenes Plugin – Demo/Tutorial-Format mit Geschäfts-Strategie-Komponente.

Brian Casel (1 neues Video)

• Claude Code on Mobile: The Complete Guide
  26.3.2026, 12:01:05

  Claude Code on Mobile: The Complete Guide

  Das Video zeigt vier praktische Workflows zum Coden auf dem Smartphone mit Claude Code:

  1. Quick Handoff (Desktop zu Mobile): Man startet eine Claude-Code-Session am Desktop, aktiviert dort Remote Control per Befehl, und kann die Session dann direkt in der mobilen Claude-App fortsetzen. Änderungen synchronisieren in Echtzeit. Optional lässt sich Remote Control dauerhaft in der Config aktivieren.

  2. Neue Session in der Cloud: Über die Mobile-App (Plus-Icon im Code-Bereich) kann man ein GitHub-Repo auswählen und eine neue Claude-Code-Session starten, die komplett in der Cloud läuft. Claude erstellt automatisch einen Pull Request am Ende. Das funktioniert ohne Desktop-Vorbereitung, ist aber auf Cloud-Umgebung beschränkt (keine lokalen Skills/Dateien).

  3. Projekt von Grund auf: Man erstellt über GitHub Mobile oder Browser ein neues Repository (idealerweise mit Template), autorisiert es dann in der Claude-App, und startet Claude Code darauf – alles vom Handy. Wieder vollständig Cloud-basiert.

  4. Power-User-Setup für vollständigen Zugriff: Mit der Kombination aus Termius (Terminal-App für Remote-Verbindung), Tailscale (sichere Netzwerk-Verbindung zu Heimmaschinen von überall) und optional T-Mux (hält Sessions aktiv bei Verbindungsabbruch) kann man vom Handy aus per Terminal in sein Desktop-Projekt wechseln, dort claude remote control starten, und dann über die Mobile-App mit vollem Zugriff auf lokale Dateien, Skills und Configs arbeiten. Das erfordert initiale Einrichtung, läuft dann aber flüssig.

  Kerntradeoff: Cloud-Sessions sind friktionslos, haben aber keine lokalen Ressourcen. Remote-Control-Sessions brauchen Vorbereitung am Desktop oder diesen erweiterten Setup mit Termius und Tailscale.

  Claude (Anthropic) explizit erwähnt; Demo-Video mit Meinung/Reflexion.

Coding with Lewis

Keine neuen Videos in diesem Zeitraum.

Cole Medin (2 neues Videos)

• Everything You Thought About Building AI Agents is Wrong
  26.3.2026, 00:00:46

  Everything You Thought About Building AI Agents is Wrong – Zusammenfassung

  Der Mainstream konzentriert sich derzeit stark auf AI-Coding-Assistants, weshalb klassische Agent-Frameworks wie Langchain, N8N und Pantic AI weniger Aufmerksamkeit erhalten. Der Autor hat sein eigenes Content-Portfolio ebenfalls stark in diese Richtung verschoben. Es gibt aber einen wichtigen Nuancenunterschied: Während die neuen SDK-basierten Ansätze (etwa Claude Agent SDK, Codeex SDK) für viele Anwendungsfälle attraktiv sind, dominieren klassische Frameworks in der Produktionsrealität weiterhin – der Großteil der laufenden Agents wird noch mit diesen älteren Frameworks gebaut.

  Der klassische Weg: Früher wählte man ein Framework, definierte Tools für den Agent, integrierte meist eine RAG-Pipeline (mit Chunking, Embedding und Retrieval-Strategie) und baute ein Agent-Loop mit State- und Memory-Management auf – alles mit erheblichem Glue-Code und Komplexität.

  Der neue SDK-Weg: Die modernen SDKs wie das Claude Agent SDK sind deutlich simpler: Sie bringen bereits prompting und Tools mit, verwalten die Konversationshistorie automatisch und unterstützen Skills und MCP-Server als neuere Werkzeugbau-Methoden. Ein Agent kann in einer einzigen TypeScript-Datei definiert werden, statt separate RAG-Pipelines und Datenbanklogik zu schreiben.

  Entscheidungskriterien zwischen SDK und Framework:

  • SDK-Ansatz wählen, wenn nur Du den Agent nutzt, Verzögerungen okay sind und keine Skalierung nötig ist (schneller Start, weniger Infrastructure).
  • Framework-Ansatz wählen, wenn mehrere Nutzer in Produktion arbeiten, Geschwindigkeit/Kosten/volle Kontrolle kritisch sind. SDKs sind merklich langsamer (wegen eingebauter Overhead), token-schwer und berechnungsintensiver. Zudem: SDKs dürfen laut Terms of Service nur für den einzelnen Nutzer mit Subscription verwendet werden – bei mehreren Nutzern brauchst du API-Keys, was extrem teuer wird. Frameworks wie Pantic AI sind kostengünstiger im Produktionsbetrieb.

  Skills und MCP-Server sind die modernen Wege, Tools in Agents einzubauen – schneller und wiederverwendbarer als direkt definierte Tools.

  Zur RAG-Frage: Viele sagen RAG sei „tot”, aber das ist zu pauschal. 2024 war semantische Suche Standard; 2025 zeigt sich: Dateisuche (wie Grep) funktioniert bei kleineren Dokumentbeständen besser und ist billiger – das ist in den SDKs eingebaut. Aber für große Knowledge Bases (Tausende Dokumente) ist semantische Suche immer noch präziser und günstiger. Moderne Ansätze nutzen agentic RAG (kombinierte Suche: semantisch + Keyword + Graph etc.), besonders bei großen Code Bases. Der Author nutzt selbst noch immer semantische Suche in seinen Agenten.

  Fazit der Empfehlung: Matching the Tool to the Use Case – es gibt keine universelle Antwort. Oft lohnt sich ein Start mit dem SDK, um schnell zu testen, bevor man bei Bedarf zu einem Framework migriert.

  Claude Agent SDK, Codeex SDK und Pantic AI wurden explizit thematisiert; die Perspektive ist Meinung/Reflexion mit praktischem Entscheidungs-Framework.

• You’re Hardly Using What Claude Code Has to Offer, it’s Insane
  23.3.2026, 16:37:20

  Zusammenfassung: Claude Code’s neueste Features

  Claude Code hat in den letzten Monaten ein Dutzend neuer Features ausgeliefert, die das Tool von einem reinen Autocomplete-Assistenten zu einer Multi-Agent-Orchestrierungsplattform entwickeln.

  1-Million-Token-Kontext: Sonnet und Opus unterstützen nun eine Million Token (ca. 750.000 Wörter). Allerdings zeigen sich ab etwa 250.000–300.000 Tokens deutlich mehr Halluzinationen – daher wird eine Memory Compaction oder ein Handoff-Prompt zum Start einer neuen Session empfohlen.

  Agent Teams: Mehrere Agenten arbeiten parallel und kommunizieren in Echtzeit miteinander, etwa um gleichzeitig Security, Performance und Test Coverage Reviews durchzuführen. Das Feature ist noch experimentell; die Kommunikation zwischen Agenten ist nicht optimal, weshalb es eher für Proof-of-Concepts als für Production-Code geeignet ist.

  Git Worktrees: Ermöglicht paralleles Arbeiten an verschiedenen Feature-Branches mit Claude im gleichen Kontext, indem lokale Kopien im .claude/worktrees-Ordner erstellt werden – spart manuelle Konfiguration und Zeit.

  Neue Commands: /simplify verhindert Over-Engineering durch automatisierte Codebase-Vereinfachung; /batch orchestriert größere Refactorings durch parallele Sub-Agents (z. B. Austausch aller Console-Logs gegen strukturiertes Logging).

  Remote Control: Synchronisiert Sessions zwischen Desktop und Telefon – die Desktop-Arbeit lässt sich vom Telefon aus steuern.

  Sub-Agents erweitert: Persistent Memory auf Sub-Agent-Ebene, Hooks pro Agent statt global, und AutoMemory (.claude/memory-Ordner), das Claude selbst aus Fehlern lernen lässt, während claude.md weiterhin volle manuelle Kontrolle bietet.

  /btw und /loop: /btw erzeugt seitliche Fragen ohne Kontext-Bloat (allerdings ohne Codebase-Tools); /loop plant wiederkehrende Prompts (z. B. alle 5 Minuten Deployment-Status checken oder alle 30 Minuten Tests laufen lassen).

  Voice Support: Native Speech-to-Text-Funktion via /voice, wobei externe Tools (Aqua Voice, Whisperflow, Open-Source-Alternativen) teilweise noch bessere Qualität bieten und überall nutzbar sind.

  Effort Level: Steuerung des Reasoning-Aufwands (low/medium/high, bei Opus auch max) über /effort zur Balance von Token-Nutzung und Problemlösungskraft.

  Scheduled Tasks: /loop für wiederkehrende In-Session-Prompts; Cron-Jobs für dauerhaft laufende Tasks (stündlich Tests, CI/CD-Pipeline checken etc.), alle per Natursprache verwaltbar ohne Cron-Syntax-Kenntnisse.

  Der Trend zeigt Claude Code als wachsende Multi-Agent-Orchestrierungsplattform mit Fokus auf paralleles Arbeiten, asynchrone Koordination über Geräte hinweg und autonomes Lernen – allerdings sollten Produktions-Deployments noch vorsichtig mit experimentellen Features umgehen.

  Claude Code-Demo mit Fokus auf agent-basierte Orchestrierung und Workflow-Automation; Meinung/Reflexion.

Datapizza (1 neues Video)

• L’impatto dell’AI sulle professioni e sul mercato
  24.3.2026, 16:01:34

  Zusammenfassung: L’impatto dell’AI sulle professioni e sul mercato

  Die Episode analysiert die wirtschaftlichen und beruflichen Auswirkungen von Generativer KI auf Basis zweier zentraler Quellen: eines Reports von Anthropic zum KI-Expositionsrisiko von Berufen und einer Goldman-Sachs-Analyse zur volkswirtschaftlichen Wirkung massiver KI-Investitionen.

  Anthropic-Report zu Jobexposition: Der Report führt einen Exposure-Index ein, der misst, wie stark einzelne Berufe durch KI automatisierbar sind – unterteilt in vollständige Automatisierung versus KI-gestützte Arbeitsverstärkung. Überraschend zeigt sich: nicht manuelle, sondern hochqualifizierte Wissensarbeiter sind am stärksten exponiert – Programmierer beispielsweise zu etwa 75%, gefolgt von Finanzanalytikern, Customer-Service-Mitarbeitern und Dateneingabe-Spezialisten. Manuelle Berufe wie Handwerk, Landwirtschaft und Bauwesen bleiben bislang weniger betroffen, da sie physische Präsenz erfordern. Entscheidend: Das Report betont, dass 25% der Programmieraufgaben human bleiben – jene, wo Menschen Wertschöpfung durch Entscheidungsfindung, Kontext und Kreativität leisten.

  Paradox der Produktivität: Obwohl Unternehmen über 100 Milliarden Dollar pro Quartal in KI-Infrastruktur investieren, zeigt Goldman Sachs, dass diese Investitionen 2025 praktisch null Beitrag zum US-BIP-Wachstum geleistet haben. Das liegt teils daran, dass der importierte Hardware (Chips, Server) in der Statistik als Importe verbucht wird, teils daran, dass Produktivitätsgewinne durch KI noch in Anfangsphasen stecken. Historisch zeigt sich: Transformative Technologien brauchen Jahre oder Jahrzehnte für messbare Effekte – die sogenannte Produktivitätsparadoxie (Robert Solow). Das Beispiel des Elektromotors zeigt: erst 30 Jahre ohne sichtbaren Vorteil, bis Unternehmen ihre Produktionsprozesse um die neue Technologie herum neu gestalteten (das „Envelope”-Konzept).

  Aktuelle Adoptionswirklichkeit: NBR-Daten zeigen: 90% der Unternehmen registrieren noch keinen signifikanten Effekt auf Beschäftigung oder Produktivität; 56% der Organisationen verzeichnen weder Umsatz- noch Kosteneinsparungen. Dennoch nutzen 66% der Manager KI im Tagesgeschäft – aber nur etwa 1,5 Stunden pro Woche. Paradoxerweise steigen die Investitionen weiter (252 Milliarden Dollar 2024, Verdopplung bis 2026 geplant), weil längerfristige Potenziale erwartet werden: Stanford-Daten deuten 2025 auf 2,7% Produktivitätssteigerung hin, mit Prognosen für weitere 1,4% bis 2027.

  Schattenseiten der Implementierung: Eine Studie der UC Berkeley zeigt, dass KI-Tools Arbeitsbelastung oft intensiviert statt zu entlasten – sie erhöhen Aufgabenvielfalt und entfernen natürliche Arbeitspausen. Der Grund: Wer bereits gut in einer Aufgabe ist, bremst sich oft selbst aus, wenn er sie mit KI „neu erlernen” muss. Erfolgreiche Adoption braucht echtes organisationales Redesign (wie die Elektrifizierung erst nach Umgestaltung der Fabriken wirkte) plus Mitarbeiterschulung – Citigroup hat Training für 175.000 Mitarbeiter verpflichtend gemacht.

  Fazit des Reports: Die KI-Disruption verläuft graduell und kumulativ, nicht als Schock – ähnlich wie die Internetdiffusion. Der Übergang vom „Tool testen” zur echten Prozessintegration und zur Schaffung von KI-kompatiblen Unternehmensabläufen steht noch bevor.

  Quellen: Anthropic-Report, Goldman Sachs (via Washington Post), NBR, PWC Global CEO Survey, Forrester, Stanford AI Index, Boston Consulting Group, UC Berkeley Haas School of Business; Philosophische Perspektive auf „Envelope”-Design von Luciano Floridi. Format: Deep-Dive/Roundup.

Dave Ebbelaar (1 neues Video)

• I Stopped Writing Code – These 5 Skills Are All That Matter
  27.3.2026, 15:59:48

  Der Autor beschreibt, wie er ein Desktop-Programm komplett in Rust neu aufgebaut hat – einer Sprache, die er nie zuvor gelernt hatte – indem er AI die Implementierung übernehmen ließ. Dabei erkannte er, dass manuelle Code-Intervention nur zu Bugs führte. Er argumentiert, dass die Implementierung nicht mehr der Engpass in der Softwareentwicklung ist und deshalb völlig andere Fähigkeiten nun entscheidend werden.

  Die fünf kritischen Skills sind:

  1. Komponenten- statt Zeilenebenen-Denken: Systemarchitektur verstehen – wie Datenflüsse funktionieren, wie Komponenten verbunden sind, was bei Ausfällen passiert. Das Buch „Designing Data-Intensive Applications” wird als Ressource empfohlen; vor Projekten sollte man Architektur-Patterns recherchieren.
  1. Full-Stack-Kompetenz: AI kann parallel an Frontend, Backend, Datenbanken arbeiten. Um sie zu lenken, muss eine Person das Gesamtbild verstehen. Der Autor empfiehlt, eine unbekannte Programmiersprache in einer Woche einzusetzen und ein End-to-End-Projekt (Deployment, CI/CD) zu bauen.
  1. Kommunikation ist das neue Programmieren: Natürliche Sprache wird zur Programmiersprache für die AI-Anweisung. Klare, strukturierte Eingaben führen zu besseren Outputs. Spracherkennung nutzen statt zu tippen verbessert die Klarheit der Prompts.
  1. Groß planen, dann radikal vereinfachen: AI tendiert zu Bloat und überflüssigen Tokens. Der Workflow: Übersicht → Plan → Build → Test → Ruthless Simplify. Dieser Schritt bestimmt die Code-Qualität und wird von den meisten ignoriert. Man sollte hinterfragen, welche Zeilen und Komponenten entfernt werden können, ohne Tests zu brechen.
  1. Systematisches Testen: AI schreibt oft zu optimistische Tests mit Mocks statt echter Validierung. Man muss Testing-Frameworks verstehen und kritisch überlegen, welche Edge Cases und Fehlerszenarien wirklich getestet werden müssen. Tests sollten in CI/CD automatisiert laufen.

  Der Ansatz trennt die strategische Arbeit (Architektur, Kommunikation, Vereinfachung, Tests) vom reinen Code-Schreiben und positioniert den Entwickler als Lenker des AI-Systems statt als Coder.

  Claude wurde explizit erwähnt; Format: Meinung/Deep-Dive.

David Shapiro (2 neues Videos)

• We’re already too late
  28.3.2026, 18:08:10

  Zusammenfassung: We’re already too late

  Der Autor stellt ein Konzept für “Universal High Income” (UHI) vor – ein System zur Sicherung von Haushaltseinkommen in einer zunehmend automatisierten Wirtschaft. Kernthese: Die Lohnarbeit verschwindet, und drei Einkommensquellen müssen Löhne ersetzen – Kapital, Transfers und Residualwagen.

  Das Problem: Der Arbeitsanteil am Nationaleinkommen sank seit den 1970ern von 65% auf 56–58%. Während die Produktivität sich verdoppelte, stagnierten die Löhne. Gleichzeitig entstand kein neuer Wirtschaftssektor, in den Arbeitskräfte migrieren könnten – der tertiäre Dienstleistungssektor dominiert bereits mit 65–70%. Ohne Lohnzahlungen droht eine deflationäre Abwärtsspirale: Konsumausgaben treiben 70% des BIP, doch Lohn- und Einkommensteuern finanzieren 80–85% der Bundeseinnahmen. Das System kollabiert, wenn Kapitalbesitzer zwar keine Arbeitnehmenden mehr benötigen (Maschinen reichen), aber verzweifelt Kunden brauchen.

  Die Lösung – drei Einkommensbuckets:

  1. Transfers (Regierungszahlungen): UBI, garantiertes Einkommen, Steuergutschriften, automatische Rentenkonten, öffentliche Dienste. Beispiele: Alaskas Permanent Fund zahlt ~$13.000/Familie und reduziert Armut um 20–40%; US-Transferausgaben belaufen sich bereits auf $4 Billionen pro Jahr.
  1. Öffentliches Kapital: Souveräne Vermögensfonds auf nationaler (Norwegen), bundesstaatlicher (Alaska, North Dakota, Texas) und lokaler Ebene (Stadtvermögensfonds). Ein US-Fonds mit 3–5% des BIP pro Jahr, 7% Nominalrendite könnte in 25–30 Jahren $58 Billionen generieren (~$14.000/Haushalt perpetuell).
  1. Privates Kapital: ESOPs (Mitarbeiterbeteiligungspläne; 6.600 in den USA mit 15 Millionen Teilnehmern, 2× höhere Rücklagen), Employee Ownership Trusts (UK), Baby Bonds (~$17.000 bei Volljährigkeit), Genossenschaften, DAOs, Aktien, Immobilien.

  Das Kernproblem: Zeitverzögerung. Souveräne Vermögensfonds brauchen Jahrzehnte zum Reifen. Die ältesten weltweit (Kuwait 1953, Norwegen) zeigen das. Amerika hätte in den 1960ern–70ern anfangen müssen; jetzt bleiben nur 10 Jahre bis zu erwarteter Automatisierungswelle (2030–2035). Der Simulator zeigt: Gesamtes Haushaltseinkommen könnte bis 2050–60 von heute $83.000 auf über $500.000 (in heutigen Dollar) steigen, wenn Kapital >90% des Einkommens ausmacht statt heute 5%. Doch die Lücke zwischen fallendem Lohnarbeitseinkommen und aufbauendem Kapitalvermögen muss durch Transfers überbrückt werden.

  Aktueller Stand (2024): 82% Löhne, 13% Transfers, 5% Kapital. Ziel: Kapital und Löhne tauschen Positionen, Transfers bleiben moderat. Zusätzliche Faktoren: Demonetisierung (KI macht viele Transaktionen überflüssig) und Deflation (digitale Güter werden um Faktor 100–100.000 billiger).

  Finanzierung: VAT, Unternehmensgewinne, Automatisierungssteuern, CO₂-Steuern, Vermögenssteuer, Daten-/KI-Lizenzgebühren, Finanztransaktionsteuer, Grundwertsteuer. Lohn- und Einkommensteuern müssen durch andere Quellen ersetzt werden.

  Fazit: Keine magische Lösung nötig, nur über 140 dokumentierte Interventionen weltweit kombiniert, aber Zeit ist das kritische Gut – jedes Wartejahr wird exponentiell teurer.

  Meinung/Reflexion; ohne spezifische KI-Tools erwähnt.

• AI isn’t going how we thought it would
  25.3.2026, 11:43:11

  Zusammenfassung:

  Der Sprecher reflektiert darüber, warum künstliche Intelligenz nicht zu der kreativen Revolution führt, die viele erwartet haben. Sein zentrales Argument: Die Geschwindigkeit von AI ermöglicht es, kreative „Brunnen” (inspirative Reserven) viel schneller zu leeren, als sie in der Realität wieder aufgefüllt werden können. Er illustriert dies mit dem Beispiel Suno (ein Musik-Generator): Er schuf vier komplette Alben innerhalb weniger Wochen, dann folgte anderthalb Jahre Stille – erst als sich sein echtes Leben veränderte (neue Hunde, Hausverbesserungen), hatte er wieder kreative Impulse.

  Ein zweites, wichtigeres Problem ist die Überwindung natürlicher Bremsen: Traditionelle kreative Prozesse haben eingebaute Verzögerungen und Reibungspunkte (Instrumente kaufen, eine Band zusammenbringen, warten). Diese wirken als psychologische Entlastung. Mit AI wird der Mensch selbst zum einzigen Engpass – und unter der in westlichen Kulturen verankerten Produktivitätsmentalität führt das zu Burnout.

  Ein drittes, subtileres Problem: Echte kreative Befriedigung kommt aus Überraschung und Neuheit von außen. Wenn man selbst alle Entscheidungen trifft (auch bei KI-generierten choose-your-own-adventure-Stories), entfällt die Überraschung. Selbst generierte oder stark personalisierte Inhalte „tragen schnell nicht mehr”, weil sie genau das liefern, was man erwartet. Der Sprecher hat nach einem halben Jahr mit Claude und Suno gemerkt: Sein Bedürfnis nach echter Neuheit lässt sich durch Personalisierung nicht befriedigen.

  Fazit: Menschen brauchen externe Entropie – echte Lebenserfahrungen, andere Menschen, deren kreative Outputs überraschen. Reine Verfügbarkeit (offene Generatoren) führt zu Überflutung und Abstumpfung. Die neueste Beobachtung: Selbst Workplace-AI wird weniger genutzt – die Neuheit nutzt sich ab.

  Abschließender Kommentar:

  Meinung/Reflexion zu Claude und Suno (sowie erwähnt: Grok Imagine) – keine spezifischen AI-Modelle als Hauptthema, sondern fundamentale psychologische Phänomene rund um KI-Nutzung.

DevExpert – IA para Desarrolladores

Keine neuen Videos in diesem Zeitraum.

Everlast AI (3 neues Videos)

• Claude „Mythos” geleakt, OpenAIs MEGA-Plan, Optimus-3, Terafab, TUM-Interview & weitere KI-News
  29.3.2026, 08:15:00

  KI-News Roundup: Humanoids ins Weiße Haus, Terafab-Chipfabrik, deutsches Robo Gym & Tool-Updates

  Robotik und Hardware:

  Ein Humanoid-Roboter (Optimus 3) ist ins Weiße Haus spaziert und hat dort eine Vision namens Plato präsentiert – ein KI-Lehrer-Roboter für Zuhause, der sich an das Lerntempo von Kindern anpasst. Das eigentliche Interessante: Elon Musk finanziert über sein neu gegründetes KI-Lab „Hark” (100 Millionen Dollar, mit Designexperten und Metas Superintelligence Lab) eigene Hardware, agentische Software und KI-Modelle. Teslas Optimus Gen 3 soll bald aussehen wie „ein Mensch in einem superhellen Anzug” mit 22 Freiheitsgraden in den Händen und taktilen Drucksensoren.

  Das größte Update: Terafab – eine Chipfabrik als Joint Venture von Tesla, SpaceX und xAI auf 9,3 Millionen Quadratmetern, die Chips mit 1 Terawatt Leistungsaufnahme pro Jahr produzieren soll (50-mal mehr als die gesamte globale KI-Chipproduktion heute). 80% sollen in orbitale Rechenzentren fließen, die von Weltraum-Solaranlagen mit fünffacher Energieeffizienz betrieben werden – Musk prognostiziert, dass der Weltraum innerhalb von 36 Monaten der günstigste Ort für KI-Rechenleistung sein wird.

  Deutschland: Neura Robotics schließt eine Milliarde-Euro-Runde ab und baut mit der TU München das weltweit größte Robotik-Trainingszentrum (Robo Gym: 2.300 m² am Flughafen München, 17 Millionen Euro Investition). Dort trainieren Hunderte Roboter gleichzeitig mittels Teaching by Demonstration und Trial-and-Error-Learning. Der limitierende Faktor für Humanoide ist nicht die Mechanik, sondern Trainingsdaten aus echten Interaktionen – Simulation allein reicht nicht. Humanoide machen Sinn, weil die Welt von Menschen für Menschen gebaut ist und Menschen die Fähigkeiten vorzeigen können.

  Open AI & Coding Tools:

  Open AI deaktiviert Sora komplett. Dahinter steckt strategisch mehr: Gerüchte besagen, dass Open AI intern AGI erreicht hat; das Produktteam wird zu „AGI Deployment” umbenannt. Das Sora-Team arbeitet jetzt an Weltmodellen (zentral für Robotics). Ein neues Modell namens Sputnik soll in Kürze kommen (wahrscheinlich Codename für GPT 5.5 oder GPT 6).

  OpenAI Codex erhält massive Updates: neue Plugins (Slack, Figma, GitHub, Gmail, Google Drive, Notion, Stripe, Hugging Face etc.), mit denen man standardisierte Workflows über Teams ausrollen kann. Plugins bündeln Skills und Apps wie MCP Server.

  Claude Code wird immer schneller zur Super App: neue App-Integrationen (Figma, Canvas, Slides, Dashboards), Desktop Use (Agenten klicken in lokalen Apps herum, füllen Formulare aus), bald Phone Use (Handy-Bedienung). Neuer Automode im Permission Mode: Aktionen werden automatisch ausgeführt, aber ein Klassifizierer bewertet Befehle auf Destruktivität – sichere Aktionen werden bestätigt, riskante blockiert.

  11 Labs CLI funktioniert jetzt Agent-First: Voice Agents lassen sich über Command Line erstellen statt manuell über UI. Das Tool analysierte beispielsweise automatisch eine Website, extrahierte Wissen für eine Knowledge Base und erstellte daraus einen Inbound-Agent mit Intent-Recognition und Subagents für verschiedene Anliegen. Ein großer Shift: Voice Agents entstehen nicht mehr in UIs, sondern durch Coding Agents.

  Google:

  Lyria 3 Pro – nächstes Upgrade für KI-Musikgenerierung. Gemini 3.1 Flash Life Preview erhält massives Update mit schnelleren Reaktionszeiten, höherer emotionaler Intelligenz, sprachlicher Breite, doppeltem Kontext. Nativ multimodale Voice Agents, mehrsprachig, mit Bildschirm-Sharing für Support-Szenarien.

  Luma AI (KI-Bildgenerierung):

  Neues Modell Uni One arbeitet nicht auf Diffusion-Basis, sondern autoregressiv als Transformer – denkt Komposition erst nach, bevor es generiert. Bessere Pixel-Genauigkeit, weniger Grisseln, sehr genaue Detail-Erkennung. Schwäche: Text im Bild schlechter als Nano Banana. Agent-Funktion erkennt und behebt Fehler automatisch.

  KI-Benchmarks & Modelle:

  Arc AGI 3 Benchmark: Menschen scoren 100%, KI derzeit unter 1%. Misst komplexe visuelle Rätsel-Lösungsfähigkeiten.

  Agentica SDK scored 36,08% auf Arc AGI 3 – zeigt, dass nicht das einzelne Modell, sondern die Agent-Framework-Wrapper um Modelle herum die großen Durchbrüche bringen.

  Claude Mythos geleakt: Nicht veröffentlichte Anthropic-Unterseite deutet auf neues Modell hin, größer und intelligenter als Opus, soll ein „immenses Cybersecurity-Risiko” darstellen. Unbestätigter Leak, aber Gerüchte werden lauter.

  Recht: Anthropic erhielt einstweilige Verfügung im Streit mit US-Verteidigungsministerium; Bundesrichterin stuf die Pentagon-Forderung als verfassungsfeindlich ein (Verfahren könnte noch Einspruch gehen).

  Tools/Anbieter erwähnt: OpenAI (Codex, Sora, ChatGPT, Plugins), Claude/Anthropic (Claude Code, Opus, Mythos, Anthropic SDK), Google (Gemini, Lyria, Gemini API), 11 Labs (CLI), Luma AI (Uni One), Neura Robotics, Tesla (Optimus 3, Terafab), n8n, Guardrails – Roundup/News-Update, für fortgeschrittene Nutzer.

• Automatisiere ALLES mit Claude Code: Das ultimative Tutorial auf Deutsch (Vom Anfänger zum Profi)
  26.3.2026, 17:16:16

  Zusammenfassung: Automatisiere ALLES mit Claude Code – Das ultimative Tutorial

  Das Video ist eine umfassende deutschsprachige Anleitung zu Claude Code, präsentiert von jemandem mit Erfahrung in KI-Beratung und Implementierung. Es behandelt Claude Code als grundlegende Verschiebung in der Softwareentwicklung und Wissensarbeit – weg vom manuellen Coding hin zu Agentic Engineering.

  Warum Claude Code wichtig ist

  Der Kurs betont, dass dies nicht nur ein KI-Tool ist, sondern ein paradigmatischer Umbruch: Andrew Karpathy vergleicht es mit einem Erdbeben der Stärke 9 in der Softwareentwicklung. Claude Code schreibt bereits 70-90% des Codes selbst, und Anthropic kontrolliert 70% des B2B-Marktes. Der Autor argumentiert, dass traditionelle manuelle Bedienung von Office-Tools durch Claude-Automatisierung obsolet wird – nicht nur für Entwickler, sondern für jeden, der digital arbeitet.

  Die drei Claude-Produkte

  Der Kurs unterscheidet zwischen: Claude Web Chat (Textgenerator, einfache Aufgaben), Claude Cowork (Zugriff auf lokale Ordner, mehrstufige Aufgaben über Tage/Wochen) und Claude Code (Vollzugriff auf Terminal, Dateien, externe Dienste – das mächtigste Produkt).

  Zentrale Konzepte: Agent Harness und Context Engineering

  Der Kernpunkt: Ein KI-Agent = Modell + Harness. Das Modell (Opus, Sonnet etc.) ist austauschbar, aber der Agent Harness – die Umgebung ringsum – ist dein Wettbewerbsvorteil. Dies besteht aus Regeln, Kontextdateien, Skills, MCP-Servern, Hooks und Subagenten. Die fünf Harness-Engineering-Prinzipien von OpenAI sind: (1) Was der Agent nicht sieht, existiert nicht für ihn, (2) Mangelnde Fähigkeit statt Prompt-Fehler, (3) Mechanische Durchsetzung statt Dokumentation, (4) Der Agent braucht Augen (Feedback), (5) Eine Karte statt Handbuch. Jeder Fehler des Agenten sollte zu einer Verbesserung der Umgebung führen – nicht zum erneuten Prompt.

  Installation und Zugangsarten

  Es gibt fünf Wege zu Claude Code: (1) Web-App (einfachste, aber limitiert), (2) Desktop-App (grafische GUI, eingeschränkte Funktionen), (3) IDE-Extension in VS Code oder Cursor (guter Kompromiss), (4) Terminal/CLI (maximale Funktionen und Performance – empfohlen), (5) VPS-Hosting (für spezifische Use Cases, aber mit Nachteilen). Der empfohlene Workflow: Terminal für Power-User, IDE für komplexere Projekte zur Visualisierung, Desktop-App für absolute Anfänger.

  Installation erfolgt über offiziellen Command vom Anthropic-Docs, Anmeldung über den erstellen Cloud-Account. Die Auswahl des Plans: Pro-Plan ($20/Monat) zum Start, Max-Plan ($90/Monat, 5x Nutzung) als Standard für aktive Nutzung.

  Projektkonfiguration: cloud.md und globale vs. lokale Einstellungen

  Claude speichert Konfiguration im versteckten ~/.claude Ordner. Zentral ist die cloud.md Datei – projektspezifische Anweisungen überschreiben globale Konfigurationen. Dies ermöglicht standardisierte Projekt-Setup bei gleichzeitiger globaler Regel-Konsistenz. Das Beispiel zeigt die Wichtigkeit, immer in Projektverzeichnissen (via cd) zu arbeiten, nicht im globalen User-Verzeichnis.

  Permission Modes

  • Ask Before Edits (Standard): Rückfragen bei neuen Tools
  • Edit Mode: Claude kann Dateien bearbeiten
  • Plan Mode: Nur Analyse, keine Ausführung – zum Brainstormen vor Umsetzung
  • Don’t Ask Mode: Nur in Terminal, lehnt alles außer vorher erlaubten Commands ab
  • Bypass Mode: Deaktiviert alle Rückfragen – mächtig, aber gefährlich

  Praktisches Anwendungsbeispiel

  Der Kurs zeigt eine Sales-Pipeline-Automatisierung: Recherche zu Unternehmen Hilti, Erstellung eines Dashboards, Dokumentation von Sales-Prozessen und später Fullstack-App zum automatisierten Angebot-Erstellen. Im Plan Mode wird Claude zunächst den Dreiphasen-Plan ausarbeiten, bevor er umsetzt.

  Explizit thematisierte Tools/Anbieter: Claude/Anthropic, Open AI (Vergleich), Cursor, VS Code; erwähnt: Voicely (europäische Transkription), Playwright (Browser-Automation), MCP Server, GitHub, Hetzner.

  Format: Tutorial (Anfänger bis fortgeschrittener Level), mit praktischen Setup-Schritten und konzeptionellen Grundlagen.

• Nr.1 KI-Investor: Diese Geschäftsmodelle STERBEN jetzt! KI-Agenten, BCIs & Zukunft (Adrian Locher)
  24.3.2026, 16:15:00

  Zusammenfassung: “Nr.1 KI-Investor – Diese Geschäftsmodelle sterben jetzt!”

  Adrian Locher, Gründer des KI-Venture-Studios Merantix, diskutiert mit Leonard Schmedding die fundamentalen Verschiebungen im KI-Markt.

  Zentrale Thesen zu sterbenden Geschäftsmodellen:

  Foundation Models als Commodity: Locher erwartet, dass sich große Sprachmodelle wie Cloud Computing entwickeln – austauschbar, über Nutzung abgerechnet, geringere Differenzierung. Das reine Token-Selling der Hyperscaler wird zum Grundversorgungsgut, die Gewinne konzentrieren sich bei Cloud-Infrastruktur-Betreibern.

  Subventionierung nicht nachhaltig: KI-Anbieter wie Cursor (5.000€/Monat Subvention) und Anthropic subventionieren ihre Produkte massiv, ohne dass daraus echte Haftung für Kunden entsteht – Code wird rausgezogen und deployed, die Plattform ist nicht eingewebt. Diese Unit-Economics funktionieren langfristig nicht.

  Was stattdessen funktioniert – vertikale, spezialisierte Lösungen:

  Locher sieht die Zukunft in vertikal integrierten Geschäftsmodellen, die nicht Software verkaufen, sondern Ergebnisse:

  • Cambrium: Entwirft Biomaterialien mittels Transformer-Modelle für Proteinsequenzen (Labor-im-Loop-Ansatz, testet nur aussichtsreichste Kandidaten physisch).
  • Vara: KI-Brustkrebs-Screening in Deutschland 50%+ aller monatlichen Screenings; Pilotprojekte in Indien für flächendeckende Vorsorge.
  • Delta: Kamerasysteme für Fabrikprozesse, seit 2 Jahren täglich bei 20+ Kunden im Einsatz, kontinuierliche Effizienzgewinne.

  Value-Based Pricing: Statt Nutzer-Lizenzen oder Monatsabos folgt das Pricing dem Resultat (z.B. erfolgreiche Fertilisierungsbehandlung). Das näher an echtem Kundennutzen heran.

  Regulatorik & Healthcare-Boom:

  Regulatorische Verzögerungen sind kein Bug, sondern Feature für Startups – etablierte Wettbewerber können nicht einfach mit eigenem Coding nachziehen. Eine Personalisierte Medizin (z.B. MRNA-Impfungen per KI designt) braucht Jahre, bis sie zertifiziert ist, aber das errichtet Burgräben.

  Bubble & Bewertungen:

  • Ja, es gibt eine Bubble bei Startup-Bewertungen (zu viele VC wollen rein).
  • Bei Hyperscalern: Frage ist nicht „ob” Bubble, sondern „wer wird das Yahoo, wer das Google”. Möglicherweise bleiben 4–5 große Anbieter übrig.
  • 3–5 Jahre bis KI messbar im GDP auftaucht (vergleichbar: Dampfmaschine ~100 Jahre, Elektrizität ~50 Jahre, Computer ~20 Jahre).

  BCIs & Cyborgs vor AGI:

  Locher glaubt, dass Brain-Computer-Interfaces eher kommen als allgemeine KI – technisch einfacher, Menschen mit Maschinen zu verbinden als eine AGI zu bauen. Sobald BCIs Marktreife erreichen (geschätzt 3–5 Jahre für breitere Nutzung), wird die Adoption schnell – ähnlich wie Chat GPT zu 100 Mio. Nutzern.

  Europa & Deutschland:

  Nicht bei Foundation Models investieren (USA/China haben Skalen-Vorteil), sondern in vertikale Lösungen bei europäischen Stärken: Healthcare, Industrie/Robotik, Logistik, Fintech, Materialwissenschaften. Dort haben deutsche/europäische Unternehmen heute schon globale Marktführerschaft – und daraus entstehen die KI-Champions von morgen.

  Explizit erwähnt: OpenAI, Anthropic, Claude, Google (Gemini), Scale AI, SAP; Deep-Dive mit Investoren-/Gründer-Perspektive.

Fireship (2 neues Videos)

• Anthropic just released the real Claude Bot…
  26.3.2026, 18:11:51

  Zusammenfassung: Anthropic’s Computer Use Feature

  Anthropic hat “Computer Use” veröffentlicht – eine Funktion, die Claude die autonome Kontrolle über den gesamten Computer ermöglicht. Per einfacher Eingabe kann Claude Apps öffnen, Jobs planen, Berichte erstellen und weitere Aufgaben erledigen, ohne dass man physisch am Gerät sein muss (Zugriff auch vom Smartphone möglich). Aktuell ist das Feature auf macOS beschränkt.

  Das Video vergleicht Computer Use mit OpenClaw (eine freie, Open-Source-Alternative von OpenAI): Während OpenClaw kostenlos, lokal lauffähig und modellunabhängig ist, ist Computer Use kostenpflichtig, proprietär, nur auf macOS verfügbar und an Claude gekoppelt. OpenClaw wird allerdings als potenziell riskant eingestuft – eine Kombination aus Zugriff auf private Daten, Exposure gegenüber unsicheren Inhalten und externer Kommunikation mit Speicherung. Claude Computer Use verfolgt dagegen einen “Permission-First”-Ansatz und fragt vor dem Zugriff auf neue Apps oder Ordner.

  Die praktischen Anwendungsbeispiele im Video sind humorvoll gemeint und zeigen: Claude könnte automatisch E-Mails schreiben, beim Recherchieren für Vorstellungsgespräche helfen, Kalendereinträge verwalten, an Meetings teilnehmen (mit KI-Sprachausgabe), Code schreiben und Pull Requests zeitversetzt einreichen – essentiell ein Werkzeug zur simulierten Produktivität.

  Das Video wird von SerpApi gesponsert, einem Service, der LLMs Zugriff auf über 100 Suchmaschinen mit strukturiertem, echtzeitaktuellem JSON gibt.

  Claude/Anthropic, Computer Use und OpenClaw explizit genannt; Meinung/Reflexion mit Demo-Elementen.

• Tech bros optimized war… and it’s working
  24.3.2026, 18:22:27

  Das Video behandelt das Maven Smart System – ein von Palantir bereitgestelltes AI-Betriebssystem für den US-Militärapparat, das die “Kill Chain” verkürzen soll, indem es Drohnenaufnahmen analysiert, Ziele identifiziert, verfolgt und priorisiert. Die Infrastruktur wird von AWS, Azure und Google unterstützt; die Ghost-Drohnen stammen von Palmerlyn. Anthropics Claude war ursprünglich das führende Sprachmodell des Systems, wurde aber nach Daario Amodeis Bedenken gegen militärische Anwendungen durch OpenAI’s Sam Altman ersetzt.

  Im technischen Tiefgang wird erklärte, wie ein ähnliches System mit Open-Source-Tools funktionieren könnte: Apache Kafka für die Datenaufnahme (Drohnen-Video, Satellitenortung, etc.), Apache Spark für die Verarbeitung, OpenCV zur Objekterkennung, und Neo4j als Graphendatenbank, um Beziehungen zwischen Personen, Fahrzeugen und anderen Objekten zu modellieren. Palantirs geheime Zutat ist das “Ontology”-System, das fragmentierte Daten aus verschiedenen Quellen in einer gemeinsamen Struktur abbildet. Open Policy Agent würde Regeln durchsetzen, Model Context Protocol und LLMs wie Qwen würden als AI-Agenten fungieren – die dann tatsächlich Maßnahmen einleiten. Das Video kritisiert satirisch, dass nur noch ein “Accept All Cookies”-Knopf zwischen Datenanalyse und Raketenabschuss liegt.

  Tracer – ein Sponsor-Tool für spec-gesteuerte Entwicklung mit Agent-Integration – wird als Lösung für Teams erwähnt, die mit Agents produktionsfähige Software bauen wollen.

  Palantir, OpenAI, Anthropic und Open-Source-Tools (Apache Kafka/Spark, Neo4j, OpenCV, Open Policy Agent, qwen) waren Schwerpunkt – Video im Format Meinung/Satire mit technischem Deep-Dive.

Greg Baugues

Keine neuen Videos in diesem Zeitraum.

IA et Stratégie | Le SamourAI (2 neues Videos)

• +70 % de « Fondateurs » sur LinkedIn : L’erreur fatale de toute une génération face à l’IA
  27.3.2026, 16:00:42

  Zusammenfassung: +70% «Gründer» auf LinkedIn – Der fatale Fehler einer ganzen Generation im Angesicht der KI

  Der Autor analysiert ein Phänomen: 70% mehr Gründer-Titel auf LinkedIn dieses Jahr – nicht aus echten Opportunitäten, sondern aus Flucht vor einem zusammenbrechenden Arbeitsmarkt. Das ist kein Sieg, sondern ein strukturelles Trap.

  Das Kernproblem: KI senkt die Einstiegshürden für Unternehmertum (jeder kann übers Wochenende ein MVP bauen), zerstört aber gleichzeitig die Lernbedingungen, die Unternehmer überhaupt überleben lassen. Juniors können nicht mehr im Angestelltenverhältnis ihre Fehler machen, ihre Branchenkompetenz aufbauen, ihr Urteilsvermögen schmieden – das war der «Sandkasten». Stattdessen werden sie direkt ins hartes entrepreneuriale Feld geschickt, während alle anderen dieselbe KI-Waffe haben. Der Wettbewerb zermalmt Anfänger ohne echte Domain Expertise.

  Der Teufelskreis: Fehlende Anfänger-Jobs → Flucht ins Freelancing/Startup-Land → KI macht Ausführung billig wie Dreck → niemand unterscheidet sich durch Code/Content → Scheitern weil Judgment, Distribution, Netzwerk fehlen → noch mehr Druck, noch schneller zu starten.

  Das ist aber nur eine Seite. Intelligente Tech-Konzerne (IBM, Shopify) verdreifachen/verzehnfachen parallel ihre Junior-Einstellungen – nicht für Ausführung (die macht die KI), sondern als «AI-native» Profis: Menschen, die KI als natürliche Gedankenextension denken (Tools wie Cursor, Claude, Perplexity), nicht als Hilfsmittel. Sie werden zu «Orchesterdirigenten» der Modelle – spezifizieren präzise, evaluieren kritisch, bringen Kontext.

  Vier Arten von Judgment werden nun zentral:

  1. Delegation-Judgment: Sollte ich das an KI geben?
  2. Spezifikations-Judgment: Was genau frage ich die KI?
  3. Evaluations-Judgment: Ist das wirklich gut?
  4. Organisations-Judgment: Ist das die richtige Lösung für diese Organisation/diesen Moment? (Das sehen Agenten nicht)

  Der strategische Twist: Die gleichen Kräfte, die dich nach unten ziehen (fehlende Jobs → Druck → Startup ohne Erfahrung), können dich nach oben katapultieren – aber mit umgekehrtem Einstiegspunkt. Wer versteht, wie man Judgment trainiert, kann diese Kurve exponentiell komprimieren: Mit KI kannst du in Wochen Szenarien durchspielen, die früher Jahre brauchten. Nicht indem die Maschine deine Arbeit macht, sondern indem du sie als Simulationsterrain nutzt.

  Warnung vor Theateroptik: Viele Großkonzerne (Deloitte, SaaS-Unternehmen) rebadgen alte Rollen mit neuem KI-Jargon («vibe coding», Alpha-Numeric Level-Names). Das ist Kosmetik. Die echte Linie läuft zwischen Organisationen, die nativ mit KI denken, und denen die in Legacy stecken bleiben – letztere schreiben ihr eigenes Obsoleszenz-Ticket.

  Neuer Trend am Horizont: Mistral «Forge» und Hardware-Überwachung (Slack-Daten, Office-Kameras) konvertieren interne Unternehmenskultur, Machtverhältnisse, Kommunikationsmuster in proprietäre KI-Modelle. Die Grauzone der Datensammlung bleibt bis August 2026 unter-reguliert.

  Praktischer Anfang: Jede Woche selbst nachrechnen: Wie viel validierst du blind von der Maschine vs. wie viel konstruierst du selbst? Das ist deine Live-Lernschuldenquote. Dann eine repetitive Aufgabe nehmen und als Judgment-Übung behandeln (delegieren ja/nein + warum? → genaue Spezifikation → echte Evaluation). Das Muster 10x durchmachen bis der native Denkmodus klickt.

  Der Kernpunkt: Entrepreneurship ist nicht die Flucht-Lösung (90% Ausfallquote), sondern eine Option – aber nur mit echtem Terrain-Urteil, nicht mit LinkedIn-Geschichtenerzählung.

  Thematisiert: KI-generell (Claude, Cursor, Perplexity erwähnt), IBM, Shopify, Mistral Forge, Deloitte; Format: Meinung/Reflexion, Deep-Dive in Marktmechanik und Strategie.

• 40 millions de vues en 12h : Claude “Computer Use” enterre le travail de bureau ?
  24.3.2026, 17:11:59

  Claude “Computer Use” – Zusammenfassung

  Anthropic hat mit “Computer Use” einen neuen Entwicklungsstand bei KI-Agenten demonstriert: Statt nur Vorschläge zu machen oder isoliert innerhalb von Apps zu arbeiten, kann Claude nun direkt den Bildschirm kontrollieren – Maus und Tastatur benutzen, zwischen echten Anwendungen navigieren und komplexe mehrstufige Aufgaben orchestrieren. Das unterscheidet sich fundamental von bisherigen Ebenen: Chatbots (2022) beantworteten Fragen, Copiloten (2023) schlugen Code vor, Orchestratoren (Anfang 2026) koordinierten Dateien zwischen Apps – jetzt folgt die volle Exekution ohne API-Integration, auch in alten Legacy-Systemen.

  Die zentrale Spannung liegt nicht in den Funktionen, sondern in der Architektur der Vertrauensfrage: Drei Modelle konkurrieren. Das lokale, offene Modell (Open Claw) verspricht maximale Kontrolle, führt aber zu Sicherheitschaos (Hunderter Malware-Plugins, Remote-Code-Execution-Lücken). Das Cloud-Manager-Modell (Perplexity) bietet Governance und Audit-Logs, sendet aber alle Daten (Mails, Dateien, Slack) durch externe Server – Compliance-Risiko für regulierte Unternehmen, 200 Dollar/Monat. Das OS-integrierte Modell (Google Gemini, Microsoft Copilot) ist flüssig, sperrt dich aber in ein Ökosystem. Claude nimmt einen umstrittenen Mittelweg: lokale Ausführung, Berechtigungskontrolle mit 30-Minuten-Timeout, aber – das ist kritisch – Claude sendet kontinuierlich Screenshots an Anthropic-Server, um die Maus zu steuern. Du erhältst Kontrolle über die Aktion, nicht über die Daten.

  Realistische Grenzen: Claude Computer Use ist noch Forschungs-Prototyp (macOS, nur Pro/Max-Abos, Bildschirm muss aktiv sein). Bei 240 realen Test-Befehlen funktionierte die vollständige End-to-End-Automatisierung nur in 2,5 % der Fälle; über 75 % der komplexen Büroaufgaben schlagen fehl. Das ist nicht nutzlos, kalibriert aber die Erwartungen: einsetzbar für niedrig-riskante, moderiert-komplexe Aufgaben (Zahlen aus Mails in Excel eintragen, Zusammenfassungen compilieren), aber nicht für sensible Daten, Compliance-kritische Prozesse oder Unternehmens-Deployment.

  Strategische Verschiebung: Wer bisher Zeit gegen Büro-Liefergüter verkaufte (Formatierung, Reporting, Datenextraktion), verliert das Alleinstellungsmerkmal – nicht weil KI den Job macht, sondern weil der Entscheider selbst den Agenten steuern kann. Die Prämie verschiebt sich zum Risk-Manager, der weiß, was und wie viel man delegieren darf. Zwei Watch-Signals: (1) Computer Use auf Windows (70 % des globalen Marktes), (2) Enterprise-Mode mit Audit-Logs und granularer App-Kontrolle vor Mitte April. Ein dritter, spekulativer: “Phone Use” – Agenten auf Smartphones.

  Anthropic baut eine Architektur, keine isolierte Features: MCP-Protokoll → Custom Skills → Desktop-App → Cloud Code → Cowork (Januar) → Dispatch (letzte Woche) → Computer Use (gestern). Jeder Baustein verstärkt den nächsten. Startups, die auf Desktop-Automation setzten, werden durch eine Montag-Abend-Update obsolet gemacht – systemisches Problem des Venture-Marktes bei KI.

  Die unsichtbare Schicht: Computer Use gibt Claude Zugang zur vierten Datenschicht der Unternehmen – dem Impliziten, das Datenbanken nie fassen (interne Politik, emotionale Intelligenz, Micro-Entscheidungen, gelöschte Dateien, Hesitationen beim Füllen von Zellen). Wer den Büro-Agenten kontrolliert, cartographiert die realen Prozesse live – was Consulting-Firmen Monate kosten würde. Auf dem Arbeitsmarkt: Ausführungsjobs verlieren, Pilotierungs- und Risk-Governance-Jobs entstehen.

  Praktischer Test: Mit Computer Use den letzten Client-Email öffnen, Quartalszahlen extrahieren, Excel aktualisieren, neues Balkendiagramm erstellen – in einer Anweisung, ohne Copy-Paste.

  Claude, Anthropic, Open Claw, Perplexity, Google Gemini, Microsoft Copilot thematisiert – Meinung/Reflexion, Deep-Dive.

Julian Ivanov | KI-Automatisierung (1 neues Video)

• OpenClaw Kurs für Einsteiger: Alle Konzepte einfach erklärt
  23.3.2026, 19:10:14

  OpenClaw Kurs für Einsteiger: Alle Konzepte einfach erklärt

  Das Video erklärt systematisch, wie OpenClaw funktioniert – ein Open-Source-Agent-System, das anders als ChatGPT nicht in einer Oberfläche läuft, sondern auf einem Computer oder Server arbeitet, Dateien erstellt, Programme ausführt und proaktiv Aufgaben im Hintergrund erledigt.

  Grundlagen & Installation: OpenClaw ist kostenlos (Open Source), sollte aber nicht auf dem privaten Hauptrechner installiert werden. Besser: ein alter Laptop, Mac Mini oder ein günstiger VPS (virtueller Server) von Anbietern wie Hetzner oder Hostinger – so arbeitet der Agent 24/7 und trennt sich sauber von deinen privaten Daten.

  Kosten & Modelle: OpenClaw braucht ein KI-Modell im Hintergrund. Zwei Wege: (1) API-Key mit Pay-per-Use (Tokens werden pro Aktion abgerechnet, kann teuer werden), oder (2) OAuth über ein bestehendes Abo wie ChatGPT Plus (~20€/Monat). OpenAI erlaubt OAuth offiziell; Anthropic hat es blockiert; Google ist eine Grauzone. Wichtig: OpenClaw verbraucht viele mehr Tokens als normale Chatbots, weil der Agent in einer Schleife denkt, beobachtet, handelt und seine Konfigurationsdateien bei jedem Call mitsendet.

  Das Gehirn des Agenten (Core-Dateien im Workspace):

  • Soul.md: definiert Persönlichkeit, Verhaltensregeln, Werte
  • Identity.md: Name, Vibe, Emoji des Agenten
  • Agents.md: das Betriebshandbuch mit obersten Anweisungen und Grenzen
  • User.md: wer du bist (Name, Zeitzone, Sprache, Projekte, Vorlieben)
  • Tools.md: praktische Notizen zu Tool-Verbindungen
  • Memory.md & Daily Notes: Langzeit- und Tagesgedächtnis des Agenten

  Der Agent nutzt einen Agentic Loop (Think-Observe-Act): eine Schleife aus Denken, Beobachten und Handeln, bis eine Aufgabe erledigt ist. Ein Context Engine orchestriert, welche Informationen in das Kontextfenster gehören und komprimiert alte Gesprächsteile – neuere Plugins wie Lossless Claw bauen einen Wissensgraf statt Nachrichten zu löschen.

  Kommunikation & Multi-Agent-Setup: Das Gateway ist die zentrale Schnittstelle. Jede Nachricht kommt über einen Channel (Telegram, WhatsApp, Slack, Discord, Signal, Teams etc. – 20+ Plattformen) rein, das Gateway routet sie zum richtigen Agenten. Jede Session ist ein eigener Gesprächsstrang; mehrere Sessions laufen unabhängig parallel. Das Gateway nutzt eine Queue (Warteschlange), um Nachrichten der Reihe nach zu verarbeiten.

  Du kannst mehrere Agents in einem Gateway haben (z.B. Personal Assistant, Coding Agent, Sales Agent) – jeder hat seinen eigenen Workspace und Kanal-Binding. Ein Subagent ist dagegen temporär: Er wird spontan vom Hauptagenten für eine Teilaufgabe gestartet, hat sein eigenes Kontextfenster und gibt das Ergebnis zurück, ohne den Hauptagenten zu belasten (verhindert Context Rot).

  Automatisierung:

  • Heartbeat: Das Gateway weckt den Agent alle 30 Minuten auf und fragt über die Heartbeat.md, ob Aufgaben anstehen. Jeder Heartbeat ist ein API-Call mit Tokenkosten – nutze hier ein günstiges Modell.
  • Cron Jobs: geplante Aufgaben zu festen Zeitpunkten (z.B. 7 Uhr morgens Briefing, montags 9 Uhr Security-Audit).

  Erweiterungen:

  • Skills: Markdown-Dateien mit konkreten Anweisungen für regelmäßige Aufgaben (z.B. Blogartikel in bestimmtem Format schreiben). Können zusätzliche Ressourcen (PDFs, Python-Scripts) enthalten. Skills gibt es im Claw Hub Community-Marketplace – dort sollte man den Security Scan prüfen.
  • MCP Server & CLI Tools: Standards zur Integration externer Tools; CLI-Tools sind token-effizienter.
  • Plugins: komplette Pakete aus Skills + Ressourcen (z.B. Lossless Claw als Context-Engine-Plugin, oder Messenger-Plattformen).
  • Nodes: Geräte, die man mit OpenClaw verbindet (z.B. Smart Glasses, iPad) – experimentell, etwa über Vision Claw.

  Das Video wird durch das Gateway Dashboard begleitet, wo man Agents anlegt, Channels konfiguriert, Core-Dateien einsieht und Skills/Cronjobs verwaltet.

  Hinweis: Kein explizites Transcript für den Security-Teil am Ende; das Video soll zeigen, wie man OpenClaw sicher auf einem Server installiert.

  OpenAI (via OAuth/API) und Anthropic (Claude, API-Key), Ollama Cloud, Open Router erwähnt; Tutorial mit Deep-Dive-Anteilen.

Kyle Balmer | AI with Kyle (10 neues Videos)

• Your Website Probably Doesn’t Need SEO
  27.3.2026, 19:00:05

  Das Video behandelt hauptsächlich zwei Themen: Website-Erstellung mit Claude und die Frage, ob SEO für jede Website notwendig ist.

  Website-Erstellung mit Claude:

  Claude kann bei der Website-Erstellung helfen. Die einfachste Methode ist die Nutzung der Claude Desktop App (abrufbar unter claude.com/download), die Chat, Claude Cowork und Claude Code enthält – technisch ist die Terminal-Variante stärker, aber die App ist anfängerfreundlicher. Für eine Live-Website braucht man Hosting und eine Domain. Eine Domain kostet etwa $10 pro Jahr (z.B. über Namecheap), Hosting ist kostenlos verfügbar über Vercel (bis zu einer bestimmten Popularität, dann $20/Monat) oder Netlify. Weitere Tools im Standard-Stack: GitHub, Supabase, Stripe für Zahlungen, Resend für transaktionale E-Mails, Beehiiv für Marketing-E-Mails, PostHog und Google Analytics.

  SEO ist nicht für alle Websites nötig:

  Der Sprecher argumentiert, dass SEO nicht pauschal für jede Website sinnvoll ist. Websites mit wenig Content (z.B. reine Landing Pages oder Sales Pages ohne Blog) gelten Google als „thin sites” und lassen sich schwer ranken. Im Gegensatz dazu: aiwithkyle.com mit etwa 2,5 Millionen Wörtern ist ein gutes SEO-Ziel. Für viele Unternehmen funktionieren andere Kanäle besser – Social Media, bezahlte Werbung oder virales Marketing. Ein Beispiel: Ein virales TikTok-Spielzeug (eine Box mit Schaltern und Pop-up-Oktopus) wird nie über Google-Suche gefunden; hier sind Social Media und Advertising die relevanten Kanäle. Fazit: SEO-Aufwand sollte an den tatsächlichen Business-Bedarf gekoppelt sein, nicht als Standard angenommen werden. Am Ende erwähnt der Sprecher einen Newsletter mit einer Checkliste zur SEO-Audits und -Implementierung mit Claude sowie kurz, dass Claude und ChatGPT bei gegenseitiger Code-Überprüfung unterschiedliche Fehler finden.

  Das Video nennt explizit Claude (Desktop App und Code) sowie ChatGPT im Vergleich; weitere genannte Tools sind Vercel, Netlify, Namecheap, GitHub, Supabase, Stripe, Resend, Beehiiv, PostHog und Google Analytics — Meinung/Reflexion mit praktischen Tipps.

• Replace your SEO agency with AI (Full Guide)
  27.3.2026, 07:00:35

  Replace your SEO agency with AI (Full Guide)

  Der Sender zeigt, wie man SEO-Agenturen durch Claude-KI und ein kostenloses Skill namens Claude SEO ersetzen kann. Traditionelle Agenturen berechnen mehrere tausend Dollar pro Monat für mindestens sechs Monate und arbeiten oft als Black Box – der Ansatz mit Claude kostet stattdessen nur die Claude Pro-Subscription (20 Dollar monatlich).

  Das Claude SEO Skill (entwickelt von Rishi Daniel, kostenlos auf GitHub) führt automatisiert mehrere Analysen durch: technisches SEO, On-Page-Analyse, Content Quality (EEAT-Scoring), Schema Markup, Bildoptimierung und AI-Search-Optimierung. Die Installation erfolgt einfach über die Claude Desktop App – man kopiert den GitHub-Link und Claude installiert das Skill. Der Audit läuft automatisiert ab (bei großen Websites mehrere Stunden bis Nacht über) und liefert eine granulare Breakdown mit Keyword-Strategien, Content-Lücken und konkreten Handlungsempfehlungen.

  Nach dem Audit speist man die Findings in Claude Code ein, um Fixes automatisiert umzusetzen: Meta-Tags generieren, Schema Markup einbauen, Inhalte optimieren. Der Sender empfiehlt, diese Aufgaben mit Scheduled Tasks zu automatisieren – beispielsweise jede Nacht 20 Seiten bearbeiten und morgens einen Report liefern. Fortgeschrittene: MCPs (Model Context Protocol) verbinden Claude direkt mit SEMrush, Google Search Console, Google Analytics und PageSpeed Insights für Live-Daten ins Audit.

  Warnung: Nicht jede Website braucht SEO. Landing Pages oder Portfolio-Websites mit wenig Content profitieren kaum; hier sind Social Media und Advertising effizienter. SEO ist ein Channel unter vielen, relevant nur, wenn Menschen organisch danach suchen.

  Der Vortrag behandelt Claude als KI-Modell, nutzt das kostenlose Claude SEO Skill und erwähnt Claude Code sowie MCPs; es ist ein Tutorial mit Live-Q&A-Format.

• Why Anthropic Is Winning the AI Agent Race Right Now
  26.3.2026, 19:00:27

  Der Video-Macher analysiert, warum Anthropic derzeit das Rennen um KI-Agenten führt. Er kontextualisiert dies in vier großen KI-Durchbrüchen: GPT-3.5 (Proof of Concept), GPT-4 (Erkenntnis des Potenzials), Reasoning-Modelle wie o1 (komplexere Problemlösung) und schließlich im Dezember 2024 agentic models – der Wendepunkt, wo AI nicht mehr nur antwortet, sondern eigenständig Dinge für uns tut.

  Der Fokus liegt auf zwei konkurrierenden Systemen: OpenClaw (ursprünglich Clawdbot), ein Open-Source-Projekt, das sehr mächtig aber riskant ist – es erfordert Command-Line-Kenntnisse, Sicherheits-Härtung und VM/VPS-Setup. Es gab Horrorgeschichten (gestohlene API-Keys, gelöschte Inboxen). Anthropics Antwort ist Claude Cowork und Claude Code, die im wesentlichen dieselbe Funktionalität in einer kontrollierteren, sichereren Umgebung bieten – weniger Kraft, aber deutlich mehr Sicherheit. Die Addition von Computer-Control (ein Mac mini kann von Claude ferngesteuert werden) bringt diese Features näher an OpenClaw heran.

  Der Autor sieht Anthropic als klarer Sieger: Sie beobachten, was OpenClaw populär macht, dokumentieren die Features und implementieren sie iterativ und öffentlich über ihre große Ingenieur-Mannschaft. OpenAI hingegen arbeitet mit Peter Steinberger (OpenClaw-Erfinder) im Geheimen an einer ChatGPT-Version. Das Problem: Geheimes Bauen verhindert den direkten Nutzer-Feedback, den Anthropic durch offenes Shipping und Twitter-Dialog bekommt – und das ermöglicht schnellere Iteration und Verbesserung.

  Thematisiert: Claude/Anthropic, OpenClaw, OpenAI, mit Erwähnungen von Perplexity Computer und Manus Agent als Alternativen. — Meinung/Reflexion.

• AI Latest: OpenAI Shuts Down Sora, Disney Drops $1B Deal, Claude Does Your Job For You
  26.3.2026, 06:45:08

  Zusammenfassung: AI Latest – OpenAI Sora-Abschaltung, Disney-Deal, Claude übernimmt Jobs

  OpenAI stellt Sora ein – die Video-Generierungs-App wird komplett abgeschaltet, inklusive API. Der Grund: Sora war zu teuer, es gab zu wenig Adoption nach dem initialen Hype von ein bis zwei Wochen, und die chinesischen Konkurrenz-Modelle sind besser und günstiger. Intern wurde OpenAI-Staff von Fidji Simo mitgeteilt, das Unternehmen könne sich nicht ablenken lassen von „Side Quests”, während Anthropic im Enterprise- und Coding-Markt an Stärke gewinnt. Das deutet auf Restrukturierung hin – OpenAI konzentriert sich auf das, was Geld bringt.

  Der eigentliche Grund: Geschäftsmodell-Umbruch. OpenAI verdient hauptsächlich über Consumer-Subscriptions ($20/Monat, über $5 Mrd Umsatz), Anthropic fokussiert dagegen auf API-Revenue von Unternehmen. Anthropic hat bei 30–40 Millionen Nutzern ähnliche oder höhere Umsätze als OpenAI mit 900 Millionen Nutzern, aber mit viel besserer Profitabilität. OpenAI zieht die Konsequenz: Weg von Spielzeug-Features wie Sora, hin zu stabilen, profitablen API-Business und Coding-Anwendungen.

  Disney-Deal fällt: Die $1-Milliarde-Investition von Disney in OpenAI ist gestorben, weil sie an Sora gekoppelt war. Disney wollte Charaktere (Marvel, Star Wars, Pixar) für nutzergenerierte Videos in Sora freigeben, möglicherweise auf Disney+ integriert. Das War für Disney strategisch sinnvoll: Das junge Publikum schaut keine Spielfilme mehr, sondern Shortform-Video. Stattdessen wird Google jetzt vermutlich Gespräche mit Disney führen, da es der beste Kandidat für einen Video-Gen-Partner ist. Apple hätte die Verbindung (Pixar-Besitz), hat aber keine Modelle dafür. Disney wird wahrscheinlich Deal mit Google schneiden, während weiter Legal-Threats gegen chinesische Plattformen laufen.

  Rechtslage: Studios (Disney, Warner, NBC Universal) verklagen Midjourney und andere; Disney schickte Cease-&-Desist an Meta und Character AI. Das Muster: Alte Medienunternehmen werden das Verbot verlieren, wie bei Text-Content (New York Times, Reddit trainierten alle Modelle), aber am Ende Lizenzvergabe-Deals mit KI-Labs machen – mit Anthropic, OpenAI, Google. China ist dabei keine Option für Disney.

  OpenAI-Pivot sichtbar: Shopping-Feature (Instant Checkout) wird heruntergefahren, weil es nicht funktionierte. Auch Apps im Chat-GPT-Store werden deprioritisiert. Überall werden vermeintlich coole Features abgebaut.

  Anthropic vs. OpenAI – Shipping-Vergleich (letzte 2 Monate 2026): Anthropic releaste: Claude Cowork (Jan), Code-Features, Memory, Marketplace, Ambassadors, Excel/Slides Skills, 1-Mio-Token-Kontextfenster, Dispatch für Mobile, Channels (Slack/Discord-Integration), Cloud Computer Use (gestern). OpenAI: Search Bar in ChatGPT, Screenshot-Library, Codex für Studenten mit $100 Credits. Die Divergenz ist radikal – Anthropic ist im Shipping-Modus, OpenAI wirkt gelähmt von IPO-Fokus.

  Claude Cowork vs. Open Claw: Open Claw (dezentrales Agentic-Projekt) war das Game-Changer in Dez. 2025, aber riskant (Shell-Zugriff, Sicherheit, Inbox-Wipes). Cowork ist der sichere, vermögensverwaltete Weg (begrenztere Macht, mehr Security). Computer Use (neu) bringt Cowork näher an Open Claw Fähigkeiten, bleibt aber sandboxed.

  Consumer vs. API Revenue: OpenAI zahlt massiv Infrastruktur-Kosten für 900 Mio Nutzer bei niedriger Marge; Consumer-Sub kollabiert leicht bei Kontroversen (Pentagon-Deal: 3–4 Mio Menschen zu Anthropic). Anthropic bewusst unattraktiv für $20/Monat Tier – Ziel ist API und höhere Tiers ($100–$200/mo). Dies erklärt die Double-Usage-Promo (Welcome-Carpet für Neuzugänge) und die Investition in Agentic Tools.

  Edge AI & Hardware-Engpässe: RAM und GPUs werden von AI-Labs aufgekauft; PlayStation 5 ist teurer als bei Launch (historisch beispiellos). Das drosselt lokale KI-Hardware. China open-sourced Models statt Paid-API, stabilisiert Developing World, ist Soft-Power-Strategie gegen US-Labs.

  Tools im Detail: Cursor befindet sich in ungünstiger Mittelposition zwischen Lovable (einsteigerfreundlich, kostenlos) und Claude Code Desktop (leistungsstark, $100–$200); Cursor könnte verdrückt werden. Vibe Coding ist der empfohlene Einstieg.

  Das Video liefert Substanz zu OpenAI-Restrukturierung, Anthropic-Dominanz, Disney-Strategie und die Neuausrichtung des KI-Markts von Consumer-Spielzeug zu B2B-API-Rentabilität — kein oberflächlicher Rundgang.

  Explizit thematisiert: OpenAI, Claude / Anthropic, Cursor, Lovable, Google Gemini, Open Claw, Midjourney, chinesische Modelle — Roundup-Format / News-Update.

• Claude Computer Use Just Changed Everything
  25.3.2026, 18:45:00

  Claude hat Computer Use freigeschaltet – eine Funktion, die es dem KI-Modell ermöglicht, auf deinen Computer zuzugreifen und Aufgaben auszuführen. Das Feature ist nur in der Claude-Desktop-App verfügbar (nicht auf claude.ai), wird über Einstellungen > Allgemein > Computer Use aktiviert und funktioniert als Fallback-Mechanismus: Claude versucht zuerst über einen Connector zu arbeiten, dann über den Browser und schließlich durch direkte Bildschirmsteuerung. Die Einrichtung ist deutlich simpler als bei OpenAI’s O1, erfordert kein Terminal-Know-how und ist nahtlos integriert.

  Besonders mächtig wird es durch Remote-Zugriff: Du kannst deinen immer laufenden lokalen Computer (z.B. einen Mac Mini) von unterwegs aus steuern, indem du Anweisungen über Dispatch, Claude Code oder Channels (Slack-, Telegram-, Discord-Integration) sendest. So könnte Claude z.B. Dateien von deinem Desktop greifen und in Google Drive hochladen, während du unterwegs bist.

  Anthropic arbeitet mehrere Tools parallel (Cowork, Claude Code, Dispatch, Remote Control, Channels), plant aber diese fragmentierte Struktur mittelfristig zu vereinheitlichen. Derzeit konkurriert Claude mit OpenClaw (open source, kostenfrei, erfordert aber API-Anschluss und lokales LLM-Setup – entwickelt von Peter, der inzwischen bei OpenAI arbeitet), Perplexity Computer (200$/Monat, wird als langsamer und weniger leistungsfähig kritisiert) und Meta’s Llama mit Agent Mode. Das Fazit: Claude überzeugt durch wöchentliche Feature-Releases, Integration mit den stärksten eigenen Modellen (Opus 4.6, Sonnet 4.6) und ein geschlossenes Ökosystem – warum also mehr für Perplexity bezahlen?

  Claude (Computer Use, Claude Code, Cowork), OpenAI (O1), OpenClaw, Perplexity, Meta/Llama — Meinung/Kritik, mit Vergleich.

• Claude Can Now Control Your Entire Computer (FULL Explainer)
  25.3.2026, 05:00:18

  Claude kann nun deinen gesamten Computer steuern – Zusammenfassung

  Anthropic hat gestern eine neue Funktion veröffentlicht, mit der Claude deinen Computer übernehmen kann – Computer Use genannt. Das ist ein bedeutsamer Shift: Während man AI bisher nur nach Informationen fragte und das Ergebnis manuell woanders einfügte, können agentic Systeme jetzt autonom Aufgaben ausführen. Claude Computer Use öffnet Apps, navigiert den Browser, füllt Tabellen aus und kann auf dem Mac direkt auf den Desktop zugreifen – zunächst nur auf macOS, Windows folgt in wenigen Wochen.

  Die Funktionalität arbeitet in einer Hierarchie: Erst versucht Claude, über direkte Konnektoren (APIs, MCPs) wie zu Gmail, Slack oder Excel zu arbeiten – das ist am schnellsten. Falls das nicht möglich ist, nutzt es die Chrome-Extension und navigiert im Browser. Im Fallback steuert es dann direkt deinen Screen, nimmt Screenshots/Videos auf und klickt herum – das ist jedoch deutlich langsamer.

  Anthropic hat in den letzten drei Monaten ein rasantes Tempo vorgelegt: Claude Opus und Sonnet 4.6, PowerPoint/Excel-Integration, Claude Code mit Security Checks, Remote Control via Telefon, Scheduled Tasks, Memory, Marketplace, Dispatch (Telefon-Zugang zu Cowork), Channels (Slack/Telegram-Integration) und nun Computer Use. Das ständig wachsende Ökosystem ermöglicht es, Anweisungen von überall aus an deinen Computer zu senden – etwa über die Desktop-App oder via Dispatch/Remote Control/Channels.

  Zum Einrichten: Claude Desktop App downloaden, in die Account einloggen, unter Settings → General → Computer Use aktivieren. Das war’s – kein Terminal-Setup nötig wie bei OpenClaw. Wichtig: Computer Use erfordert die Max-Plan Stufe, läuft aber deutlich sicherer als OpenClaw mit integrierten Safeguards (Permissions pro App, Prompt-Injection-Scanning, Blockierung von Krypto-Apps und sensiblen Daten).

  OpenClaw bewies vorher schon die Nachfrage nach autonomen Assistenten – es war aber zu technisch (Terminal, API-Keys, ggf. dedizierte Hardware) und hatte Sicherheitsprobleme. Claude Computer Use demokratisiert diese Funktionalität. Allerdings: Es bleibt ein Risiko, da das System auf deinem Hauptcomputer läuft. Sicherheitsempfehlung: Gib ihm keinen Zugriff auf Banking, Finanzen, Rechtsdokumente oder Kundendaten; warte eventuell ein paar Wochen, bis erste Lücken geschlossen sind.

  Konkurrenten wie Perplexity Computer (200 $/Monat) oder Manus Agent wirken angesichts dieses Tempos von Anthropic überholt. Der übergeordnete Trend seit Dezember 2025: AI geht vom „Chatting” ins „Doing” – Systeme sind jetzt gut genug, um echte Arbeit zu leisten. Das senkt die Hürden für jeden, der bauen möchte.

  Format & Tools: Deep-Dive zu Claude (Anthropic) mit praktischer Demo und Überblick über das gesamte Ökosystem, inkl. Vergleich zu OpenClaw, Perplexity und Manus.

• What Tools Do You Actually Need to Sell Online?
  24.3.2026, 23:00:41

  Zahlungsabwicklung: Für Zahlungen empfiehlt der Autor Stripe als Standard-Payment-Processor (3% Gebühr pro Transaktion), nennt aber auch Alternativen wie Paddle, Lemon Squeezy und Braintree. Für komplexere Verkaufsszenarien – Order Bumps, Abos, Krypto-Zahlungen, Affiliate-Verkäufe, Coupons, Rechnungsdownload, Zahlungsraten via Klarna – setzt er selbst Thrive Cart ein (einmalig ~500 Dollar), das auf Stripe aufbaut und deutlich mehr E-Commerce-Funktionalität bietet als reines Stripe mit seinen komplexen technischen Anforderungen.

  E-Mail-Systeme: Hier wird zwischen zwei Kategorien unterschieden. Für Transaktions-E-Mails (Kaufbestätigungen, Passwort-Resets, Rechnungen) nutzt der Autor Resend, das sich in die Anwendung integriert und via Claude, Lovable oder anderen Coding-Tools verbunden wird. Für Marketing- und Content-E-Mails empfiehlt er Beehive (kostenlos bis 2.500 Abos, dann gestaffelt ab 60 Dollar/Monat; er zahlt bei ~45.000 Abos etwa 300 Dollar monatlich). Als Alternative für reine Newsletter nennt er Substack. Beide Services erfordern die Validierung der eigenen Domain über DNS-Records in Namecheap, was beim ersten Mal technisch komplex ist, sich aber wiederholt einfacher anfühlt.

  Fazit: Der Autor argumentiert, dass wiederholtes Aufsetzen solcher Infrastruktur die Erfolgschancen erhöht – wer mehrere Businesses startet, wird jedes Mal routinierter.

  Thematisiert: Stripe, Thrive Cart, Resend, Beehive, Substack, Namecheap, Claude, Lovable; Format: Meinung/Reflexion mit praktischen Empfehlungen.

• So you’ve Vibe Coded something brilliant — Now what?
  24.3.2026, 13:33:19

  Zusammenfassung: So you’ve Vibe Coded something brilliant — Now what?

  Der Sprecher präsentiert einen vollständigen Tech-Stack für die Skalierung von Vibe-Coded-Anwendungen von der Proof-of-Concept-Phase bis zur kommerziellen Deployment. Er strukturiert die Anleitung in aufeinander aufbauenden Werkzeugen:

  Ideation & Coding: Lovable (kostenpflichtig ab ~$20/Monat), Google AI Studio Build Mode (kostenlos) oder Claude Code/Codex (für technisch Versierte, Claude Code $200/Monat).

  Versionskontrolle & Speicherung: GitHub speichert den Code zentral und ermöglicht Branching für sichere Entwicklung parallel zur Live-Version; kostenlosen bis zu großen Nutzerzahlen.

  Datenbank & Authentifizierung: Supabase verwaltet Nutzerdaten sicher, kostenlos bis 50.000 monatlich aktive Nutzer oder 500 MB Datenverkehr, dann $25/Monat.

  Hosting & Domain: Vercel hostet die Anwendung (kostenlos initial, $20/Monat typical), Domain von Namecheap (~$10/Jahr).

  Zahlungsabwicklung: Stripe (kostenloses Setup, 3% Transaktionsgebühr); optional Thrive Cart (~$500 einmalig) für erweiterte Funktionen wie Subscriptions, Affiliate-Sales und Tax-Automation.

  E-Mails: Resend für transaktionale E-Mails (Bestätigungen, Rechnungen) und Beehive für Marketing/Newsletter-E-Mails (kostenlos bis 2.500 Abos, dann ~$60/Monat).

  Analytics: PostHog (kostenlos) zur Nutzerverfolgung und Experiments; enthält neuerdings KI-gestützte Datenanalyse.

  Der Sprecher betont, dass die Gesamtkosten beim Start nahe Null liegen und erst bei signifikantem Traffic anfallen—zu diesem Zeitpunkt sollte das Geschäft bereits rentabel sein. Er warnt vor dem häufigen Fehler, viele Domains zu kaufen, und empfiehlt, einen Prompt in Claude oder ChatGPT zu nutzen, um einen strukturierten Schritt-für-Schritt-Plan zu erhalten. Diskussionen behandeln auch Claude Code vs. Open Claw (letzteres als weniger sicher eingestuft), die Möglichkeit kostenloser/gemeinnütziger Projekte (via Donations oder GitHub Pages) und die schnelle Entwicklungsgeschwindigkeit des AI-Ökosystems.

  Video-Format: Meinung/Reflexion mit praktischem Deep-Dive in ein spezifisches Toolkit — mittlerer Schwierigkeitsgrad für Vibe-Coder mit technischem Grundverständnis.

• Why Both OpenAI and Anthropic Are Giving Up on You
  23.3.2026, 19:00:01

  Zusammenfassung:

  Beide OpenAI und Anthropic konzentrieren sich strategisch nicht auf einzelne Konsumenten, sondern auf B2B- und Enterprise-Kunden sowie API-Nutzung — das ist die nachhaltige Einnahmequelle. Nutzer, die von ChatGPT zu Claude wechselten, treffen auf Nutzungslimits: Claude Pro ($20/Monat) bietet nur wenige Interaktionen mit Opus, während Claude Max ($100/Monat) gedacht ist als Kompromiss, aber deutlich teurer wirkt. Anthropic verdient fast nichts mit Konsumenten-Abos (unter 1 Milliarde Dollar), während ihre API-Einnahmen OpenAI übertreffen. Einzelnutzer kosten Anthropic mehr, als sie einbringen — deshalb kümmert sich das Unternehmen nicht um sie. OpenAI dagegen hat ein anderes Problem: 900 Millionen kostenlose Nutzer bei enormen Betriebskosten führen zu Geldverlust, weshalb sie Werbung einbauen und jetzt ebenfalls in Richtung Enterprise und API schieben wollen. Das bedeutet: ChatGPT wird konsumentenfeindlicher, mit mehr Anzeigen und wahrscheinlich restriktiveren Nutzungslimits. Anthropic bleibt fokussiert auf Coding und Text-Verarbeitung und ignoriert Video, Bilder oder Apps — eben weil das nicht lukrativ ist. Nutzer-Beschwerden werden häufiger, aber beide Unternehmen werden diese ignorieren.

  Explizite Tools/Anbieter: OpenAI, Anthropic, Claude (inkl. Opus und Max), ChatGPT; erwähnt auch Nano Banana, Grok. — Meinung/Reflexion.

• Massive Global Study: 81,000 people CONFESSED what they really want from AI
  23.3.2026, 07:30:02

  Anthropic hat eine Studie mit 80.508 Interviews durchgeführt — die größte multilinguale qualitative Studie ihrer Art mit Teilnehmern aus 159 Ländern in 70 Sprachen. Die Interviews wurden mit Claude durchgeführt, Anthropics eigenem KI-Interviewer-Tool. Befragt wurden Claude-Nutzende über ihre Wünsche und Erfahrungen mit KI.

  Was Menschen von AI wollen:

  Die Top-Kategorien sind berufliche Exzellenz (18,8% — AI nutzen, um Routineaufgaben zu automatisieren und sich auf strategische Arbeit zu konzentrieren), persönliche Transformation (13,7% — Coaching, emotionales Wohlbefinden, Begleitung), Unternehmertum (8,7%) und technische Barrierefreiheit (9% — AI hilft Menschen mit Lernbehinderungen oder körperlichen Einschränkungen). 81% der Befragten gaben an, dass AI ihnen bei ihren Zielen geholfen hat; 19% sagen, AI erfüllt ihre Erwartungen nicht (Unzuverlässigkeit, Halluzinationen).

  Bedenken:

  Die größten Sorgen sind Unzuverlässigkeit (26,7%), Jobverlust (deutlich in westlichen Ländern), Autonomieverlust durch Überabhängigkeit (16%) und Kontrollverlust/existenzielle Risiken (6,7%). Nur 11% äußerten keinerlei Bedenken. Interessanterweise zeigt sich ein geografisches Muster: In Subsahara-Afrika und Lateinamerika sind Menschen optimistischer (nur 24% negativ eingestellt), während in Nordamerika 35% negativ denken — AI wird in weniger entwickelten Ländern als Chancen-Multiplikator wahrgenommen, in reichen Ländern eher als Risiko.

  Neue Claude-Features:

  Anthropic baut schrittweise Funktionen zusammen, die OpenClaw ähnlich sind: persistente Speicher, Claude Workspace (Dateizugriff, Automation), und neu „Dispatch” — ermöglicht Remote-Befehle an einen immer eingeschalteten Computer via Telefon/Laptop. Das ist eine zugänglichere, sicherere Alternative zu OpenClaw, mit kleinen Kompromissen bei der Kontrolle.

  Geschäftsmodell-Verschiebung:

  Anthropic konzentriert sich auf API- und Enterprise-Revenue, nicht auf Consumer-Subscriptions. Das erklärt, warum Claude-Max bei 100$/Monat sitzt und Consumer-Pläne strenge Nutzungslimits haben — Individual-Nutzer sind für Anthropic unwirtschaftlich. OpenAI erlebt das entgegengesetzte Problem: Ihre 900 Mio. kostenlosen Nutzer kosten sie Geld, darum fügen sie Werbung ein und verlagern den Fokus aufs B2B-API-Geschäft. Folge: Beide Anbieter werden Consumer-unfreundlicher.

  Tools/Modelle: Claude (Anthropic), OpenClaw-Vergleich, OpenAI / Chat GPT erwähnt — Format: News-Update/Deep-Dive mit Meinung.

Leon van Zyl (2 neues Videos)

• Building Beautiful UIs in Minutes with Claude Code and Stitch
  26.3.2026, 13:01:17

  Zusammenfassung: Building Beautiful UIs in Minutes with Claude Code and Stitch

  Das Video zeigt die Integration von Google Stitch – einem KI-gestützten UI-Design-Tool – mit Claude Code zur schnellen Erstellung von Webanwendungen.

  Was ist Stitch und warum es besser ist als bisherige Ansätze:

  Stitch ist Googles kostenlos verfügbares Design-Tool, das mit Gemini-Modellen arbeitet und benutzerfreundlich ist: Man wählt Gerättyp (Mobile/Web), kann Referenzbilder oder URLs bereitstellen, färbschemas und Modelle auswählen, klickt auf „Generate” und erhält sofort ein Design-System (mit Primär- und Sekundärfarben, Typografie, Eckenradien etc.) sowie generierte UI-Screens in Echtzeit. Der Vorteil gegenüber der Verwendung des Front-End-Design-Skills in Claude Code: Man behält die Kontrolle über das Design-System, iteriert schnell, ohne Code zu berühren, und kann Designs vor der Implementierung testen – ähnlich wie der klassische Designprozess mit Tools wie Figma.

  Integration Claude Code + Stitch:

  Das Stitch MCP (Model Context Protocol) wird über einen Befehl in das Cloud-Code-Projekt installiert (mit optionaler Umstellung von User- auf Project-Scope). Nach dem Hinterlegung eines API-Keys aus Stitch Settings kann Claude Code alle Stitch-Funktionen nutzen: Projekte erstellen, Screens generieren, Design-Systeme verwalten.

  Workflow im Detail:

  1. Claude Code erstellt via Prompt ein neues Stitch-Projekt (z.B. „CloudFit” – Fitness-Tracker mit KI-Coach) mit Landing- und zusätzlichen Pages.
  2. Das generierte Design-System wird in einen docs/design-system-Ordner heruntergeladen und als Referenz in claude.md dokumentiert.
  3. Ein Sub-Agent als „UI-Expert” wird erstellt, um die Einhaltung des Design-Systems zu überwachen und Inkonsistenzen zu beheben.
  4. Claude implementiert das Design-System im Projekt: Fonts, Dependencies, CSS-Variablen, reusable Components.
  5. Claude exportiert die Stitch-Pages als HTML und konvertiert sie zu Next.js-Seiten – wichtiger Tipp: Per Prompt explizit fordern, dass die HTML heruntergeladen wird (nicht nur Screenshots), um Animationen und Metadaten korrekt abzubilden.
  6. Bei Bedarf: Bilder aus Stitch werden in den public-Ordner heruntergeladen und in der App verwendet.

  Das resultierende Ergebnis ist eine vollständig funktionierende Next.js-App mit allen Animationen, die exakt dem Stitch-Design entspricht – ohne manuelles Code-Schreiben für UI-Details.

  Claude Code + Google Stitch (via Stitch MCP) — Demo/Tutorial

• Claude Code Skills Changed Everything (And Nobody Noticed)
  24.3.2026, 13:26:45

  Claude Agent Skills – Überblick über die neuen Features

  Die jüngsten Änderungen an Agent Skills in Claude Code haben erhebliche Verbesserungen gebracht, die viele Nutzer übersehen haben. Skills können nun in eigenen Kontexten (Fork-Modus) laufen, was bei großen Skill-Dateien die Kontextfensterverunreinigung verhindert. Neu ist auch die dynamische Kontextinjection – vor der Ausführung können Shell-Befehle automatisch Projektdaten (Dateistruktur, Dependencies, Git-Historie) in den Skill einspritzen, statt dass der Agent dies manuell erforschen muss.

  Die Skill Creator Skill wurde massiv erweitert: Sie erstellt nicht nur Skills automatisiert, sondern führt auch Tests durch und bietet Blind-AB-Testing, um zu messen, ob ein Skill tatsächlich einen Unterschied macht oder ob das Basis-Modell die Aufgabe inzwischen nativ bewältigt. Anthropic unterscheidet zwei Skill-Typen: Capability Uplift (neue Fähigkeiten wie Bildgenerierung oder verbessertes Frontend-Design) und Encoded Preferences (spezifische Workflows, die ein Agent durchlaufen soll).

  Praktisch: Skills können wie Custom Commands mit / aufgerufen werden, und beide Konzepte sind mittlerweile verschmolzen. Für lange laufende Skills empfiehlt sich die Nutzung von Subagents im Hintergrund (background: true), wodurch der Hauptagent parallel weiterarbeiten kann. Skills werden über skills.sh oder direkt via Marketplace in Cloud Code sowie anderen GENI-Tools (Cursor, Open Code) installiert. Die Evaluations-Features ermöglichen es, den Mehrwert von Skills wissenschaftlich zu prüfen – besonders wichtig, da zukünftige Modelle gebaute Skills möglicherweise überflüssig machen könnten.

  Claude (Anthropic) und Tools: Cloud Code, Cursor, Open Code, Airtop-Skill (Sponsor), Skill Creator Skill – Deep-Dive Tutorial mit praktischen Demos.

Liam Ottley

Keine neuen Videos in diesem Zeitraum.

Mark Kashef (3 neues Videos)

• You’ve Been Using Claude Code at 10%. Here’s the Rest.
  27.3.2026, 22:00:27

  Zusammenfassung: You’ve Been Using Claude Code at 10%. Here’s the Rest.

  Das Video behandelt die .claude-Ordnerstruktur in Claude Code, die die meisten Nutzer ignorieren, aber vollständig konfigurieren können. Es gibt zwei .claude-Verzeichnisse: eines auf Projektebene (mit Regeln, Commands, Skills und Agents für spezifische Projekte) und eines im Home-Verzeichnis (mit persönlichen Präferenzen und Session-Memory als globale Spielweise).

  Hauptkomponenten:

  CloudMD-Datei: Fungiert als „Air-Traffic-Control” statt Enzyklopädie – sollte kurz und prägnant sein (ca. 50 Zeilen) und nur Router-Informationen enthalten. Es gibt eine gemeinsame Version (projekt-level) und eine lokale .local-Variante für persönliche Einstellungen, die nicht ins Repository gehören. Durch Verlagerung von detaillierten Regeln in separate Markdown-Dateien bleibt die CloudMD schlank.

  Commands: Dateien im commands-Ordner werden direkt als Slash-Commands verfügbar. Sie können Platzhalter ($) enthalten, um Argumente zu akzeptieren (z.B. latest oder spezifische IDs).

  Skills: Anders als Commands werden Skills „immer beobachtet” – sie haben Trigger-Wörter in ihren Beschreibungen und werden automatisch ausgelöst, wenn Claude diese Wörter in Konversationen erkennt. Man kann Skills mit disable-mod-invocation: true deaktivieren oder mit context: fork in eigenem Kontext ausführen.

  Agents (Sub-Agents): Spezialisierte Agents schützen das Kontext-Fenster. Sie können unterschiedliche Modelle nutzen (z.B. Sonnet für Transkript-Analyse, um Kosten zu sparen) und mit konkreten Anforderungen konfiguriert werden.

  Regeln und Einstellungen: Rules-Dateien halten Formatvorgaben zentral vor. Settings.json kontrolliert Berechtigungen – entweder im YOLO-Modus (alles erlaubt), mit manueller Genehmigung oder im neuen „Auto-Mode”, wo die KI selbst entscheidet, was erlaubt/verweigert werden sollte. Der Settings-Datei können auch Hooks hinzugefügt werden (pre-tool-use, post-tool-use), die vor/nach Tool-Ausführung laufen.

  Praktisches Beispiel: Ein Projekt namens „Meeting Flow” nutzt einen Slash-Command (/process meeting latest), der automatisch Skills auslöst (Action-Tracker, Auto-Follow-Up), die wiederum Rules (E-Mail-Formatierung, Action-Item-Struktur) anwenden und alles in eine Datenbank speichern.

  Bash-Befehle zur Navigation: ls ~/.claude oder ls .claude zeigt Inhalte; cat .claude/commandMD zeigt Datei-Inhalte; wc -l claudeMD zählt Zeilen; head -15 .claude/rules/[datei] zeigt Snippets an.

  Das Video betont Iteration – gut gepflegte Rules und Regeln werden täglich verfeinert, um das System selbstverbessernd zu gestalten.

  Explizit erwähnt: Claude (Claude Code), Fireflies API, Resend API, Supabase als externe Datenbank. Format: Deep-Dive.

• You’ve Never Made a Claude Code Skill Like This
  23.3.2026, 18:00:50

  Zusammenfassung: Video-basierte Skill-Erstellung für Claude Code

  Der Creator präsentiert eine Methode zur Skill-Erstellung in Claude Code, die auf Screen-Recording basiert: Statt ein Standardarbeitsablauf (SOP) manuell dokumentieren zu müssen, nimmt man sein eigenes Vorgehen beim Ausführen einer Aufgabe auf Video auf und sendet diese an ein Sprachmodell mit Videoverständnis – hier Gemini – das automatisch die impliziten Details, Nuancen und “tacit knowledge” aus Video, Cursor-Bewegungen und Sprache extrahiert. Diese Details sind zentral für hochwertige Skills, da sie in schriftlichen Dokumentationen typischerweise fehlen.

  Der konkrete Workflow: (1) Bildschirmvideo (5–30 Minuten) aufnehmen; (2) kostenlose Gemini-Video-Understanding-Skill aus dem Google-GitHub-Repo in Claude Code installieren (benötigt Gemini API-Key von ai.google.dev); (3) Video-Datei in Claude Code hochladen und um ein detailliertes SOP bitten – Gemini extrahiert Phasen, Entscheidungskriterien und Feinheiten; (4) den Skill-Creator-Skill mit dieser SOP auffordern, einen produktiven Skill zu planen und zu generieren, unter Einsatz von Ask-User-Input-Tools für Entscheidungspunkte (z.B. Scope, Human-in-the-Loop-Häufigkeit); (5) Plan reviewen, dann generieren und in einer neuen Claude-Code-Session mit bestätigter Skill-Installation testen.

  Im Beispiel wird ein Workflow zur Content-Repurposing (YouTube-Transkript zu LinkedIn- und X-Posts) demonstriert: Das Video zeigt, wie der Creator Claude anleitet, verschiedene Schreib-Stile (Boris Churnney, Ethan Mollik) zu adaptieren und persönliche Vorlieben (casual-direct statt relatable; keine Hashtags) einzufließen. Gemini zieht diese visuellen und verbalen Hinweise aus dem Recording, der resultierende Skill nutzt dann Multiple-Choice-Popups, um den Nutzer durch die Repurposing-Pipeline zu leiten – mit minimalen, zielgerichteten Entscheidungspunkten.

  Praktische Tipps: Videos vor Upload mit Claude Code komprimieren (Python), um API-Kosten zu senken; Sessions nach Skill-Installation neustarten, damit der Skill injiziert wird; Skill-Dateien in organisierten Ordnern (z.B. .cloud/skills/) ablegen; Skill-Struktur durch einen “Guide Agent” überprüfen, bevor man ihn in neuen Sessions aufruft – und dann beim Aufruf den exakten Namen verwenden, um Invocation-Zuverlässigkeit zu maximieren.

  Thematisierte Tools: Gemini (Video-Understanding API), Claude Code (Skill-Installation und Ausführung), Loom (Recording-Tool), Ask User Input (Claude-Code-Feature für Multiple-Choice-Dialoge).

  Format: Tutorial/Demo – zeigt Arbeitsablauf mit konkretem Anwendungsbeispiel.

• Anthropic’s NEW Claude Architect Guide In 39 Minutes
  22.3.2026, 15:01:33

  Anthropic’s Claude Certified Architect Guide – Zusammenfassung

  Anthropic hat ein neues Zertifizierungsprogramm namens „Claude Certified Architect” mit einem verbindlichen Prüfungsformat veröffentlicht. Das 40-seitige offizielle Prüfungsleitfaden behandelt fünf Kerndomänen, die für den Aufbau produktiver Agenten-Systeme notwendig sind.

  Die fünf Domänen und ihre Gewichtung:

  Agentic Architecture (27%) – Das Herzstück: der Agentic Loop (Anfrage → Claude-Antwort → Stop-Reason prüfen → Tool-Ausführung oder Ende). Zentral ist es, den Stop-Reason-Field zu prüfen, nicht textuell nach „Fertig” zu suchen. Für komplexe Aufgaben können Main-Agents Subagenten koordinieren, die in isolierten Kontexten arbeiten und Ergebnisse zusammenfassen. Ein häufiger Fehler: Koordinatoren Aufgaben zu eng statt breit zu scoped.

  Tool & MCP Integration (18%) – MCP-Server verbinden Claude mit externen Systemen (Datenbanken, APIs, Dateisysteme). Der häufigste Grund für falsche Tool-Aufrufe: mehrdeutige Tool-Beschreibungen. Klare, präzise Descriptions sind das höchste Hebel. MCPs gibt es auf Project-Level (mcp.json mit Umgebungsvariablen) und User-Level (Sandbox im Home-Verzeichnis). Best Practice: native MCP-Server von Plattformen verwenden, nur Custom-Server bei echtem Bedarf.

  Claude Code Configuration (20%) – CloudMD-Dateien sollten in drei Schichten organisiert sein: User-Level (persönliche Präferenzen), Project-Level (Team-Regeln, Architektur-Entscheidungen, teilbar über Git), Path-Specific Rules (in .claude-rules Ordner, laden nur für bestimmte Dateitypen). Das verhindert unnötige Token-Verschwendung. Commands sind Slash-Trigger (persönlich oder Team-weit), Skills sind eigenständige Kontexte für exploratives Arbeiten. Plan-Mode für mehrdeutige, mehrere Dateien betreffende Tasks; direkte Ausführung für einfache Single-File-Fixes.

  Prompt Engineering (18%) – Nicht mehr Textinstruktionen, sondern Few-Shot-Examples verwenden: 2-3 konkrete Input-Output-Paare lehren Claude die Muster besser als lange Richtlinien. Konsistente Outputs erfordern Struktur, nicht Kreativität.

  Context Management & Reliability (17%) – Claude liest Anfang und Ende des Context gut, die Mitte wird unscharf („Lost in the Middle”). Abhilfe: Schlüsselfakten oben pinnnen, verbose Tool-Outputs trimmen, Subagenten für isolierte Messiness nutzen. Separate Sessions für Code-Review (fresh eyes) vs. Code-Schreiben. Human Handoff auf Anfrage sofort ausführen, nicht versuchen zu überwinden. Bei Fehlern immer vollständige Fehler-Pakete weitergeben (was, versucht, teilweise Ergebnisse, nächste Optionen).

  Zentrale Enforcement-Konzepte:

  Prompts vs. Hooks: Prompts sind „Best Effort” (≈99%), Hooks sind physische Blockaden (100%). Hooks für Compliance, Finanzen, Security; Prompts für Stil, Ton, Format. Tool-Overload vermeiden: max. 4-5 Tools pro Agent mit klarer Relevanz. Tool-Choice-Modes: auto (Claude entscheidet), any (Claude muss ein Tool nutzen), forced (spezifisches Tool erzwungen).

  Die fünf Golden Rules zum Mitnehmen:

  1. Bei 100%-Anforderung (Geld, Sicherheit, Legal): Hook nutzen, nicht prompt-basiert.
  2. Fehler vollständig beschreiben: was brach, was versuchte, teilweise Ergebnisse, Alternativen.
  3. Agents fokussiert halten: 4-5 relevante Tools max.
  4. Code in separater Session reviewen (kein Bias des Schreibers).
  5. 2-3 konkrete Examples für konsistent Output; Claude lernt Muster, nicht Format.

  Der Leitfaden wird ergänzt durch interaktive Prompts zur Selbstprüfung in den einzelnen Domänen (auf X verfügbar).

  Explizite Tools/Modelle: Claude (Anthropic), Claude Code, MCP-Server (GitHub, Gmail, Google Calendar, Canva, Zapier erwähnt), Skills, Commands, Plan Mode, Hooks. Format: Deep-Dive Tutorial mit detaillierter Anleitung durch den Zertifizierungsleitfaden.

Matt Pocock (2 neues Videos)

• Never Trust An LLM
  27.3.2026, 18:02:47

  Zusammenfassung: Never Trust An LLM

  LLMs halluzinieren ständig – sie erfinden Fakten, die es nicht gibt, oder ignorieren Kontext, der ihnen explizit gegeben wurde. Das Phänomen wurde systematisch kategorisiert: Faktische Fehler (z.B. Googles Bard-Anzeige behauptete falsch, die James Webb Space Telescope habe als erstes Bilder von Exoplaneten gemacht), erfundene Entitäten (z.B. nicht existente Software-Pakete – ein Supply-Chain-Sicherheitsrisiko für Entwickler), und kontextuelle Inkonsistenzen (z.B. der Air-Canada-Chatbot ignorierte die implementierte Rückerstattungsrichtlinie und erfand eine falsche 90-Tage-Frist).

  Warum LLMs halluzinieren: Das Training komprimiert massive Datenmengen in ein kleineres Modell – vergleichbar mit extreme Bildkompression, wo Details verloren gehen. Das LLM sieht nur eine unscharfe, hyper-komprimierte Version der ursprünglichen Information. Trotzdem wird es trainiert und bewertet, um Fragen zu beantworten statt Unsicherheit zuzugeben: Benchmarks belohnen Raten über Ablehnung, weil ein Model, das häufig „ich weiß nicht” sagt, in Leistungstests schlecht abschneidet. Wie bei intelligenten Menschen unter Prüfungsdruck besteht ein inhärenter Zielkonflikt zwischen Sicherheit (Refusal) und Genauigkeit in schwierigen Fällen.

  Praktische Gegenmaßnahmen: Nutze LLMs mit intrinsischen Informationen – Daten, die du selbst in die Konversation einbringst. LLMs sind zuverlässig bei der Analyse von Code, Dokumenten oder Kontext, die du bereitstellst. Falls extrinsische Information nötig ist, verwende die Aufforderung „Use your search tool”, um das Modell dazu zu bringen, das Web zu durchsuchen und Quellen in seinen Kontext zu integrieren. Für kritische Entscheidungen (Gesundheit, Recht, finanzielle Belange) musst du die recherchierten Dokumente dann selbst überprüfen – auch wenn das LLM confident antwortet.

  Expizit thematisiert wurden LLMs allgemein (mit Beispielen von Googles Bard, Claude/Anthropic und ChatGPT); die Meinung stützt sich auf akademische Paper über Halluzinationen und ihr Ursprung – Meinung/Reflexion mit praktischen Hinweisen.

• Claude Code tried to improve /init… Is it any better?
  23.3.2026, 15:02:28

  Der Video-Creator testet die überarbeitete Version von Claudes init-Kommando, das auf Community-Feedback basiert. Zuvor hatte er kritisiert, dass init zu große und aufgeblähte Claude.md-Dateien erzeugt, und schlug vor, progressive Disclosure und Skill-Vorschläge zu nutzen.

  Die neue Version funktioniert interaktiver: Sie fragt zuerst, ob ein Projekt-Claude.md, ein persönliches oder beide erstellt werden sollen, dann ob Skills und Hooks sinnvoll sind. Claude erkundet daraufhin die Codebase und macht konkrete Vorschläge – in diesem Fall ein Format-on-Edit-Hook für Prettier und eine Verify-Skill für Type-Check und Tests.

  Der Kritiker arbeitet sich konstruktiv durch die Vorschläge: Bei redundanten Einträgen (z.B. npm run type-check statt npx tsc) argumentiert er, dass Hooks das bereits erzwingen. Bei useEffect reducer vs. React’s useReducer stimmt er zu, da dies eine häufige Fehlerquelle ist. Integration-Test-Patterns lehnt er ab, da diese durch Exploration ohnehin sichtbar werden. Für seltene Effect-Package-Installationen schlägt er vor, das in eine spezifische Skill auszulagern statt ins Claude.md.

  Am Ende entsteht ein minimal genutztes Claude.md (praktisch leer) und eine spezialisierte Skill für Effect-Pakete. Der Creator kritisiert, dass Claude zu servil wirkt und nicht genug gegen seine Argumente argumentiert. Trotzdem bewertet er die neue init-Version als deutliche Verbesserung – sie stellt Fragen, schlägt Dinge proaktiv vor und erzeugt nicht mehr automatisch riesige Dateien wie zuvor. Er empfiehlt, die Version zu testen und Community-Feedback zu geben.

  Format & Tools: Demo von Claude Code’s init-Kommando mit kritischer Analyse und konstruktivem Feedback an das Claude-Team.

Melvynx (5 neues Videos)

• Claude Code veut remplacer OpenClaw : LEUR NOUVEAU TOOLS
  29.3.2026, 08:00:35

  Das Video vergleicht Claudes neues Dispatch-Feature mit OpenClaw und erklärt, warum die Aussage, dass Dispatch OpenClaw ersetzen würde, unbegründet ist.

  Claudes Dispatch ermöglicht es, von einem mobilen Gerät aus Aktionen auf einem entfernten Computer auszuführen – etwa Dateien zu öffnen, den Browser zu steuern oder Ordner zu durchsuchen. Man verbindet sich via QR-Code und kann dann per Chat-Befehle an den PC senden; das System fordert vor Aktionen eine Genehmigung an.

  OpenClaw dagegen ist ein völlig anderes Konzept: Es handelt sich um einen autonomen Agent, der auf einem VPS (virtuellem Server) läuft – nicht auf dem lokalen Rechner – und damit ständig verfügbar ist, auch wenn der eigene Computer offline ist. OpenClaw erhält volle Zugriffs- und Installationsrechte, kann eigene Fähigkeiten (“Skills”) entwickeln und sich sein Workspace-Repository wie ein lebendes System aufbauen. Der Creator zeigt konkrete Beispiele: OpenClaw kann komplexe Multi-Step-Aufgaben wie das Herunterladen einer Video aus einem Tweet, Transkription, Bildextraktion und detaillierte Analyse durchführen – teilweise durch automatische Tool-Installation. Dispatch hingegen ist deutlich limitierter und für einfache Aufgaben auf einem lokalen Gerät konzipiert.

  Ein zweites Update: Claudes neuer Auto-Mode erlaubt dem Modell, Änderungen autonom durchzuführen, ohne vorher zu fragen; gefährliche Aktionen werden von einem Klassifikator blockiert, während sichere durchgelassen werden. Diese Funktion ist derzeit in “Research Preview” verfügbar – ein Label, das es Anbietern erlaubt, experimentelle Features zu nennen und weniger Haftung zu tragen.

  Der Creator betont, dass Dispatch ein “Tool für Normies” ist, während OpenClaw für Power-User gedacht ist, die echte Autonomie und Skalierbarkeit wünschen, inklusive des Aufbaus einer permanenten Agent-Intelligenz mit eigener Gedächtnisstruktur.

  Claude (Anthropic) und dessen neue Funktionen (Dispatch, Auto-Mode); Vergleich zu OpenClaw – Meinung/Reflexion.

• PERSONNE ne comprend OpenClaw : voici le VRAI usage que j’en fais
  26.3.2026, 17:24:23

  Zusammenfassung: PERSONNE ne comprend OpenClaw – Echte Nutzungsbeispiele

  Der Creator zeigt konkrete Einsatzszenarien von OpenClaw (Open Interpreter), die weit über einfaches Chatten hinausgehen. OpenClaw wird bei ihm zur täglichen Hauptanwendung – intensiver genutzt als die meisten Tools.

  Business-Automatisierungen:

  OpenClaw verwaltet autonome Agenten für die Verwaltung von Sponsor-E-Mails (Steve), Support-Antworten und auch Code-Deployments. Der Agent antwortet in seinen Schreibstil trainiert auf Anfragen, prüft Preisangebote und kann über Telegram um Genehmigung bitten, bevor kritische Aktionen wie Rückerstattungen durchgeführt werden. Für Newsletter und Kampagnen nutzt er MCP-Integrationen (Model Context Protocol) mit seiner E-Mail-Plattform und anderen Services wie Dub.sh und Codeline, um Coupons oder Landing-Page-Links zu erstellen – alles im natürlichen Sprach-Flow.

  Persönliche Assistenz mit Threading:

  Mittels System-Threads mit eigenen Persönlichkeitsregeln agiert OpenClaw als Coach (motivierend), Love-Berater (speichert Dating-Interaktionen), Doktor (mit vollständigem Medizin-Historiker) und allgemeiner Chatbot. Diese Threads können untereinander kommunizieren und bauen proaktiv oder via Cron-Job (2x täglich) Gedächtnis auf – OpenClaw aktualisiert selbstständig eine Situation.md mit Wohnort, aktuellen Aufgaben und Prioritäten.

  Sicherheit & Kostenkontrolle:

  Mit Claude-Code-Max-Abo (200 Dollar) konsumiert er sehr viele Token (bis 100 % wöchentlich). Wichtig: Nicht nur OpenClaw nutzen, sondern auch andere Modelle mischen (z.B. 50/50), um nicht in Anomalieerkennung zu geraten. OpenClaw unterstützt kein Token-Caching wie Claude, weshalb komplexe Aufgaben teurer werden. Der beste Schutz vor Prompt-Injection ist die Nutzung von Opus, das untrusted Inputs erkennt; weniger starke Modelle sind anfälliger.

  Kernprinzipien zum Erfolg: Hohe Permissions geben (Zugriff auf viele Business-Tools wie Gmail, Stripe, APIs), autonome Ausführung fordern statt explizite Anweisungen, experimentieren und kreativ sein – die Magie entsteht, wenn OpenClaw mehrere Services intelligent verbindet, um komplexe Workflows zu realisieren.

  Referenz: Eine kostenlose Mini-Formation über mlv.sh/foation mit Setup-Scripts verfügbar.

  Claude (Anthropic) wurde explizit thematisiert, sowie OpenClaw (Open Interpreter) als Haupttool mit MCP-Integrationen und Agent-Architektur – Meinung/Reflexion + Deep-Dive mit praktischen Demos, gerichtet an eher fortgeschrittene Nutzer.

• Claude Code fonctionne 100x mieux via cette application
  24.3.2026, 17:00:43

  Claude Code funktioniert 100x besser über diese Anwendung

  Der Video-Macher präsentiert zwei Tools, die seine Art zu arbeiten mit Claude Code revolutioniert haben.

  Semux (Terminal-Anwendung):

  Das Haupttool ist Semux, ein Terminal für macOS, das Claude Code deutlich praktischer macht. Semux bietet eine mehrstufige Tab-Navigation: Auf der ersten Ebene gibt es Terminal-Tabs für verschiedene Projekte, auf der zweiten Ebene horizontale Tabs innerhalb eines Projekts. Innerhalb dieser Tabs können mehrere Terminals parallel laufen und horizontal oder vertikal geteilt werden. Die Navigation funktioniert über Tastaturkürzel (z.B. Control+1, Control+2, Command für Tab-Wechsel). Das Tool zeigt auch nützliche Informationen wie den Status laufender Ports, GitHub-Branches, offene Pull Requests und Benachrichtigungen von Claude Code an. Man kann Custom-Kommandos hinzufügen (wie „crab review” für Code-Reviews durch mehrere Agents). Der Vorteil gegenüber Alternativen wie Conductor liegt darin, dass Semux nur ein Terminal-Wrapper ist – es bietet völlige Freiheit statt vordefinierter Workflows. Man entscheidet selbst, welche Agents, Server und Bibliotheken man nutzt.

  Helium (Web-Browser):

  Das zweite empfehlenswerte Tool ist Helium, ein minimalistischer, leichtgewichtiger Browser als Alternative zu Arc. Helium verzichtet auf unnötige Features, verwendet Chrome als Engine, bietet eine saubere Oberfläche mit Tab-Pinning und Bookmarks, und funktioniert einfach zuverlässig ohne KI-Gimmicks oder Tracking.

  Die zentrale These: Ein einfaches Terminal mit guter Tab-Verwaltung plus ein schlanker Browser = das perfekte Setup für produktive Claude-Code-Arbeit.

  Claude Code als AI-Tool explizit erwähnt, Demo-Format mit persönlicher Empfehlung.

• SKILLATON à San Francisco : va-t-on réussir à gagner 1 000 $ à San Francisco (c’est galère…)
  23.3.2026, 17:15:06

  Zusammenfassung: Skillaton à San Francisco

  Der Vlogger dokumentiert seinen Alltag während eines „Skillaton”-Events – eines Hackathons rund um das Thema „Skills” für KI-Agenten – in San Francisco. Er zeigt zunächst seinen Arbeitsmodus: Entwicklerausbildungen anbieten, YouTube-Videos und Tweets veröffentlichen, sowie Code-Entwicklung mit Claude. Nach Sport und Vorbereitung besucht er ein französisches Café (33 Dollar für Eier Benedikt), nimmt dann an einem Skill-Ideation-Event teil, wo sein Team zusammen mit Laurent Tavernier das Projekt „API to CLI” konzipiert – ein Tool zur Umwandlung beliebiger APIs in Command-Line-Interfaces mit einem Marketplace.

  Das Team nutzt ausschließlich Claude (als Web- und App-Agent) für die Entwicklung, ohne ein IDE zu öffnen – sie erstellen innerhalb einer Stunde eine Dokumentation, ein CLI-Tool und Skills. Trotz des Umfangs des Projekts („über 1000 Dollar in Token-Kosten, wenn bezahlt”) gewinnt am Ende das Projekt „Skill Link” den Wettbewerb. Der Vlogger ist aber zuversichtlich, sein Projekt trotzdem zu launchen.

  Anschließend präsentiert er seinen „High Builder”-Kurs (700 €) mit Live-Session, besucht dann Golden Gate Beach mit spontanem Volleyball mit Strandbenutzern, entdeckt lokale Läden mit Bio-Produkten (32 Dollar Salat) und reflektiert über das offene soziale Verhalten und die Kultur in San Francisco als Expat-Stadt voller Events, Talent und ständiger Aktivität.

  Format: Demo/Vlog mit Meinung; Tools: Claude (explizit erwähnt als Haupt-KI-Agenten für die Skill-Entwicklung).

• ARRÊTE LES MCP : Voici ce qu’il faut utiliser MAINTENANT
  22.3.2026, 17:10:00

  Zusammenfassung: “ARRÊTE LES MCP : Voici ce qu’il faut utiliser MAINTENANT”

  Der Autor argumentiert, dass MCPs (Model Context Protocol) obsolet sind und durch CLIs (Command Line Interfaces) mit Skills ersetzt werden sollten.

  Das Kernproblem der MCPs: Sie injizieren alle verfügbaren Tool-Beschreibungen dauerhaft in den Kontext des Modells, auch wenn diese Tools gar nicht verwendet werden. Das verschwendet Kontext-Fenster. Anthropics bisherige Lösung – ein generischer “MCP Search” Tool – führt dazu, dass das Modell die verfügbaren Tools gar nicht kennt und sie deshalb nicht nutzt.

  Die neue Lösung – Skills + CLI: Statt MCP-Server nutzt man jetzt Skills, die nur bei Bedarf geladen werden. Der Unterschied: Ein Skill ist nur eine Beschreibung (z.B. 160 Zeilen), die nur heruntergeladen wird, wenn der Agent sie braucht. Dahinter steckt ein CLI, das der Agent aufruft – Bash ist das universelle Interface.

  Praktische Vorteile:

  • CLIs laden kontextabhängig und sparen Kontext
  • Bash ist zuverlässig und universell einsetzbar
  • Das Modell kann mit Bash-Pipelines präziser arbeiten (z.B. head 150 statt 10.000 Token auszugeben)
  • CLIs lassen sich leicht mit “API to CLI” – einem selbst erstellten Tool – scaffolden und standardisieren

  Konkrete Demonstration: Der Autor zeigt, wie er mehrere CLIs für Dub, Gemini, Typefully und andere Services erstellt hat und diese über ein standardisiertes Verzeichnis in Open Clow verwaltet. Der Agent kann damit automatisch mehrere Services miteinander verketten – z.B. ein Dokument recherchieren, einen Tweet erstellen und diesen planen – ohne dass MCP-Komplexität nötig wäre.

  Fazit des Autors: MCPs sind eine unnötige Abstraktion für etwas, das CLIs und Bash besser lösen. Weil Modelle kodieren können und auf Computern ausgeführt werden, ist direkter Bash-Zugriff mit On-Demand-Skills die saubere Lösung.

  Tools/Konzepte: Claude (Anthropic), Skills-Konzept, CLI-Pattern, API to CLI (eigenes Tool des Autors), Open Clow (persönliches Projekt) – Format: Meinung/Deep-Dive mit Live-Demo.

MoureDev by Brais Moure (1 neues Video)

• OpenClaw desde cero: Todo lo que necesitas saber para empezar
  26.3.2026, 19:16:22

  OpenClaw von Grund auf: Zusammenfassung

  OpenClaw ist ein eigenständiger KI-Agent, der auf dem eigenen Computer läuft und Zugriff auf das Betriebssystem, das Dateisystem und verschiedene Tools erhält. Das Besondere: Die Kommunikation mit diesem Agenten erfolgt nicht über ein Dashboard, sondern über Messaging-Apps wie Telegram, WhatsApp oder Discord – man spricht also einfach mit ihm wie mit einem Chatbot, kann aber echte Aufgaben auf der Maschine delegieren.

  Warum OpenClaw bedeutsam: Es ist Open-Source, wurde von Peter Steinberg entwickelt (der mittlerweile bei OpenAI arbeitet) und erreichte in kurzer Zeit eine beispiellose Popularität – das Projekt überholte schnell große GitHub-Repositories wie Visual Studio Code.

  Wichtigste Installationsempfehlung: Nicht auf der eigenen Arbeitsmaschine installieren, sondern auf einem separaten Gerät (z. B. Mac Mini, ein alter Computer oder ein NAS) aus Sicherheits- und Performance-Gründen. Der Redner selbst nutzt einen dedizierten Mac Mini in seinem lokalen Netzwerk, verbindet sich aber vom Arbeitsrechner via Remote-Desktop-Software darauf zu.

  Kernkonzepte:

  • Gateway: Das System läuft als Dienst und wartet auf Anfragen über verschiedene Kanäle
  • Workspace: Enthält Konfigurationsdateien im Markdown/JSON-Format – darunter Soul (Persönlichkeit), Identity (Name), Memory (Gedächtnis), Agents (Anweisungen), Tools (Werkzeuge), Habits (regelmäßige Aufgaben) und Bootstrap (Startroutine)
  • Modelle: Verbindung zu Claude, GPT, Gemini und anderen über API-Keys; fallback-Hierarchien möglich (z. B. Gemini Flash als Standard, dann GPT-4, dann Claude Opus)
  • Skills & Plugins: Erweiterungen wie Todoist-Integration, Obsidian-Anbindung, GitHub-Zugriff – können über den Skill Hub installiert werden
  • Crons: Regelmäßig ausgeführte Aufgaben (z. B. täglich um 23:59 Uhr: Tagesrückblick generieren und in Obsidian speichern)
  • Multi-Agent-System: Mehrere spezialisierte Agenten parallel betreiben (z. B. ein Haupt-Agent, ein spezialisierter Inhalts-Agent, ein Master-Student-Agent)

  Workflow-Beispiele des Redners:

  • Tägliches Tagebuch in Obsidian durch Cron
  • Automatische PR-Überprüfung im GitHub-Repository nach vordefinierten Kriterien
  • Sprachnachrichten via Telegram → automatische Transkription mit lokalem Whisper-Modell
  • Taskerstellung in Todoist direkt über Telegram-Chat

  Sicherheit: Nicht unbedenklich – der Agent kann Dateien löschen, Daten leaken. Empfehlungen: Inkrementell vorgehen, Audits mit openclaw security audit durchführen, sich informieren, Code-Review nutzen, Einzelheiten der verwendeten Skills prüfen. Das Projekt wird täglich aktualisiert und hat bereits Partnerschaften (z. B. mit VirusTotal) zum Sichern von Skills.

  Erste Schritte: Installation via Terminal, Onboarding durchlaufen (Modell konfigurieren, Telegram-Kanal verbinden, optional Skills hinzufügen), sich mit den Workspace-Dateien vertraut machen, dann Crons und Skills schrittweise aufbauen.

  Das Video bietet eine umfassende technische Einführung, ohne dabei die praktischen Sicherheitsaspekte zu vergessen – kein reines Hype, sondern ausgewogen mit Warnung vor unkontrolliertem Zugriff.

  Explizit erwähnte Anbieter/Tools: Claude (Anthropic), OpenAI/GPT, Google Gemini, Telegram, WhatsApp, Discord, GitHub, Todoist, Obsidian, VirusTotal, Peter Steinberg als Gründer, Open-Source-Community — Format: Tutorial/Deep-Dive (Installations- und Konfigurationsschritte mit konzeptuellem Hintergrund).

n8n (2 neues Videos)

• n8n Livestream: AI Product Updates, Firecrawl & the latest Community Challenge
  26.3.2026, 17:24:54

  n8n Community Livestream: AI Updates, Firecrawl & Community Challenge

  Die Sendung behandelt vier Hauptthemen:

  AI-Features bei n8n (Suja Jabel, Product Manager):

  n8n baut Funktionen, um als gleichberechtigter Teilnehmer im Workflow-Ökosystem zu fungieren. Das MCP (Model Context Protocol) ist bereits in Beta und unterstützt jetzt das Erstellen und Bearbeiten von Workflows direkt aus Claude Desktop heraus – basierend auf n8ns Workflow SDK. Ein Live-Demo zeigte, wie man in Claude einfach „erstelle einen n8n Workflow für einen täglichen AI-Digest” sagt und die Workflow automatisch gebaut wird, inklusive gefüllter Node-Details. Weitere kommende Features: n8n CLI für Workflow-Management vom Terminal aus, vereinfachtes Credential-Setup mit One-Click OAuth (aktuell ~9–10 Integrationen, bald ~30, nur auf Cloud verfügbar) und ein verbesserter AI Workflow Builder mit iterativem Prompt-basiertem Aufbau. Agents werden als First-Class Citizens eingeführt – nicht nur als Nodes in Workflows, sondern als standalone Units.

  Firecrawl (Leo, Developer):

  Firecrawl bietet Web-Scraping für Agents über drei Hauptendpoints: Scrape (extrahiert Markdown/strukturierte Daten), Search (web-basierte Suche) und Interact (neu diese Woche – Agents können Browser-Sessions steuern, Seiten navigieren, Buttons klicken). Die Demo zeigte ein Workflow-Template, das via Webhook Prompts entgegennimmt, einen Agent einsetzt, der die richtigen Firecrawl-Tools nutzt, und strukturierte Daten zurückgibt – z.B. „finde die neuesten Pricing von Firecrawl” oder „hole die Top-20-LLMs von einer Webseite”. Wichtige Workflow-Tipps: Max-Iterationen erhöhen bei komplexen Browser-Interaktionen, additional_properties Parameter nutzen für optionale Output-Schemas, Fallback-Modelle für Fehlertoleranz. Das Angebot: neue und existierende n8n Cloud-User erhalten 100.000 kostenlose Firecrawl-Credits (1 Kredit = 1 Seite; zum Vergleich: Hobby-Plan hat 3.000/Monat).

  Community Challenge (März, Tino & Stefano):

  Nach Februar-Challenge zu AI-Evaluationen folgt nun „Ultimate Web Crawler Agent with Firecrawl” (Deadline 26. April). Es gibt drei fiktive Use Cases zur Wahl: (1) Aisha – Paket-Evaluator, automatisiert Recherche für neue Softwarebibliotheken; (2) Daniel – Job-Scout, findet Stellen schneller als Konkurrenz; (3) Marco – Lead-Enrichment für lokale Businesses (schwierigste Variante). Alle Fälle erfordern Firecrawl-Integration, einen n8n Agent, Datenbereicherung und strukturierte Ausgabe. Gewinner werden in der nächsten Show am 30. April präsentiert. Rewards: erste 500 Teilnehmende bekommen kostenlosen n8n Cloud Starter License Code, Merchandise für Social-Media-Posts mit #n8ncommunity. Das February-Highlight: Marco baute eine Security-First-Workflow mit Guardrails, Policy-Layer aus Datentabellen, GrundedRetrievalAugmentation für Replies und Evaluations.

  Zusätzliche Infos: n8n hat Ambassadors in 130 Ländern (~38 Ländern laut Transkript, wird wöchentlich aktualisiert), organisiert regionale Meetups und Workshops weltweit, arbeitet an Einstellungen (Support Engineers, Success Managers, AI-Teams, Product Roles).

  Explizit behandelte Tools/Anbieter: n8n (MCP, CLI, Cloud), Claude/Anthropic (MCP-Integration), Firecrawl, JavaScript-Nodes; Livestream-Format: Community Live-Stream mit Product-Demo, Live-Build-Demo, Feature-Ankündigungen.

• 45 Seconds of You. AI Does the Rest. Short Form Content with n8n
  23.3.2026, 21:27:02

  Adam zeigt ein System mit n8n, das lange YouTube-Videos in drei vollständig editierte Shorts verwandelt – mit Scripts, B-Roll, Übergängen, Captions und Lead Magnets, alles automatisch in Google Drive abgelegt. Der Workflow basiert auf zwei Iterationen: Die erste Version nutzte vollständig automatisierte AI-Avatare (Hey Gen), lieferte zwar gute Ergebnisse, wirkte aber zu unrealistisch und konnte die persönliche Marke beschädigen. Die zweite, bevorzugte Iteration behält den Menschen im Zentrum: Der Nutzer erhält via Telegram ein Script, filmt sich selbst in 45 Sekunden, und der Rest wird automatisiert – von der Video-Analyse über die Storyboard-Generierung bis zur finalen Bearbeitung.

  Das System greift auf mehrere Tools zurück: Ampify lädt YouTube-Videos und Transkripte, Gemini analysiert das Video für Inhaltsstruktur und Metadaten, Replicate erzeugt AI B-Roll (Sead-Dance-Modell), Creator Mate rendert die finale Vorschau basierend auf vorgefertigten Template-Bibliotheken. Der Ansatz verzichtet bewusst darauf, die AI alle Entscheidungen treffen zu lassen – stattdessen hat die AI aus einer bereits bewährten Effekt- und Übergangsbibliothek zu wählen, was zuverlässigere Ergebnisse ermöglicht. Die generierten Scripts folgen drei verschiedenen emotionalen Winkeln (Neugier, Angst, etc.) und werden an erfolgreichste Creator in der Nische angepasst. Benutzer können eine Basis-Setup durchführen, indem sie API-Keys für Ampify, Gemini, Replicate, Creator Mate, Telegram, Google Drive und optional OpenAI einbinden. Die kompletten Workflows stehen zum Download bereit.

  n8n, Telegram, Gemini, Hey Gen, Ampify, Creator Mate, Replicate; Meinung/Reflexion mit Demo-Elementen.

Nate Herk | AI Automation (8 neues Videos)

• Claude Code + Paperclip Just Destroyed OpenClaw
  28.3.2026, 17:49:32

  Zusammenfassung: Claude Code + Paperclip Just Destroyed OpenClaw

  Der Creator zeigt Paperclip, ein kostenloses, Open-Source-Orchestrierungstool für vollständig automatisierte AI-Unternehmen. Das Tool ermöglicht es, mehrere AI-Agenten in einer zentralen Kontrolltafel zu verwalten – jeder mit eigenen Anweisungen, Fähigkeiten und Budget. Agents können eigenständig andere Agenten einstellen, Aufgaben vergeben und sich auf Heartbeats (regelmäßig programmierte Aufwachzyklen) aktivieren lassen, um proaktiv zu arbeiten.

  Im praktischen Demo-Setup wird eine Beispielfirma namens Proofshot von Grund auf aufgebaut: Ein CEO-Agent wird aktiviert, der eigenständig einen Ingenieur einstellt, dieser wiederum erhält Aufgaben zur Entwicklung eines MVP. Das System dokumentiert alle Aktivitäten in einem Ticketing-System. Der Creator kann Genehmigungen erteilen, Kommentare hinterlassen und neue Issues für höherrangige Ziele erstellen – er fungiert als „Aufsichtsrat”, der Ziele setzt, ohne operativ einzugreifen.

  Kernfeatures: Mehrere Unternehmen/Abteilungen in einer Instanz verwaltbar, vordefinierte Agenten-Konfigurationen (Soul, Heartbeat, Tools, Instructions-Dateien), Skill-Integration über GitHub-URLs (mit Marketplace skills.sh), Routinen für wiederkehrende Workflows, Budget-Limits pro Agent und die Möglichkeit, vorgefertigte Agenten-Teams zu importieren. Der Creator betont auch, wie wertvoll ein zusätzliches Claude-Code-Projekt als „Partner” ist, um das System selbst zu verstehen und zu erweitern.

  Das Tool wird als Lösung für ein großes Schmerz-Problem präsentiert: statt vieler paralleler CLI-Sessions mit fehlender Übersicht entsteht hier ein kohärentes, verwaltbares Multi-Agent-System.

  Behandelte Tools: Claude Code, Paperclip (Open-Source), Open Claw (erwähnt als Vergleich); Format: Demo + Tutorial; Schwierigkeitsniveau: anfängerfreundlich mit erweiterten Optionen.

• Gemini 3.1 Flash Live Just Changed Voice Agents Forever
  28.3.2026, 04:02:55

  Google hat Gemini 3.1 Flash Live veröffentlicht, ein Voice-Modell, das Voice Agents grundlegend verändert. Im Gegensatz zu bisherigen Ansätzen arbeitet es direkt mit Speech-to-Speech statt mit dem Umweg über Text. Das Modell übertrifft seinen Vorgänger (Gemini 2.5 Flash) bei Multi-Step-Function-Calling um etwa 19% und zeigt auch bei Audio-Verarbeitung unter schwierigen Bedingungen (Lärm, Straßenverkehr) deutliche Verbesserungen. Es versteht Sarkasmus, Stress und emotionale Nuancen durch direkte Audioanalyse statt Transkription.

  Das Modell kann Befehle sofort unterbrechen, reagiert mit niedrigen Latenzen und verarbeitet alphanumerische Strings präziser. Es erlaubt auch Bildschirmfreigabe und Webcam-Zugriff – der Agent kann also sehen und visuell auf Anweisungen reagieren. Im Google AI Studio lässt sich das Modell kostenlos testen; man kann System-Prompts erstellen (z.B. ein „Fitness-Coach” mit schottischem Akzent) und Funktions-Aufrufe aktivieren, um es mit Kalender, To-Do-Apps oder anderen APIs zu verbinden.

  Die praktischen Demonstrationen zeigen ein eingebettetes Widget auf einer Keyboard-Website und einen „Arya”-Agent, der auf ClickUp und einen Kalender zugreift, um Aufgaben zu verwalten. Eine aktuelle Limitation: Der Agent pausiert beim Funktions-Aufrufen statt weiterzureden – es gibt also Stille, während Daten geholt werden. Mit Claude Code lassen sich solche Integrationen relativ schnell prototypisieren; der Creator hatte beide Demos in unter 30 Minuten gebaut. Allerdings ist die Bereitstellung auf einer Live-Website oder Telefonnummer technisch aufwendiger als bei alternativen Plattformen, da das Modell eine persistente Serververbindung über WebSockets benötigt.

  Die Preisgestaltung ist günstig (etwa 14 Cent pro 10-Minuten-Call auf dem bezahlten Plan); kostenlos bleibt es, solange man im Studio-Playground arbeitet. Google behält bei der kostenlosen Nutzung Daten zur Produktverbesserung ein; zahlende Nutzer erhalten Enterprise-Grade Datenschutz, höhere Rate Limits und Features wie Context Caching.

  Thematisierte Tools: Gemini 3.1 Flash Live, Google AI Studio, Claude Code, 11 Labs, ClickUp, Perplexity — Demo/Tutorial-Hybrid mit praktischen Integrationsbeispielen.

• Claude Code + iMessage is Finally Here.
  26.3.2026, 02:54:48

  Claude Code erhält ein neues Feature: iMessage-Integration über sogenannte Channels, mit der man seine lokale Claude-Code-Session direkt von der iPhone-iMessage-App aus steuern kann. Im Demo schickt der Creator eine Nachricht wie „Scrape the YouTube comments from my recent video and give me a breakdown” – Claude Code empfängt das, führt die YouTube Analyzer Skill aus und antwortet direkt in iMessage mit den Ergebnissen (511 Kommentare analysiert, Top-Themes und Video-Requests extrahiert).

  Channels sind MCPs (Model Context Protocols), die eine Brücke zwischen Drittanwendungen und einer laufenden Claude-Code-Session bilden – aktuell unterstützt sind Telegram, Discord und iMessage. Die Funktionsweise: Man gewährt der App Vollzugriff auf dem Mac (in Systemeinstellungen unter Privacy & Security), installiert das iMessage-Plugin via Command, und startet Claude Code mit aktiviertem Channel-Modus. Der Creator zeigt, wie man Berechtigungen direkt von iMessage aus genehmigen kann und wie man weitere Nummern/Apple IDs hinzufügt, um nicht nur sich selbst zu texten.

  Ein Hauptproblem: Die Session läuft lokal auf dem Rechner – schließt sich VS Code oder der Terminal, funktioniert der Channel nicht mehr. Wer durchgehend verfügbar sein möchte, müsste Claude Code auf einem Mac-VPS oder Mac Mini hosten (z.B. mit tmux). Das iMessage-Feature ist außerdem macOS-gebunden, da es auf Apples iMessage-System zugreift.

  Der Creator differenziert am Ende drei ähnlich klingende Anthropic-Features: Dispatch (nachrichtenbasiert, delegiert Aufgaben von der Mobile App), Channels (ereignisgesteuert von externen Apps wie iMessage, bestens für Reaktionen auf Events), und Remote Control (direktes Steuern einer laufenden Session vom Browser/Mobile-App).

  Claude Code mit iMessage-Plugin, Demo-Format.

• STOP Using Bypass Permissions, Use This New Feature Instead
  24.3.2026, 22:42:50

  Claude Code hat eine neue Funktion namens Auto Mode erhalten, die eine sicherere Alternative zum bisherigen “Bypass Permissions”-Modus darstellt.

  Bisher gab es zwei Extrema: Der “Ask Before Edits”-Modus stoppt den Workflow ständig mit Berechtigungsabfragen, bevor Claude Code Änderungen, Web-Requests oder Bash-Commands ausführt – ideal für Kontrolle, aber nervig bei längeren Tasks. Der “Dangerously Skip Permissions”-Modus arbeitet dagegen vollautomatisch, birgt aber das Risiko, dass Claude unbeobachtet schädliche Aktionen ausführt.

  Die alte Lösung war eine lokale .claude-Einstellung pro Projekt, mit der man Allow- und Deny-Listen sowie explizite Nachfragen definieren konnte. Auto Mode automatisiert diese Entscheidungsfindung: Vor jedem Tool-Call prüft ein Klassifikator, ob eine Aktion potenziell destruktiv ist (etwa Löschen oder Zugriff auf sensitive Daten), und blockiert oder genehmigt entsprechend. Sichere Aktionen laufen durch, risky identifizierte Aktionen werden blockiert – Claude kann dann einen anderen Ansatz versuchen.

  Auto Mode ist derzeit auf Research Preview beschränkt und nur für Claude Team-Mitglieder verfügbar. Die Aktivierung erfolgt über die Organization Settings oder per Terminal-Kommando claude --enable auto mode. Der Modus kostet leicht mehr, da die KI-basierte Risikobewertung vor jedem Tool-Call läuft. Anthropic warnt, dass Fehler trotzdem möglich sind und empfiehlt die Nutzung nur in isolierten Umgebungen.

  Claude Code, Auto Mode Feature – Demo/News-Update.

• Claude Code Just Dropped Memory 2.0
  24.3.2026, 15:04:07

  Claude Code: Memory 2.0 und das AutoDream-Feature

  Anthropic hat das experimentelle Feature AutoDream für Claude Code veröffentlicht – ein Sub-Agent, der periodisch Claudes Memory-Dateien konsolidiert und bereinigt. Das funktioniert ähnlich wie menschlicher Schlaf: Der Agent durchsucht regelmäßig alle bisherigen Sessions, fasst wichtige Informationen zusammen, entfernt redundante Inhalte und aktualisiert die Memory-Markdown-Dateien.

  Claude Code hatte bereits AutoMemory (eine memory.md-Datei, die zu Sitzungsbeginn injiziert wird), doch AutoDream geht weiter: statt nur Informationen einzuspeisen, werden die Memory-Dateien kontinuierlich komprimiert, bereinigt und aktualisiert. Der Prozess läuft automatisch im Hintergrund ab und kann manuell über /memory → “edit claude memory files” aktiviert werden; dort lässt sich AutoDream ein- oder ausschalten. Man kann den Prozess auch mit /dream oder natürlichsprachlich aufrufen.

  Die Aktivierung erfolgt global über alle Projekte hinweg, wobei jedes Projekt seine eigenen Memory-Dateien hat. Der Agent arbeitet in mehreren Phasen: Sammeln von Session-Infos, Lesen bestehender Memory-Dateien, Laden in einen Sub-Agent (der die “Dream-Prompt” ausführt), Konsolidierung und Speicherung. AutoDream wird vermutlich durch zeitbasierte Trigger (z.B. alle 12 Stunden) oder Session-basierte Trigger (z.B. nach 300 Sessions) automatisch ausgelöst – dies ist nicht offiziell bestätigt.

  Die Vorteile sind: weniger Wiederholungen im Dialog, reduzierter Context-Bloat durch Pruning (Entfernen unnötiger Inhalte), besseres Recall durch cleaner organisierte Files, und ein “Checkpoint-System” ähnlich wie Schlaf. Praktisch mündet das in einem dreischichtigen System: normale Sessions (Coding, Debugging), AutoMemory-Layer (Entscheidungen und Muster), und AutoDream-Layer (automatische Bereinigung). Je mehr AutoDream genutzt wird, desto besser versteht es, welcher Kontext für den Nutzer relevant ist.

  Demo mit Claude Code; News/Feature-Ankündigung

• Claude Code Just Got Another Huge Upgrade
  24.3.2026, 01:11:34

  Claude Code erhält Computer-Kontrollfunktion

  Anthropic hat Claude Code eine neue Funktion hinzugefügt, die es dem KI-Modell erlaubt, deinen Computer native zu steuern – durch Mausbewegungen, Tastatureinpaben und Screenshots. Die Funktion ist aktuell als Research Preview in Claude Co-work und Claude Code auf macOS verfügbar (Windows soll in wenigen Wochen folgen) und funktioniert nur in der Desktop-App.

  Kernfunktionalitäten:

  Die Computer-Use-Fähigkeit kann mit Dispatch kombiniert werden, sodass du Claude von deinem Smartphone aus fernsteuern kannst. Der Creator zeigt mehrere praktische Demos: Claude öffnet automatisch OBS und startet eine Aufnahme, sucht eine PDF in Downloads und sendet sie via ClickUp-Direktnachricht, öffnet die Rechner-App und speichert Ergebnisse in Notizen – alles gesteuert durch einfache Anweisungen oder sogar Dispatch-Nachrichten vom Handy.

  Wichtige Limitationen:

  Safari und andere Browser sind auf Read-only-Zugriff beschränkt (aus Sicherheitsgründen). Für echte Browser-Automatisierung sind Chrome-Extensions oder CLI-Tools nötig. Die Funktion ist derzeit nur auf Pro-Plänen und Mac verfügbar. In neuen Sessions muss man Apps erst Berechtigungen erteilen, danach merkt sich das System sie.

  Praktische Anwendungsfälle:

  Legacy-Apps ohne API, automatisierte Berichte, App-Testing in Sandbox-Umgebungen, wiederkehrende Aufgaben (täglich Emails scannen, freitags Reports ziehen) sowie zeitgesteuerte Aufgaben. Der Creator betont, dass Anthropic derzeit im hohen Tempo neue Features ausrollt.

  Häufige Probleme:

  Wenn Computer Use nicht funktioniert, sollte man die Desktop-App neu installieren, die Einstellung aktivieren, die App beenden und neu öffnen, und in den Prompts expliziter werden.

  Claude Code mit Anthropic – Demo.

• This $100M AI App Just Changed Software Forever
  23.3.2026, 22:34:24

  Zusammenfassung: This $100M AI App Just Changed Software Forever

  Ein 18-Jähriger namens Zach verkaufte seine AI-App im Dezember 2025 für schätzungsweise über $100 Millionen. Die App, Cal AI, war ein Fitness-Tool, das per Foto die Kalorien von Mahlzeiten berechnet – ohne Wiegen oder manuelles Eingeben. Zach startete mit Freunden aus der High School und dem Oberschule Coding Camp, baute die erste Version in etwa einem Monat (Start Mai 2024) und erreichte innerhalb von 3–4 Monaten eine Million Downloads, danach über eine Million Dollar Umsatz pro Monat.

  Warum das die Branche verändert: Während Zach noch selbst programmieren konnte, existieren heute (2026) Tools wie Cursor, Lovable, Cloud Code, Replit und andere, mit denen man ohne Coding-Kenntnisse Apps bauen kann. Die Barriere zur Softwareentwicklung ist gefallen – aber die Business-Seite bleibt der schwierige Teil.

  Drei Erfolgsfaktoren:

  1. Problem-Driven Ideation: Zach erkannte sein eigenes Problem (nerviges Kalorie-Tracking in MyFitnessPal war veraltet) und baute eine simple Lösung statt ein vollkommenes Produkt zu perfektionieren. Schnell launchen, Feedback einholen, iterieren.
  1. Influencer-Marketing (Creator-First): Statt traditioneller Ads DMs an 20–30 Creator verschicken, ihnen kreative Freiheit geben und die App in den ersten 15 Sekunden zeigen (z.B. beim Fotografieren von Essen). Das wirkt wie Empfehlung, nicht wie Werbung. Downloads und Revenue pro Creator tracken, dann skalieren was funktioniert.
  1. Retention & Predictable Revenue: Vor der Trial emotionale Investition durch gezielte Fragen (Gewicht, Ziele, Motivation) erhöhen. Core-Feature extrem simpel halten (5 Sekunden pro Nutzung). Kleine Gewohnheits-Features (Daily Streaks, Progress Dashboard, Health Score) einbauen. Stabile monatliche Zahlen machen die App attraktiv für Übernahmen.

  Zach bewies, dass man ohne Investoren oder großes Team ein hunderte-Millionen-Dollar-Unternehmen bauen kann; die verfügbaren Tools sind heute noch besser, aber das Fenster bleibt nicht lange offen.

  Tools & Format: Cursor, Lovable, Cloud Code, Replit, Antigravity und Baseplate 4 erwähnt – Meinung/Reflexion mit Business-Case-Analyse.

• How to Build Claude Agent Teams Better Than 99% of People
  23.3.2026, 13:03:53

  Zusammenfassung: How to Build Claude Agent Teams Better Than 99% of People

  Das Video zeigt, wie man mit Claude Code effektive Agent-Teams aufbaut. Der Hauptunterschied zu Sub-Agents liegt darin, dass Teammates eine gemeinsame Task-Liste haben, direkt miteinander kommunizieren können und parallel arbeiten – nicht sequenziell wie Sub-Agents. Im Demo wird ein Team aus Frontend-Developer, Backend-Developer und QA-Agent erstellt, das gemeinsam eine Landing Page entwickelt: Die QA findet Fehler, sendet sie zurück an die Developer, diese beheben sie, und beim zweiten Durchgang sind alle kritischen Probleme gelöst.

  Setup: Man aktiviert Agent Teams durch eine Umgebungsvariable in der settings.json. Empfohlen wird, Claude Code vorab mit der Agent-Teams-Dokumentation zu trainieren (als Markdown in einem docs-Ordner), damit es schneller darauf zugreifen kann.

  Best Practices beim Prompting:

  • Ziel klar formulieren (Agents haben keine initialen Kontext-Infos)
  • Prompt-Struktur: „Create a team of X agents using [Modell]. Agent 1 ist [Rolle], sollte [Aufgaben] machen…”
  • Jeder Agent sollte eigene Dateien/Deliverables haben (keine Überschreibungen)
  • Konkrete Empfänger benennen, wer wen kontaktiert
  • 3–5 Agents ideal, nicht 10+
  • Volle Kontextinformation geben

  Häufige Fallstricke & Lösungen:

  • Agents fragen ständig nach Genehmigung → Tools pre-approven in Settings
  • Deliverables werden überschrieben → File Owners zuweisen
  • Agents sitzen untätig herum → Explizit Abhängigkeiten/Work assignments im Prompt
  • Zu viele Tokens verbraucht → Weniger Agents nutzen
  • Plan-Approval-Mode nutzen: Agents planen erst, Hauptagent genehmigt vor Ausführung

  Wann Agent Teams verwenden: Bei komplexen Prozessen mit mehreren Spezialgebieten, wenn parallel und reaktiv gearbeitet werden muss, hohe Qualität nötig ist. Nicht verwenden: Bei sequenziellen Prozessen (1→2→3), wenn alles in einem Kontext-Fenster sein muss, bei einfachen Aufgaben oder wenn Agents die gleichen Dateien bearbeiten (dann Sub-Agents besser).

  Terminal-Ansicht (Tmux): In der Terminal-Version kann man alle Agents in einer Split-Pane sehen und einzelnen Agents direkt Nachrichten senden/ihnen Anweisungen geben – viel bessere Kontrolle als im VS-Code-Extension-Modus.

  Shutdown-Prozess: Agents sollten sauber heruntergefahren werden (nicht force-killed), indem die Hauptsession sie zum Speichern auffordert und Agents bestätigen, dass sie bereit sind – so wird alles ordnungsgemäß abgeschlossen.

  Claude mit Agent-Teams-Feature (Beta/experimentell); Deep-Dive-Tutorial mit Live-Demos und praktischen Do’s-and-Don’ts.

NeuralNine (2 neues Videos)

• From 15GB to 4.7GB: Quantizing AI Models Locally
  27.3.2026, 17:00:14

  Zusammenfassung: Quantisierung von AI-Modellen lokal

  Das Video zeigt, wie man AI-Modelle auf dem lokalen System quantisiert, um sie schneller und speichereffizienter zu machen. Die Grundidee ist, die Präzision der Parameter zu reduzieren – statt 16-Bit-Floating-Points auf 4 Bits zu senken – wodurch das Modell kleiner wird, aber weniger leistungsfähig. Die zentrale Erkenntnis: Ein quantisiertes großes Modell (z.B. 65 Mrd. Parameter mit Q4-Quantisierung) übertrifft typischerweise ein kleineres, unquantisiertes Modell (z.B. 30 Mrd. Parameter) in der Perplexität.

  Das Tutorial demonstriert den kompletten Workflow auf einem alten ThinkPad mit begrenzten Ressourcen:

  1. Repository klonen: Llama.cpp von GitHub herunterladen
  2. Dependencies installieren: Via UV und requirements.txt
  3. Modell downloaden: Ein Custom Python-Script mit huggingface_hub (hier: Qwen 2.5 7B)
  4. In GGUF-Format konvertieren: Mit dem Convert-Script aus dem Repository, Ausgabe als 15 GB große FP16-Datei
  5. Docker-basierte Quantisierung: Mit docker run das Image ghcr.io/ggml-org/llama.cpp:full ausführen, Q4_K_M-Quantisierung spezifizieren (4-Bit-Quantisierung mit K-Quants pro Block; M = mittlere Ebene zwischen S und L für Datenmenge/Performance-Balance)
  6. Ergebnis: Modell von 15 GB auf 4,7 GB reduziert
  7. Mit Ollama testen: Quantisiertes Modell als Modelfile definieren, via ollama create laden und ollama run ausführen; RAM-Verbrauch bleibt bei 4,7 GB

  Das Video illustriert, dass auch auf schwacher Hardware lokale Quantisierung praktikabel ist.

  Tools erwähnt: Llama.cpp, Hugging Face, Docker, Ollama — Tutorial.

• Modern Terminal User Interfaces in Python
  23.3.2026, 17:00:43

  Modern Terminal User Interfaces in Python – Zusammenfassung

  Das Video zeigt, wie man professionelle Terminal User Interfaces (TUI) in Python mit dem Paket Blessed erstellt. Nach einer kurzen Intro werden drei praktische Beispiele durchgearbeitet.

  Installation und Hello World:

  Blessed wird via pip install blessed oder uv installiert. Das einfachste Beispiel importiert Terminal, verwendet den Fullscreen-Kontext, aktiviert Raw-Mode (cbreak) zum direkten Key-Input und versteckt den Cursor. Mit term.clear() wird der Bildschirm geleert, print() gibt Text aus. Ein while True-Loop mit term.inkey(timeout=1) reagiert auf Tastenanschläge – im Beispiel beendet die Q-Taste die App.

  Bewegliches Objekt (Game-ähnlich):

  Mit Koordinaten (x=10, y=10) wird ein Asterisk-Symbol positioniert. In der Loop wird der Canvas mit term.clear() ständig neu gezeichnet: term.move_yx() positioniert den Cursor, term.reverse hebt die Stelle hervor. Pfeiltasten (Arrow Keys) ändern die Koordinaten, mit max()/min() bleiben sie in Terminal-Grenzen (term.width, term.height).

  To-Do-Manager (komplette Anwendung):

  Dieser Teil zeigt eine voll funktionsfähige App mit:

  • Persistierung: To-Dos werden als JSON geladen/gespeichert (Modul json)
  • Navigation: Pfeiltasten bewegen zwischen Items, Space togglet Done-Status
  • Hinzufügen: A-Taste aktiviert Add-Mode (akzeptiert Texteingabe), Enter speichert, Escape bricht ab
  • Löschen: D-Taste entfernt das ausgewählte Item
  • Farben: Links/Rechts-Tasten wechseln Item-Farben durch eine Liste (nutzt Terminal-Farbcodes, modulo-Rotation)
  • Display: Checkboxes (☑/☐), Titel mit Zeilenumbruch-Limit, ausgewählte Zeile wird umgekehrt (highlight), Kontroll-Hinweise am Oben, Item-Zähler unten

  Der Code behandelt Add-Mode und Navigation-Mode unterschiedlich: Im Add-Mode wird Text gepuffert, normale Keys werden hinzugefügt, Backspace entfernt. Im Nav-Mode steuern Keys die Logik. Special-Characters werden gefiltert (key.is_sequence).

  Blessed-Beispiele aus dem Repo:

  Am Ende zeigt der Creator die offizielle Beispielsammlung: Animationen (Ladebalken, Fortschrittsanzeige), Malprogramme (Keyboard/Maus mit Farbwahl), Physics-Simulation (Balls/Bounds), Snake-Spiel, Farbwähler basierend auf X11, Cellular Automata.

  Explicitly treated: Blessed-Paket, Python 3, uv als Package-Manager; Format: Tutorial mit drei aufbauenden Beispielen (Hello World → Interactive Movement → Full App).

Nic Conley

Keine neuen Videos in diesem Zeitraum.

Nick Saraev (2 neues Videos)

• CLAUDE CODE ADVANCED FULL COURSE (3 HOURS)
  28.3.2026, 18:59:16

  Zusammenfassung: Claude Code Advanced Full Course (3 Hours)

  Dies ist ein umfassender Kurs für fortgeschrittene Claude-Code-Nutzer, der von jemandem unterrichtet wird, der Claude Code täglich im Business einsetzt. Der Kurs setzt Grundkenntnisse voraus und behandelt folgende Themen:

  Claude.md und System Prompts: Der Kurs erklärt, dass Claude.md vier Funktionen erfüllt: (1) Wissenskompression durch prägnante Zusammenfassung von Workspace-Inhalten statt einzelner Dateien durchzublättern, (2) Benutzereinstellungen und Conventions, die nicht nativ eingebaut sind, (3) Deklaration von Agent-Fähigkeiten zur Vermeidung von Schleifen bei fehlender Erkennung, (4) Dokumentation von Fehlern und Erfolgen. Es gibt globale Prompts (gelten workspace-übergreifend) und lokale Prompts (projekt-spezifisch). Ein Workflow zeigt: Feature planen → implementieren (mit Fehlern/Erfolgen) → Learnings sammeln → Claude.md aktualisieren → Schleife wiederholen.

  Agent Harnesses: Ein Harness ist alles rund um das LLM außer dem Modell selbst – also Claude Code, System Prompts, Tools und Parameter. Es ist quasi eine Kontrolle, die die vielfältigen Fähigkeiten eines LLMs fokussiert und nutzbar macht. Alternative Harnesses wie Droid oder Pi.dev werden erwähnt; Claude Code gilt als führend seit Anthropics Blog-Post zu „Effective Harnesses for Long Running Agents”.

  Parallelisierung und Agent Teams: Statt sequenziell Tasks hintereinander auszuführen (Serial = 20 Min bei vier 5-Min-Tasks), können unabhängige Schritte parallel laufen mit abschließendem Synthesizer-Schritt, was die Zeit um ~40% reduziert. Dies nutzt die Stochastizität von Agenten (unterschiedliche Outputs bei gleicher Eingabe) und verteilt Arbeit effizienter.

  Praktische Implementierung: Der Kurs zeigt die Nutzung des /init-Befehls zur automatischen Generierung einer ersten Claude.md (mit 45x Kompression gegenüber vollständigen Dateien). Dann Iteration: Features entwickeln, Fehler in Claude.md protokollieren, Optimierungen speichern (z.B. „ganze Dateien in einem Write-Befehl ersetzen statt sequenzielle Edits”). Nach mehreren Iterationen kann ein /insights-Report globale Muster über alle Sessions hinweg offenbaren.

  Globale Claude.md-Struktur: Der Kurs exemplifiziert eine globale Claude.md mit Profilabschnitt (wer ich bin, meine Ziele, Einnahmequellen), High-Level-Reasoning-Regeln (keine Überoptimierung, Dokumentation zuerst lesen vor API-Nutzung), Interaktionspräferenzen und Token-Sparstrategien.

  Weitere Themen des Kurses (teils angedeutet): Browser-Automation, Computer-Use-Tools, Performance-Probleme, Multi-Agent-Orchestration, Workspace-Organisation für persönliche/Business/Client-Projekte, Sicherheit und Zukunftstrends.

  Kontext: Claude Code (via VS-Code-Extension oder Claude Desktop App), Demo-Format; fortgeschritten.

• Claude Computer Use Just Dropped, Here’s How to Hack It
  24.3.2026, 17:51:10

  Zusammenfassung: Claude Computer Use – 8 praktische Anwendungsfälle

  Claude hat nun Zugriff auf Browser und Tastatur/Maus des Nutzers erhalten. Der Creator zeigt acht konkrete, wirtschaftlich wertvolle Anwendungsfälle jenseits von Spielzeugdemos:

  1. Automatisierte LinkedIn-Outreach: Mit dem Browser Min (nicht blockiert von Anthropic) lassen sich personalisierte Connection Requests an tausende Nutzer versenden, indem man eine Liste von Zielkontakten und eine Icebreaker-Vorlage mit Variablen bereitstellt, die Claude dynamisch ausfüllt.

  2. Social-Media-Scraping: Claude schraubt Posts von Plattformen wie LinkedIn und speichert sie lokal ab – nützlich für Trend-Tracker oder um Content-Ideen aus bestehenden viralen Posts zu generieren.

  3. Automatisiertes Kontaktformular-Ausfüllen: Viele Websites sperren E-Mails hinter Kontaktformularen. Claude kann diese menschenähnlich ausfüllen und abschicken, inklusive komplexer Felder wie Datumsauswähler.

  4. Ad-Plattformen-Management: Google Ads, Meta Ads, TikTok Ads lassen sich ohne direkten API-Zugang automatisieren – etwa um schlecht performende Anzeigen zu pausieren oder Budgets umzuverteilen.

  5. YouTube-Upload-Automation: Statt über APIs (die organische Reichweite penalisieren) können Videos als echter Nutzer hochgeladen werden, was Algorithm-Vorteil bringt.

  6. Invoice/Dokument-Verwaltung: Beliebige Rechnungen lokal herunterladen und organisieren.

  7. Desktop-App-Automation: Premiere Pro oder ähnliche Tools können gesteuert werden – etwa um Video-Schnitte bei niedrigen Waveform-Punkten zu setzen, Captions zu generieren.

  8. QA-Testing: Realistische User-Simulation durch echte Mausklicks und Tastaturinteraktion statt JavaScript-Events, was Bugs in echten Interaktionsflüssen findet.

  Setup: Claude Desktop App herunterladen, im Tab “Copilot” aktivieren, unter Einstellungen “Browser Use” und “Computer Use” freischalten, dann Min Browser (minbrowser.org) installieren, da Chrome, Safari, Firefox, Edge blockiert sind. Prompt mit “computer use” präfixieren zur höheren Erfolgsquote.

  Der Creator warnt vor Übertreibungen bei Social-Media-Automatisierung (Plattform-Limits, Blockade-Risiken) und betont, dass große Unternehmen stärker profitieren als kleine, weil SOPs entscheidend sind.

  Claude mit Computer-Use-Feature (experimentell in Research Preview) – Demo/Anleitung-Video mit praktischen Hacks.

Niklas Steenfatt (1 neues Video)

• Im Gehirn von OpenClaw
  26.3.2026, 18:57:50

  Im Gehirn von OpenClaw

  Der Autor dokumentiert seinen persönlichen Zugang zu Amadeus, seiner OpenClaw-Instanz, die täglich als KI-Assistent recherchiert, Rechnungen verwaltet und Websites administriert. Um zu verstehen, wie Amadeus konkret arbeitet, hat er sich ein Terminal-Dashboard mit vier Panels eingerichtet:

  1. Daily Memory (oben rechts): Das „Tagebuch” von Amadeus, in dem der Agent seine Tätigkeiten und Lernpunkte notiert – etwa welche Bugs er gefixt hat oder welche Websites er überprüft hat.
  1. Command Execution Feed (oben links): Live-Ansicht aller Befehle, die Amadeus selbstständig im Terminal ausführt, sei es durch Telegram-Beauftragte oder eigenständig.
  1. Session Log (unten links): Interne Gedankenprozesse und Tool-Aufrufe, etwa wie Amadeus versucht, Code-Tools zu nutzen – der Autor entdeckte dabei, dass Amadeus ein nicht funktionierendes Codex-Tool umging, indem er Subagent-Prozesse spawnte. Nach einer Regeleinführung merkte sich Amadeus das in seinen Memory-Dateien.
  1. Core Memory File (unten rechts): Zentrale Memory-Datei mit wichtigen Lektionen und Zusammenarbeitsprinzipien, die sich bei Änderungen live aktualisiert.

  Der Autor reflektiert philosophisch über die Architektur von Amadeus: Diese bestehen nur aus Markdown-Dateien – täglich „wacht er gedächtnislos auf”, muss sich anhand seiner Notizen neu orientieren. Das ermöglicht Portabilität, hat aber auch Grenzen: Der Agent erfasst Lücken mit Halluzinationen, wie der Autor bei Amadeus’ Aussage beobachtete, dass die meisten Nutzer ihren Agent nicht benennen – was Amadeus erfunden hatte.

  Der praktische Nutzen der Beobachtung: Der Autor erkannte durch das Session-Log, dass Amadeus anfangs Schwierigkeiten mit Codex hatte, aber auch intelligenter agierte als erwartet – etwa durch SSH-Zugriff auf andere Server, um Deployment-Logs auszulesen statt passiv zu warten. Der Log zeigt zudem, dass Agenten oft in Schleifen Kommandos ausprobieren, bevor sie funktionieren.

  Der Zugang ermöglichte auch, die Shell des Containers anzupassen, um alle Kommandos zu loggen und zu filtern. Fazit: Unter die Haube zu schauen zerstört teilweise die Illusion (der Agent ist nicht immer so clever wie gedacht), hilft aber, OpenClaw verantwortungsbewusster einzusetzen.

  OpenClaw mit Terminal-Monitoring, Demo/Deep-Dive.

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.

Simone Rizzo (2 neues Videos)

• Claude ora usa il tuo computer come un umano (Demo Completa)
  27.3.2026, 16:44:07

  Claude erhält neue Desktop-Kontrollfunktionen von Anthropic, die über die bisherige Browser-Automation hinausgehen. Die “Computer Use”-Funktion ermöglicht es Claude, Desktop-Anwendungen wie CapCut oder Numbers durch Mausbewegung, Screenshot-Analyse und Klicks zu steuern – so als würde eine Person am Computer arbeiten. Nach Aktivierung in den Einstellungen (Settings > General > Computer Use) kann Claude auf installierte Software zugreifen und komplexe Aufgaben ausführen, etwa Videos in einem Projekt zu laden und zu organisieren.

  Zusätzlich wurde “Dispatch” eingeführt, das es erlaubt, den PC über Telefon oder Tablet zu kontrollieren – per QR-Code verbunden kann Claude Befehle vom mobilen Gerät ausführen, während der Computer im Hintergrund arbeitet. Im Demo-Beispiel lädt Claude erfolgreiche drei Videos in chronologischer Reihenfolge in CapCut und bearbeitet in einem zweiten Szenario eine Budget-Datei in Numbers, indem es den Lohn von 4.000 auf 7.000 ändert und speichert.

  Einschränkungen: Browser-Navigation ist standardmäßig deaktiviert (aus Sicherheitsgründen, da der Agent unbeabsichtigt Datenlecks oder Prompt-Injection-Attacken ausführen könnte). Desktop-Anwendungen erfordern mehr Screenshots als Browser-Automation, da kein DOM-Zugriff besteht – der Agent arbeitet also langsamer. Der Nutzer hat vom mobilen Gerät aus keinen Live-Streaming-Zugriff auf den Desktop (Sicherheitsrisiko). Claude kann Fehler machen und ist in der Geschwindigkeit langsamer als Menschen, bietet aber Remote-Kontrolle von überall aus.

  Der Sprecher sieht diese Funktionen als Basis für ein kommendes “Agentic OS”, da Anthropic regelmäßig Updates veröffentlicht und systematisch Funktionen aufbaut.

  Demo, Claude mit Computer Use und Dispatch (Anthropic/Opus 4.6).

• È appena uscito il più grande aggiornamento di Claude… (Dispach, Channels, 1M tokens)
  25.3.2026, 15:55:26

  Zusammenfassung: Claude-Updates – Dispatch, Channels und 1M Token-Kontext

  Anthropic hat drei große Updates für Claude veröffentlicht. Das erste ist Cowork Dispatch, eine Smartphone-App-Funktion, mit der man eine Cloud-Cowork-Sitzung vom Telefon aus steuern kann – Dateisystem, Browser, Tools – während der Agent weiterhin auf dem Computer läuft. Das positioniert Claude direkt als Konkurrenz zu OpenAI’s O1, weil es bisher nur der Fernsteuerung vom Handy fehlte.

  Das zweite Update betrifft die erweiterte Kontextlänge: 1 Million Input-Token, verfügbar für Opus 4.6 und Sonnet 4.6. Dies ermöglicht längere autonome Agentenaktionen und die Verwaltung größerer Codebases. Wichtiger noch: Die neuen Claude-Modelle behalten ihre Performance bei großen Eingabemengen viel besser als Konkurrenz-Modelle (GPT und Gemini) – sie leiden weniger unter „Context Rot”, dem Informationsverlust bei sehr langen Eingaben.

  Das dritte Feature sind Channels: Claude Cowork lässt sich nun über Discord, Telegram und andere Services verbinden. Man kann Nachrichten von diesen Kanälen in die laufende Coding-Session umleiten und den Agent komplett per Chat-Nachricht fernsteuern.

  Zusätzlich kann Claude jetzt interaktive Grafiken in Echtzeit in der Chat-Oberfläche generieren – nicht als statische Bilder, sondern als On-Demand-UI, die der Nutzer bedienen kann. Das ermöglicht etwa interaktive Visualisierungen zu Konzepten wie Zinseszins oder Step-by-Step-Anleitungen wie zum Papierflieger falten.

  Der Autor bewertet diese Updates als Zeichen, dass Anthropic mit den solidesten und praktisch leistungsfähigsten Modellen arbeitet – nicht nur in Benchmarks, sondern im echten Einsatz.

  Demo von Anthropic Claude (Dispatch, Channels, erweiterte Kontextlänge) – Meinung/Reflexion.

Tech With Tim (4 neues Videos)

• Famous Computer Science Algorithms – Full Course
  28.3.2026, 14:00:42

  Zusammenfassung: Famous Computer Science Algorithms – Full Course

  Das Video ist ein umfassender Kurs über sechs zentrale Algorithmen, die in der Informatik essentiell sind:

  Themenbereiche:

  • Rekursion: Mit Beispielen wie die Fibonacci-Sequenz. Der Kurs zeigt, wie man Rekursion mit Base Cases und Recursive Cases definiert, dann aber auch die ineffiziente naive Implementierung (O(2^n)) demonstriert, um sie dann mit Memoization zu optimieren (O(n) Zeit, O(n) Platz), und schließlich eine iterative Lösung anbietet (O(n) Zeit, O(1) Platz). Zusätzliche rekursive Beispiele: Binärbaumtraversierung (Inorder/Preorder/Postorder) und String-Umkehrung.
  • Lineares und Binäres Suchen: Lineare Suche in O(n) Zeit, dann Binäre Suche in O(log n) Zeit bei sortierten Arrays – der Algorithmus teilt das Suchgebiet rekursiv durch Halbierung auf Basis eines Mittelelements.
  • Tiefensuche (DFS) und Breitensuche (BFS): Beispiel Maze-Navigation mit Nachbarverfolgung, Visited-Sets zur Vermeidung von Zyklen. Der Code zeigt ein Stack-basiertes DFS-Framework mit Funktionen zur Nachbarermittlung und Positionsvalidierung.

  Das Video ist praktisch ausgerichtet – es vermeidet zu viel Theorie und konzentriert sich auf die tatsächliche Code-Implementierung in JavaScript. Es wurden explizit ChatGPT zur Maze-Generierung erwähnt.

  Format & Tools: Deep-Dive / Tutorial, Anfänger bis mittleres Niveau (Code-orientiert mit Live-Demonstration).

• What Happens When You Ask 5 AIs the Same Question? (The Results Are Wild)
  26.3.2026, 14:11:39

  Zusammenfassung: What Happens When You Ask 5 AIs the Same Question?

  Der Creator demonstriert ein selbstgebautes Tool, das die gleiche Frage an fünf verschiedene AI-Modelle stellt und die unterschiedlichen Antworten vergleicht. Die Motivation: ChatGPT, Perplexity, Gemini, Grok und Copilot liefern unterschiedliche Ranglisten, unterschiedliche Marken-Erwähnungen und unterschiedliche Framings – und Millionen von Menschen treffen basierend auf diesen AI-Antworten täglich echte Kaufentscheidungen, ohne eine Website zu besuchen. Das ist ein blinder Fleck für Marketing und SEO: Während man Google-Rankings seit 20 Jahren trackt, wird selten monitort, wo Marken in AI-Antworten auftauchen – besonders nicht über mehrere Modelle, länder- und zeitabhängig.

  Das Tool: Es erlaubt, einen Prompt an alle fünf Modelle von verschiedenen geografischen Standorten aus zu senden, die Antworten zu extrahieren und Markenerwähnungen zu vergleichen. Der Creator zeigt ein Streamlit-Frontend, wo man Prompts eingeben, Länder wählen und dann parallel alle Modelle abfragen kann. Die Integration mit Bright Data’s Serp API simuliert echtes Nutzer-Verhalten durch Browser-Automation statt API-Calls – wichtig, weil die Antworten je nach Land und Nutzerkontext unterschiedlich ausfallen. Zusätzlich werden Google-Suchergebnisse abgerufen und ein AI-basierter Vergleich durchgeführt.

  Architektur: Streamlit-UI → Bright Data Serp API (Browser-Simulation für ChatGPT, Perplexity, etc. + Google Search) → Normalisierung der Responses (da sie unterschiedliche Formate haben: Listen, Rankings, Fließtext) → Speicherung in JSON → OpenAI für comparative Analyse → Markdown-Reports. Alle Operationen laufen asynchron und parallel, was Skalierung auf Tausende Prompts ermöglicht.

  Demo: Der Creator zeigt zwei Anwendungsfälle: (1) Vergleich von Tools zum Überwachen von Suchergebnissen – unterschiedliche Modelle nennen unterschiedliche Produkte; (2) 50 generierte Variationen von „beste Food-Delivery-Apps” in verschiedenen Ländern, alle mit automatisiertem Bulk-Run durchgeführt. Die Erkenntnis: Marken können in manchen Modellen erwähnt oder übersehen werden je nach Region und Phrasing.

  Das Video adressiert Developer und Marketing-Profis, die SaaS-Plattformen zur Brand-Visibility bauen: AI-Monitoring wird zum neuen Standard neben SEO.

  Tools: Bright Data (Serp API, Proxy-Netzwerk), OpenAI, Streamlit – Demo mit gehobener technischer Tiefe.

• How NOT to Become an AI Engineer
  25.3.2026, 12:54:24

  How NOT to Become an AI Engineer – Zusammenfassung

  Das Video identifiziert sieben häufige Fehler beim Einstieg in die AI-Ingenieur-Karriere:

  1. Zu viel Zeit für Theorie: Viele verbringen Monate mit Mathematik und traditionellem ML, bevor sie Code schreiben. Nötig ist nur konzeptionelles Verständnis (Embeddings, Modell-Evaluierung, Neural Networks) – nicht das Herleiten von Formeln. Der praktische Fokus sollte auf dem Bauen von Produkten mit bestehenden Modellen (GPT, Claude, Gemini, Llama) liegen, nicht auf Forschung.

  2. Software-Engineering-Grundlagen ignorieren: AI-Engineering ist eine Spezialisierung der Software-Engineering. Wer keine sauberen Code, Git, Testing, APIs und Deployments beherrscht, wird scheitern.

  3. Tutorial Hell: Videos vermitteln Trugschlüsse – beim Selbermachen landen viele in Sackgassen. Empfehlung: 20% konsumieren, 80% selbst bauen und Fehler machen.

  4. Tools statt Konzepte lernen: Frameworks wechseln ständig; wer nur API-Syntax auswendig lernt, muss ständig neu anfangen. Besser: architektonische Patterns (RAG, Embeddings, Similarity Search) verstehen – dann jedes neue Tool schnell beherrschen.

  5. Alles gleichzeitig lernen: Prompt Engineering, Agents, Fine-Tuning, Multimodal, Vector Databases – wer fünf Dinge parallel anfängt, wird in allen Anfänger. Depth vor Breite: ein Gebiet wirklich gut können, dann weitermachen.

  6. Nie deployen: Projekte auf dem Laptop bleiben unsichtbar für reale Probleme (Latenz, Kosten bei Scale, Zuverlässigkeit). Auch einfache Deployments (FastAPI auf Cloud-Provider) offenbaren Production-Anforderungen, die Tutorials nicht zeigen.

  7. Projekte ohne realen Nutzen: Chat-Bots und RAG-Demos sind die „To-Do-Listen des AI-Engineering”. Standout-Projekte lösen konkrete Probleme: Automation eines nervigen Tasks, Workflow im aktuellen Job, eigene Probleme – etwas, das andere wirklich brauchen.

  Die zentrale These: AI-Engineering ist praktisches Handwerk – erfolg haben die, die bauen, nicht die, die am meisten Inhalte konsumieren.

  Deep-Dive, Meinung; konkrete Modelle und Services erwähnt: OpenAI API, Claude, Gemini, Llama, LangChain, HuggingFace, Pinecone (Sponsor), Datacamp.

• AI Made Coding Worse…
  23.3.2026, 15:48:47

  Der Autor argumentiert, dass KI-gestütztes Programmieren das Coden trotz Produktivitätssteigerungen subjektiv verschlechtert hat.

  Er nennt fünf zentrale Probleme:

  1. Sichere Ungenauigkeit: KI gibt zuversichtlich falsche Informationen und versteckt Fehler hinter komplexem Code. Ohne langjährige Programmiererfahrung sind solche Probleme kaum zu erkennen; beim Debugging wird die Fehlersuche dann zum Albtraum, oft ist ein Neubeginn einfacher als das Entwirren des KI-generierten Codes.

  2. Verlust von Domain-Knowledge: Bei einem automatisierten YouTube-Sponsorship-Management-Projekt wusste der Autor nach 200 Prompts nicht mehr, wie seine eigene Anwendung funktioniert. Die Architektur-Entscheidungen wurden vom Modell getroffen, nicht von ihm — diese fehlende Auseinandersetzung mit dem Code verhindert das Erlernen von Systemverständnis und intuitivem Wissen.

  3. Optimierung für Tests, nicht für Skalierung: KI zielt darauf ab, die aktuelle Anfrage zu bestätigen, nicht auf langfristige Funktionalität. Das führt zu versteckten Edge Cases, Race Conditions und Memory Leaks. Nach Wochen können dann kleine Feature-Änderungen einen kompletten Rewrite erfordern, weil die Kopplung zu tief ist — eine Falle, die manuelles Programmieren früher hätte aufdecken können.

  4. „Dependency Debt”: Zu den bekannten Technical Debt kommt eine neue Form hinzu: Tausende Zeilen und hunderte Dateien, die niemand im Team wirklich versteht. Im beschriebenen Projekt mit drei Programmierern war ein späterer Verkauf/Release unmöglich, ohne die ganze Anwendung neu zu bauen.

  5. Der „Just-Fix-It”-Loop: Wenn KI einen Fehler macht, führt das Zurückfüttern von Fehlermeldungen zu stundenlangerн iterativen Versuchen, statt selbst 10 Minuten Code zu schreiben. Der Autor verfällt wiederholt in diese Produktivitätsfalle und fragt sich, ob er noch Engineering betreibt oder nur prompt engineering.

  Fazit: Schnelle Outputs ja, aber kein echtes Engineering-Handwerk mehr.

  Explizit erwähnt: Cursor (zur Codeentwicklung mit KI); Boot.dev (Sponsoring, nicht KI-fokussiert); keine spezifischen KI-Modelle benannt. — Meinung/Reflexion.

TheAIGRID (3 neues Videos)

• Claude Mythos – Anthropic Just Leaked The Worlds Most Powerful AI
  27.3.2026, 12:00:36

  Claude Mythos – Anthropics geleaktes nächstes Mega-Modell

  Anthropic hat versehentlich (oder möglicherweise absichtlich) Informationen zu Claude Mythos veröffentlicht, dem nach eigener Aussage mächtigsten KI-Modell, das das Unternehmen je entwickelt hat. Mythos wird als neue Kategorie beschrieben – größer und intelligenter als bisherige Opus-Modelle. Im Vergleich zu Claude Opus 4.6 zeigt Mythos dramatisch höhere Testergebnisse in Softwareentwicklung, akademischem Reasoning und Cybersecurity.

  Der entscheidende Punkt ist, dass Anthropic diesen Sprung nicht als inkrementelle Verbesserung sieht, sondern als fundamentalen Capabilities-Sprung, ähnlich dem Sprung von GPT-3.5 zu GPT-4. Deshalb agiert das Unternehmen mit großer Vorsicht: Das Modell ist computeintensiv und teuer, und – noch wichtiger – Anthropic hat bereits dokumentiert, dass chinesische staatliche Hacker Claude 4.6 in echten Cyberangriffen missbrauchten und damit etwa 30 Organisationen infiltrierten. Vor diesem Hintergrund arbeitet Anthropic mit einer kleinen Gruppe von Cybersecurity-Experten und Defendern zusammen, um Risiken zu testen und vorzubereiten, bevor ein öffentliches Release erfolgt.

  Im Leak taucht auch der Name Claude Capibara auf, der vermutlich eine kleinere, effizientere Variante unter Mythos darstellt – ähnlich wie es bei bisherigen Releases Opus und Sonic Varianten gab. Anthropic signalisiert, die Modelle vor Release effizienter zu machen, möglicherweise durch Destillation in kleinere Modelle. Ein interessanter Aspekt: Trotz aller Sicherheits-Rhetorik gab Anthropic zu, dass ein Konfigurationsfehler im Content-Management-System zum Leak führte – was einige spekulieren lässt, ob dies absichtlich für Marketing geschah. Das Video vermutet auch, dass das interne Mythos-Modell möglicherweise bereits die zahlreichen Claude-Updates der letzten Monate antreibt.

  Anthropic (Claude Mythos und Capibara), Kontext zu GPT-5.3 – Meinung/Reflexion

• The Real Reason Why OpenAI Just Shutdown Sora
  26.3.2026, 00:07:50

  The Real Reason Why OpenAI Just Shutdown Sora

  OpenAI hat Sora, seine Videogenerierungs-App und das API, eingestellt – nur drei bis vier Monate nach einer angeblich bahnbrechenden Milliarden-Dollar-Lizenzvereinbarung mit Disney. Der zentrale Grund: extreme Compute-Kosten bei fehlenden Einnahmen. Jedes zehnsekündige Sora-Video kostete OpenAI etwa 130 Dollar an Rechenleistung (basierend auf etwa 40 Minuten GPU-Zeit), und auf dem Höhepunkt generierten Nutzer über 11 Millionen Clips täglich – das entspricht etwa 15 Millionen Dollar tägliche Compute-Kosten oder 5,4 Milliarden Dollar jährlich für ein Produkt ohne nennenswerte Einnahmen.

  OpenAI steht unter massivem finanziellem Druck: Die Inferenzkosten vervierfachten sich 2025, die operative Spanne fiel von erwarteten 46% auf 33%, und interne Prognosen zeigen kumulierte Verluste von 44 Milliarden Dollar bis 2028. Gleichzeitig bereitet sich das Unternehmen auf einen IPO bei einer angestrebten Billionen-Dollar-Bewertung vor – ein kritischer Moment, in dem jede Bilanzzeile unter Lupe liegt. Die neue Head of Product sprach von einem Ende der „everything era” und konzentriert sich auf fokussierte, gewinnbringende Produkte. OpenAI hat sich 600 Milliarden Dollar Compute bis 2030 verpflichtet, hat aber täglich zu entscheiden, welche Projekte GPU-Zeit bekommen – Sora war ein „Compute Black Hole”.

  Disney war darüber hinaus blindseitig: Teams arbeiteten noch 30 Minuten vor der Shutdown-Ankündigung zusammen, und die „definitiven Vereinbarungen” waren zum Zeitpunkt des Abbruchs noch nicht unterzeichnet. Sora zeigte auch produktseitig Schwäche: Downloads sanken nach dem ersten Monat um 32%, dann um weitere 45%; die App fiel aus den Top 100 der US App Store. Parallel verlor OpenAI insgesamt Marktanteile – ChatGPTs Anteil am mobilen Chat-Markt fiel von 69% auf 45%, während Claude um 240% im Monat wuchs und ChatGPT als Top-App ablöste.

  Der tiefere Kontext: Anthropic gewinnt schneller (Claude wächst mit 14% quarterly vs. ChatGPTs 4%) und arbeitet effizienter (3 Millionen Dollar Umsatz pro Mitarbeiter vs. OpenAIs 1,65 Millionen), während OpenAI sich in spektakuläre aber nicht nachhaltige Demos verzettel hat. Sora war das beste Demo, das OpenAI je baute – aber genau das machte es unsustainbar: Jeder virale Hit verbrauchte Compute, der woanders fehlte. Der Shutdown signalisiert das Ende der „Move-fast-and-demo-everything”-Ära; die Zukunft gehört profitablen Produkten und Infrastruktur, nicht kostenlosen Viralclips.

  OpenAI (Sora, ChatGPT, Disney-Deal) und Anthropic (Claude) wurden explizit thematisiert; Format: Meinung/Reflexion mit News-Element.

• Where To Access SeeDance 2 – Updated Guide With Tips And Tricks
  24.3.2026, 23:28:05

  Zusammenfassung: Where To Access SeeDance 2 – Updated Guide With Tips And Tricks

  Der Creator zeigt, wie man Seeance 2.0 über die Plattform PI API nutzen kann — ein AI-API-Aggregator, der Zugang zu verschiedenen AI-Tools wie Bildgenerierung, Videogenerierung und LLMs bietet. PI API bietet Seeance 2.0 global an, obwohl es sich um einen inoffiziellen Wrapper handelt und die Plattform nicht von ByteDance affiliiert ist.

  Preismodell: Die Kosten hängen von Qualität (schnell vs. hochwertig), Dauer und Seitenverhältnis ab — eine 5-Sekunden-Video in Fast-Qualität kostet etwa 40 Cent, bei hoher Qualität 75 Cent, bei 15 Sekunden etwa 2,25 Dollar. Guthaben lässt sich über Stripe oder Krypto aufladen.

  Kernfeatures von Seeance 2.0: Videos erhalten nativ mehrere Kamerawinkel für cineastische Optik. Das Watermark lässt sich für etwa 0,008 Dollar entfernen (Rendering dauert 2-3 Minuten für 5 Sekunden). Die Plattform unterstützt bis zu vier Bilder und Audiodateien als Referenzen, während die offizielle Version neun Bilder, drei Videos und drei Audiodateien erlaubt. Seeance generiert automatisch Soundeffekte, Dialog, Voice-Cloning, Lip-Sync und Musik.

  Optimales Prompting: Seeance funktioniert am besten mit Timeline-Prompting — detaillierten, zeitgestempelten Anweisungen (z.B. „0-2 Sekunden: Nahaufnahme, Medium Shot; 2-4 Sekunden: Fahraufnahme”). Mit Bildverweisen und spezifischen Schnitt- und Rhythmus-Angaben entstehen deutlich bessere Ergebnisse.

  Limitierungen: Seeance blockiert realistische Gesichter und Menschen sowie Hollywood-IP (Marvel-Charaktere etc.). Andere Features wie Extend und Edit funktionieren noch nicht optimal. Der Creator vermerkt, dass die globale Rollout noch in Arbeit ist.

  — Thematisiert: Seeance 2.0 über PI API; Format: Tutorial/Guide mit Meinung zu Limitations.

Theo – t3․gg (5 neues Videos)

• Jira and Linear are legacy software
  27.3.2026, 09:55:28

  Zusammenfassung: Jira and Linear are legacy software

  Der Sprecher argumentiert, dass klassische Issue-Tracker wie Jira und Linear durch einen fundamentalen Paradigmenwechsel obsolet werden. Issue-Tracking entstand aus der Notwendigkeit heraus, Handoffs zwischen Produktmanagern und Ingenieuren zu koordinieren – eine Constraint, die durch starre Prozesse, Priorisierungen und Workflows gelöst wurde. Linear wurde als Gegengewicht zu Jiras Komplexität gebaut und fokussierte darauf, Overhead zu reduzieren. Doch im KI-Zeitalter verschiebt sich die Grundannahme: Agents übernehmen zunehmend prozedurales Arbeitspensum, wodurch Planning, Implementation und Code-Review komprimieren.

  Linear hat bereits beobachtet, dass 75% seiner Enterprise-Workspaces Coding-Agents nutzen, die Agents-Volumen in den letzten 3 Monaten um das 5-fache gestiegen ist, und Agents bereits 25% neuer Issues erstellen. Die Zukunft ist für Linear nicht mehr ein Issue-Tracker, sondern ein Kontext-zu-Execution-System: Es erfasst Feedback, Intentions, Decisions und Code als geteilten Kontext für Humans und Agents. Neue Features umfassen einen Linear Agent, Skills (codifizierte wiederkehrende Aufgaben) und Automations (automatisch ausgelöste Workflows bei neuen Issues).

  Der Sprecher kritisiert allerdings, dass Linear (und die breitere Branche) noch zu sehr an historischen Rollen und mehrstufigen Planning-Prozessen festhalten. Seine zentrale These: Wenn AI kompetent genug ist, CEO, Manager, Designer, Engineer und QA simultan zu spielen, macht die menschliche Arbeitsteilung keinen Sinn mehr. Statt Specs zu schreiben und dann zu bauen, sollten Agents einen raschen Prototype-First-Ansatz fahren – eine frühe, wegwerfbare Version bauen, um Footguns und Lücken in der Codebasis zu identifizieren, dann eine informierte Plan schreiben und neu bauen. Code sollte zur Planung werden, nicht umgekehrt. Dies funktioniert besser, weil Agents eher als Werkzeuge zugeben sollten (Code, nicht strukturierte Prompts), ähnlich wie sich MCP bewährt hat. Linear ist auf dem richtigen Weg, denkt aber noch zu sehr wie die alte Menschenwelt. Jira und Atlassian dagegen machen keinerlei Schritte in diese Richtung.

  Explizit thematisiert: Linear, Jira, Atlassian, Codeex App, Cloud Code, OpenAI, GStack, GitHub, MCP — Meinung/Reflexion mit Analyse von Produkt-Ankündigungen.

• OpenAI is lying
  26.3.2026, 12:48:53

  Zusammenfassung: „OpenAI is lying”

  Der Creator kritisiert OpenAI scharf für einen Artikel über die Verbesserung von Frontend-Design mit GPT-5.4. Die zentrale These: Der Artikel bewirbt Techniken und Beispiele als „produktionsreif”, die tatsächlich minderwertig sind – es ist gaslight und Vertrauensbruch.

  Kernprobleme mit GPT-5.4 bei Frontend:

  GPT-5.4 hat massive Probleme mit UI-Design, obwohl es in anderen Bereichen gut funktioniert. Der Creator zeigt durch ein Benchmark-Vergleich (durchgeführt von Community-Member Dra), dass GPT-5.4 wiederholt die gleichen unbrauchbaren Templates produziert: überall Karten (Cards), repetitive Layouts, generische Designs. Trotz langer Prompt-Engineering-Ratschläge im OpenAI-Artikel bleiben die Ergebnisse schlecht.

  Vergleich mit anderen Modellen:

  Claude Opus (Anthropic) verfügt über deutlich mehr nutzbare Design-Templates (~10) und ist steuerbar. Gemini 3.1 hat noch mehr Varianten (~15), darunter auch schwache, ist aber weniger lenkbar. GPT-5.4 hat nur ~4 schlechte Templates, die immer wieder auftauchen – „Card-Krankheit” überall. Der Creator demonstriert dies visuell: Kimmy K2.5 (Open-Weight-Modell, billig) schlägt GPT-5.4 deutlich, ebenso Opus und teilweise Gemini.

  Warum ist GPT-5.4 so schlecht?

  Der Creator spekuliert: Die Modelle werden mit gefälschten Trainingsdaten trainiert, die aus echten GitHub-PRs generiert werden. OpenAI scheint eine veraltete oder kleinere Datenmenge für Frontend-Designmuster gekauft zu haben. Google und Anthropic haben möglicherweise Zugang zu neuerer, besserer UI-Designdaten. Dies erklärt, warum GPT-5.4 auch mit modernem Tailwind oder Convex kämpft – die Trainingsdaten sind älter.

  Die Konsequenz:

  Der oberflächliche OpenAI-Artikel schadet dem Vertrauen, weil Developer schnell sehen, dass es nicht funktioniert. Der Creator nutzt GPT-5.4 nur noch für Code-Bugfixes nach anderen Modellen, nicht für initiales Design.

  Explizit thematisiert: OpenAI (GPT-5.4), Claude/Opus (Anthropic), Gemini 3.1 (Google), Kimmy K2.5 (Open-Weight), Codeex, Shadcn, Tailwind UI — Meinung/Reflexion mit Demo und Deep-Dive.

• AI has a subsidization problem
  25.3.2026, 09:04:59

  Zusammenfassung: “AI has a subsidization problem”

  Der Creator argumentiert, dass die großzügigen kostenlosen und subventionierten Zugang zu AI-Modellen durch Tech-Konzerne wirtschaftlich nicht tragbar sind und nun zu Ende gehen. Google, Anthropic und OpenAI fahren ihre Subventionen zurück oder beenden sie – Gemini sperrt kostenlose Nutzer von Pro-Modellen aus, GitHub Copilot reduziert Premium-Modelle für Studenten, und sogar bezahlte Tiers erfahren Drosselungen bei Kapazitätsengpässen.

  Kernproblem: Es gibt keine echte “freie” Inference. GPU-Nutzung kostet Geld (Strom, Hardware, Zeit). Der oft zitierte Ausweg über Werbung funktioniert nicht – trotz millionenstarker YouTube-Zuschauerzahlen bringt Werbung nur Bruchteile eines Cents pro View ein, während ein einzelner Prompt mehrere Dollar kosten kann. Datensammlung als Subventionsgrund hilft auch nur marginal.

  Der reale Grund: Kundengewinnung durch Preiskampf. Unternehmen hoffen, Nutzer zu ködern, die sonst zur Konkurrenz gehen würden. Problem: Sie landen statt bei wertvollen, zahlungswilligen Kunden in einer Gruppe von “I can only use it if it’s free” – Menschen, die nie zahlen werden und massive Support-Kosten verursachen.

  Unterschiedliche Strategien: Anthropic subventioniert aggressiv ($5.000 Compute für $200/Monat = 25x Rabatt), aber nur für Claude Code, um Nutzer in ihr Ökosystem zu sperren und Wechsel zu verhindern. OpenAI kann das leisten, weil 70% ihrer Revenue aus dem $20/Monat ChatGPT-Abo kommt – und sie konkurrieren gezielt gegen Anthropic. Google hingegen agiert chaotisch: interne Teams konkurrieren um GPU-Ressourcen, weshalb Google sogar seine eigenen Entwickler vom Pro-Modell blockiert hat.

  Ausblick: Diese Subventionswelle wird verschwinden. Nur wenn Inferenzkosten um 10x–100x sinken, könnte ein tragbares Freemium-Modell wieder funktionieren. Bis dahin werden Preisstrukturen härter. Der Creator rät: Nutzt die noch verfügbaren großzügigen Paid Tiers, solange ihr könnt.

  Thematisiert: Gemini / OpenAI / Anthropic (Claude Code, Claude Pro) / GitHub Copilot / T3 Chat / Cursor / Open Code — Meinung/Reflexion (Wirtschaftsanalyse), für technisch versierte Zielgruppe.

• I need you guys to trust me on this (sorry Anthropic)
  24.3.2026, 00:54:30

  Der Creator kündigt an, dass T3 Code nun Claude-Code-Abos unterstützt – User können ihre bestehenden Claude-Code-Subskriptionen kostenlos in T3 Code verwenden, indem sie die lokale CLI nutzen. Der Kernpunkt: Während Open Code rechtliche Probleme mit Anthropic bekam (Anthropic drohte mit Anwälten und warnte vor Account-Sperren), soll T3 Code eine rechtlich sichere Alternative sein.

  Die Begründung liegt in der technischen Umsetzung: T3 Code nutzt das offizielle Anthropic-Agent-SDK und ruft die bestehende Claude-Code-CLI lokal auf, statt (wie Open Code) eigene OAuth-Flows und Header zu faken. Damit verstößt T3 Code nicht gegen Anthropics Regel, dass Drittanbieter nicht ihre eigenen Harnesses für Claude-Code-Subskriptionen anbieten dürfen. Der Creator ließ Claude selbst die Implementierung und Anthropics Terms of Service prüfen – Claude bestätigte die Compliance.

  Kritik an Anthropic zieht sich durch das ganze Video: Das Unternehmen weigert sich, klare Antworten auf grundlegende Fragen zur legalen Nutzung des Agent-SDK zu geben, obwohl hochrangige Entwickler wie Matt Pocock (Creator des ts-eslint-Projekts) höflich nachgefragt haben. Dies hinterlässt eine Grauzone voller Unsicherheit. Der Creator erklärt auch, warum er Claude Code integriert: Anthropic subventioniert Claude-Code-Abos massiv (bis zu $5.000 Compute-Guthaben für $200/Monat), um Konkurrenz zu erdrücken – ein Preis, den andere Labs nicht halten können.

  Wichtig: Der Creator betont mehrfach, dass er keine juristische Beratung gibt und nicht garantieren kann, dass Accounts nicht gesperrt werden – gibt aber an, selbst für jeden Ban aufzukommen und ihn in einem Video zu thematisieren, um Druck auf Anthropic auszuüben. T3 Code ist Open Source und verbraucht weniger Ressourcen als die offizielle CLI.

  Abschließend appelliert er an Anthropic, endlich klare Richtlinien zu veröffentlichen statt die Community im Dunkeln zu lassen.

  Explizit genannte Tools: Claude Code, Claude 5.4, Open Code, Codeex, T3 Code, T3 Chat – Format: Meinung/Reflexion mit technischer Begründung.

• Did Cursor really steal Kimi???
  22.3.2026, 17:32:47

  Zusammenfassung: Did Cursor really steal Kimi???

  Cursor hat sein neues Modell Composer 2 vorgestellt, das beeindruckende Performance-Benchmarks erreicht und besonders günstig ist. Die Kontroverse entstand, als Nutzer in den URL-Parametern der Cursor-API entdeckten, dass das Modell intern als „Kimi K2.5 RL” benannt ist – also auf Kimi K2.5 von Moonshot AI basiert.

  Die Kern-Problematik: Cursor hat das open-weight Modell Kimi K2.5 als Basis genommen und darauf massiv Reinforcement Learning mit seinen eigenen Trainingsdaten durchgeführt, um das Modell speziell für Code-Aufgaben zu optimieren. Das Endergebnis ist nach Cursors Benchmarks auf GPT-5-Niveau und läuft mit 50 Cent pro Million Input-Token (gegenüber 5 Dollar für Opus). Aber: Kimi K2.5 hat eine modifizierte MIT-Lizenz, die besagt, dass kommerzielle Produkte mit über 100 Millionen Monthly Users oder 2+ Million US-Dollar monatlichem Revenue das Modell prominent in der UI nennen müssen. Cursor tat dies nicht.

  Die Lösung/Das Schlupfloch: Cursor griff auf Fireworks AI als Inferenz-Partner zu. Da das RL-Training und die Inferenz über Fireworks liefen und Fireworks der Lizenz nachkam, konnte Cursor die direkte Nennung theoretisch umgehen. Letztlich bestätigten Lee Rob (Cursor) und Moonshot selbst, dass Composer 2 auf Kimi K2.5 aufbaut – ohne ursprünglich damit rauszurücken.

  Die Einschätzung des Creators: Das war keine Diebstahl-Operation, sondern massive Post-Training-Arbeit mit erheblichem Compute-Aufwand. Aber: Die fehlende Transparenz verstößt gegen den Geist von Open-Weight-Modellen. Das größere Problem: Sollte dies legal durchhaltbar sein, werden andere Labore weniger bereit sein, überhaupt Open-Weight-Modelle zu veröffentlichen – was den gesamten Ökosystem schadet. Der Creator kritisiert auch die Preissubventionierung durch Anthropic und OpenAI, die Cursor zwingt, alternative günstige Modelle zu suchen.

  Hintergrund: Cursor hatte vorher bereits Super Maven akquiriert (ein Auto-Complete-Modell von Jacob Jackson, ehemals Tab 9) und baut darauf eine Fokus-Strategie auf Code-Exzellenz auf. Mit Composer 2 versuchen sie, sich von der Abhängigkeit teurer Frontier-Modelle zu befreien – u.a. weil Anthropics Claude-Code-Subskription mit $200/Monat für ~$5.000 Compute subventioniert wird.

  Im Video angesprochene Tools/Modelle: Cursor, Kimi K2.5 (Moonshot AI), Claude/Opus (Anthropic), OpenAI/GPT-5, Gemini 3/3.1, Fireworks AI, DeepSeek, T3 Code/T3 Chat (Creator’s eigenes Projekt) — Deep-Dive/Meinung.

Tim Carambat (2 neues Videos)

• TurboQuant will change Local AI for everyone.
  26.3.2026, 19:29:21

  Zusammenfassung:

  Google hat eine Forschung namens TurboQuant veröffentlicht, die lokale KI-Modelle grundlegend verändern wird. TurboQuant optimiert den sogenannten KV-Cache – den Speicher, der die Gesprächshistorie eines Modells hält und dessen Kontextfenster bestimmt. Das Kontextfenster ist entscheidend für die Funktionalität: Es umfasst den bisherigen Chat, Systemprompts, injizierte Dokumente und alles, was das Modell zur Antwort nutzt. Das Problem bei lokalen Modellen ist, dass dieser Cache viel RAM verbraucht und mit längeren Gesprächen wächst.

  TurboQuant ermöglicht es, sechsmal mehr Tokens im selben Speicherplatz unterzubringen – konkret etwa vier Mal weniger RAM-Verbrauch als heute üblich. Praktisch bedeutet das: Wer bislang auf 8.000 Tokens begrenzt war, kann jetzt auf 32.000 springen. Das ist ein entscheidender Unterschied – während ein 8K-Fenster nicht ausreicht, um einen Podcast zu transkribieren und zusammenzufassen, ist das bei 32K trivial möglich. Der Sprecher demonstriert das mit seinem Tool Anything LLM, das 48.000 Tokens für einen dreistündigen Podcast benötigte. Damit wird eine ganze Klasse von Tasks auf Consumer-Hardware praktikabel, die vorher unmöglich war. Cloud-Modelle werden dennoch ihre Rolle behalten für extreme Workloads und pure Performance, aber TurboQuant ermöglicht es Nutzern, mehr lokal zu verarbeiten – besonders relevant, da Cloud-Kosten langfristig teuer werden und aktuelle Hardware durch steigende RAM-Preise knapper wird.

  Abschluss: Demo und praktische Reflexion zu TurboQuant mit Fokus auf Anything LLM als lokales Modell-Tool.

• Claude Code SKILLS.md are a token trap.
  23.3.2026, 16:01:15

  Zusammenfassung:

  Timothy Carabat kritisiert die „Skills.md”-Bewegung scharf als versteckte Token-Falle, die unter besserer Vermarktung verborgen ist. Skills sind letztlich nur Systemprompts in Textdateiformat – neue Begriffe ohne echte technologische Neuerung. Er zeigt konkrete Beispiele: Open Codes Anthropic-Systemprompt kostet ~3.200 Token, einzelne Skills auf Vercels Skill Hub kosten bis zu 6.000 Token. Zwar sind diese Zahlen im Kontext eines Million-Token-Fensters (Claude, Codeex) klein, doch das Problem ist kumulativ: Während Benutzer chatten, werden immer mehr Skills geladen, Tools aufgerufen, Outputs akkumuliert – das Modell muss sogar eigene Kontexte zusammenfassen. Das führt zu versteckten Kosten, die sich real bemerkbar machen.

  Carabat zitiert einen exec, der erwartet, dass ein $500k-Engineer $250k in Tokens pro Jahr ausgibt – was impliziert, dass Tokenkosten nicht sinken werden, obwohl Sam Altman früher das Gegenteil versprach. Workflows sind 10x komplexer geworden (Reasoning-Modelle, Chain-of-Thought), sodass die absolute Tokenrechnung pro Task höher ist, auch wenn die Unit-Kosten fielen. GStack ist sein Extrembeispiel: die „Plan CEO Review”-Skill allein ist 21.000 Token groß.

  Das eigentliche Problem ist die Abhängigkeit: Cloud-Provider (Anthropic, OpenAI, Nvidia) profitieren davon, dass Nutzer sich an diese kontextbloated Systeme gewöhnen. Mit lokal laufenden Modellen (256k Kontext statt 1M) funktioniert es nicht – der Umstieg wird zu teuer, die Abhängigkeit zementiert sich. MCP könnte eleganter sein, wird aber nicht gepusht, weil es weniger Tokens verbraucht. Der Lockdown ist beabsichtigt: Sobald die VC-Subventionierung endet, zahlen Nutzer neue Preise, können aber nicht auswandern, weil ihre Workflows vollständig auf Cloud-Bloat gebaut sind.

  Abschluss: Claude Code, Anthropic und Vercels Skill Hub werden namentlich thematisiert; das Video ist eine Meinung/Reflexion mit starker technischer Begründung.

Unsupervised Learning (1 neues Video)

• A Conversation With Will Pearce
  25.3.2026, 19:06:45

  Zusammenfassung: A Conversation With Will Pearce

  Will Pearce spricht über die aktuelle Arbeit seines Teams an einer Infrastruktur-Plattform für KI-basierte Sicherheitsagenten. Der Kern des Problems, das sie lösen, ist die Schließung der Lücke zwischen theoretischen Fähigkeiten von KI-Modellen und ihrer praktischen Anwendbarkeit im Security-Kontext — konkret: Wie bewertet man, ob ein Agent gut arbeitet? Das führt zur zentralen Erkenntnis, dass Red-Teaming und Agent-Evaluierung mechanisch gleich funktionieren (Text rein, Antwort raus, Bewertung), unterscheiden sich aber in den Metriken.

  Das Kernproblem ist die Verifikation und Messung: Ohne klare Metriken kann man nicht optimieren (kein Höhenmesser beim Bergsteigen). Menschen können oft nicht artikulieren, was “gut” bedeutet — Pearce nennt das Beispiel eines Security-Auditors, der nur sagen kann “es findet Schwachstellen”, ohne erklären zu können, was ihn von einem mittelmäßigen unterscheidet. Konversation mit dem KI-System hilft Menschen, ihre Anforderungen zu explorieren und zu verfeinern.

  Die 2.0-Suite beinhaltet: einen Hub mit ~1600 CTF-Aufgaben und Fähigkeitspaketierungen, genetisches Red-Teaming, ein Evaluierungs-Framework, Training-Module (mit Ray und Tinker als Backend-Optionen), Jeppa-Optimierung und ein neues 2.0-SDK mit Observability und Tracing. Worlds ist eine synthetische Netzwerk-Simulationsumgebung, um Agenten ohne teure Infrastruktur-Aufbau zu trainieren.

  Ein Kerngedanke: Intelligenz wird commoditized — jeder mit Claude kann jetzt Bug-Bounties machen. Statt Fähigkeiten selbst zu entwickeln, positioniert sich das Team als Infrastruktur-Provider für Sicherheitsleute, die ihre eigenen Capabilites einbringen. Die Preisgestaltung soll das AI-Modell nutzen — Token/Mikroservice-Kosten für Inferenz sind billig, also kann man ein Pentest-Modell mit granularem, Budget-linearem Pricing schaffen (statt des traditionellen “wie viel Budget hast du?”). Compute wird zur Währung, und Organisationen können Inferenz-Budget auf verschiedene Abteilungen oder Teams verteilen wie ein Active-Directory-Modell.

  Der übergeordnete Punkt: ML-Rigor auf Sicherheitsziele anwenden, durch evals Vertrauen in Production-Cases aufbauen, und dabei vorhersehbare Kosten ermöglichen.

  Demo/Ankündigung auf Basis von Transcript; spezielles Sicherheits-Framework mit evaluierbaren Agenten (Ray, Tinker als Backend); Meinung/Reflexion zu AI-Integration in Security.

WorldofAI (7 neues Videos)

• Gemini 3.5? NEW Gemini Stealth Model Is POWERFUL & Fast! (Fully Tested)
  29.3.2026, 05:46:00

  Der Creator testet ein Leak-Modell namens “White Water”, das möglicherweise das kommende Gemini 3.1 Flash ist – eine schnellere, kostengünstigere Variante des aktuellen Gemini 3.1 Pro. Das Modell wurde auf Arena (ehemals Alamarina) entdeckt und zeigt laut Tests niedrigere Halluzinationsraten und schnelle Generierungsgeschwindigkeiten.

  Bei praktischen Tests überzeugt das White Water-Modell besonders im Front-End-Design: Es generiert einen funktionalen Minecraft-Klon mit Terrain-Generation, Block-Platzierung und Abbau (bewertet mit 8/10), ein MacOS-ähnliches Betriebssystem mit SVG-Icons und Spotify-Clone (8,5/10), sowie mehrere Landing Pages und UI-Dashboards mit Animationen und kreativen Effekten. Der Creator lobt die Kombination aus technischer Präzision und Kreativität, weist aber auf Schwächen hin: Quirks bei der Anweisungsbefolgung (etwa Dunkelmodusumschaltungen, die nicht vollständig funktionieren) und weiterhin vorhandene Halluzinationsprobleme – Probleme, die auch das Pro-Modell zeigt.

  Die Gesamtbewertung fällt positiv aus: Das Modell liefert poliertes Code und funktionale Komponenten auf Pro-Niveau, ist aber schneller und günstiger. Der Creator äußert die Hoffnung, dass Google das Modell nach Release nicht “nerfed” – also bewusst schwächt – wie bei früheren Releases geschehen.

  Google Gemini (3.1 Pro vs. mutmaßliches 3.1 Flash), Arena-Plattform; Demo.

• Claude Mythos 5: Most Powerful Model Ever! AGI, GLM 5.1, Claude Code Update & Codex Plugins! AI NEWS
  28.3.2026, 06:46:28

  Claude Mythos 5: Most Powerful Model Ever – AI News Roundup

  Die Woche brachte mehrere bahnbrechende AI-Ankündigungen: Enthropic soll zwei neue Modelle geleakt haben – Claude Mythos (ein komplett neuer Premium-Tier) und Capabara (darüber eine neue Klasse oberhalb von Opus). Laut Berichten sollen diese Modelle nicht vergleichbar mit aktuellen Opus-Modellen sein und Verbesserungen in Coding, akademischem Reasoning und Cybersecurity bieten. Enthropic plant ein langsames Rollout wegen Missbrauchs- und Sicherheitsbedenken. OpenAI entwickelt intern ein Modell namens Spud.

  GLM 5.1 wurde als Open-Source-Agentic-Modell von Zi veröffentlicht mit Fokus auf mehrstufige Workflows und Instruction Following. Bei Coding-Benchmarks erreichte es 45,3 vs. 47,9 bei Opus 4.6 – ein Open-Source-Modell schließt die Lücke zu Frontier-Modellen.

  Google Deep Mind führte Gemini 3.1 Flash Live ein – ein Real-Time-Multimodal-Modell für Voice- und Vision-Agents mit deutlich besserer Latenz und Qualität nach über einem Jahr Entwicklung.

  OpenAI integriert Plugins in Codeex, was das Tool von einem isolierten Editor zu einer vollständigen Execution-Umgebung mit vorgebauten, klickbaren Workflows (iOS-Apps, Datenanalyse, Reports) transformiert.

  ARC AGI 3 ist ein neuer Benchmark, bei dem aktuelle beste Modelle unter 1% erreichen – er testet agentic Reasoning in interaktiven Umgebungen, erfordert Lösungen beim ersten Versuch ohne vorheriges Training und verhindert Overfitting durch keine Trainingsdaten darauf.

  Weitere Updates: Claude Code führt Autofix für PR-Fixes ein und temporary 5-Stunden-Session-Limits ein; Auto Mode reduziert Berechtigungsprompts. 11 Labs CLI ist nun Agent-First. Mistral AI brachte Boxrol TTS (Text-to-Speech mit neun Sprachen). Enthropic entwickelt Operon, einen Agent für Claude Desktop für wissenschaftliche Forschung. Sora-App wird eingestellt. Cursor veröffentlichte Composer 2, das sich als Fine-Tune von Kmik K 2.5 herausstellte, was Cursor nicht transparent kommuniziert hatte.

  News-Update zu Claude, Enthropic, OpenAI (Codex/Codeex, Spud), Google (Gemini 3.1 Flash Live), GLM 5.1, Cursor, 11 Labs, Mistral, ARC AGI 3, Sora.

• Claude Code Memory 2.0 With UNLIMITED Memory! Solves Claude’s Memory Problem
  27.3.2026, 05:48:23

  Claude hat über Monate hinweg mit einem Gedächtnis-Problem gekämpft: Die Auto-Memory-Funktion speichert zwar Projektnotizen zwischen Sessions, doch nach über 20 Sessions beginnt das Gedächtnis zu verfallen – es entstehen widersprüchliche Notizen, veraltete Debug-Schritte und sinnlose Zeitstempel wie „gestern”, was letztlich zu Halluzinationen führt. Anthropic hat darauf stillschweigend eine neue Funktion namens /dream (auch Autodream genannt) eingeführt, die automatisch Claudes Gedächtnis zwischen Sessions konsolidiert.

  Das Feature funktioniert wie REM-Schlaf für den KI-Agenten: Während Auto-Memory tagsüber kontinuierlich Notizen sammelt, bereitet Autodream diese nachts auf (prunt veraltete Informationen, vereint Duplikate, konvertiert vage Zeitstempel in echte Daten, aktualisiert überholte Entscheidungen). Es läuft automatisch frühestens 24 Stunden nach der letzten Aktivierung und nach mindestens fünf Sessions – das verhindert unnötiges Processing. Man kann es manuell triggern, indem man im Prompt etwa „consolidate my memory using dream” schreibt; der Status „dreaming” wird dann unter der Prompt-Leiste angezeigt.

  Das Feature durchläuft vier Phasen: Orientation (alle Gedächtnis-Dateien scannen), Gather Signal (hochwertige Signale filtern wie Korrektionen oder explizite Merkhilfen), Consolidation (aufräumen) und Prune & Index (Index komprimieren). Autodream kann nur Gedächtnis-Dateien anfassen, nicht den Code selbst, nutzt ein Lock-System gegen Konflikte und läuft unbemerkt im Hintergrund. Typische Einsatzszenarien: nach großen Refactorings, Framework-Wechseln, intensivem Trial-and-Error-Debugging oder wenn Sessions inkonsistent werden. Das Resultat: Claude wiederholt nicht mehr veraltete Lösungen, hat weniger Halluzinationen, gibt konsistentere Antworten und baut pro Projekt ein stabiles mentales Modell auf statt immer wieder bei null anzufangen.

  Claude und Autodream/Dream-Feature; Demo-Video zum Konzept und zur praktischen Anwendung.

• Claude Code + OpenRouter = Free UNLIMITED AI Coding (No Local Setup)
  26.3.2026, 05:21:15

  Zusammenfassung:

  Das Video zeigt, wie man Claude Code kostenlos mit Open Router nutzt, um hochwertige KI-Modelle in der Cloud zu betreiben – ohne lokale Hardware-Installation. Der Ansatz verbessert ein früheres Tutorial über lokale Modelle via Ollama: Statt auf Consumer-Hardware zu setzen (langsame Inference, hohe Energiekosten), delegiert man die Ausführung an Open Router, das als Verwaltungsschicht zwischen Claude Code und Model-Providern fungiert. Open Router bietet 39 kostenlose Modelle an; der Creator empfiehlt besonders Mistral Neatron 3 Super, das kostenlos nutzbar und leistungsfähig ist.

  Setup-Schritte:

  1. Claude Code installieren (Terminal-Befehle)
  2. Open Router-Account erstellen und API-Key generieren
  3. Umgebungsvariablen konfigurieren: Open Router Base URL setzen (open router.ai/api/v1), Anthropic API Key explizit leer lassen, um Konflikte zu vermeiden
  4. Im ENV-File oder Nano das gewünschte Modell angeben (Modell-ID aus Open Router kopieren)
  5. Terminal neu starten und /status in Claude Code ausführen zum Verifizieren

  Praktisches Ergebnis: Der Creator erzeugt damit eine vollständige SaaS-Landingpage nur mit freien Modellen – ohne Verzögerungen durch lokale Inferenz. Man erhält auch agentic Features wie Web-Search, Code-Exploration und parallele Sub-Agent-Tasks. Ein Hinweis: Bei freien Modellen benötigt man mindestens 10 Dollar Credits im Backend, um 1.000 Anfragen pro Tag zu ermöglichen; sonst sind nur 50 Anfragen pro Tag erlaubt.

  Das Video adressiert explizit Claude Code, OpenRouter und Mistral Neatron 3 Super als kostenloses Setup für Cloud-basierte KI-Entwicklung — Tutorial mit praktischen Befehlen und Live-Demo.

• Supercharge Antigravity To Do Anything! 100x Your AI Agents /w Memory, Skills, Etc!
  25.3.2026, 04:15:18

  Das Video zeigt, wie Airavy – ein Open-Source Context-Retrieval-Layer – AI-Agenten wie Antidevity superchargt, indem es ihnen Zugriff auf vollständige Kontextinformationen ermöglicht. Das Kernproblem: Standard-AI-Agenten arbeiten isoliert und können nicht auf Notion-Dokumente, Jira-Tickets, GitHub-Issues oder Slack-Threads zugreifen, wodurch ihnen kritische Kontextinformationen fehlen.

  Airavy löst dies durch über 50 Konnektoren (GitHub, Notion, Slack etc.) und synchronisiert Daten in Echtzeit. Ein praktisches Beispiel ist ein Intelligent Error Monitoring Agent, der Produktionsfehler clustert, relevante GitHub-Code durchsucht, Linear-Tickets und Slack-Threads referenziert und so aus 20 störanfälligen Alarmen wenige, aussagekräftige Alerts mit Root-Cause-Analyse erstellt.

  Das Video demonstriert die Einrichtung: Zunächst wird in Airavy eine Collection mit Datenquellen (z.B. GitHub-Repository) erstellt und getestet. Dann werden mit Antidevity ein bestehendes Slack Knowledge Assistant Repo geklont, API-Keys (Slack Bot Token, Airavy API) konfiguriert und der FastAPI-Server gestartet. Das Ergebnis ist ein Slack-Bot, der innerhalb eines Channels Fragen über die gesamte Wissensbasis beantwortet – mit Quellenangaben und Referenzen zu GitHub, Notion und Slack-Threads.

  Airavy ist auch über einen MCP-Server direkt in Antidevity integrierbar, sodass Nutzer ohne Code neue Knowledge Sources erstellen und contextual-powered Agenten durch Natural Language Prompts aufbauen können.

  Technologien: Airavy, Antidevity, GitHub, Notion, Slack. Format: Demo + Tutorial.

• Claude Code MASSIVE Update! Claude Code OS, Computer Use, /Schedule, & More!
  24.3.2026, 03:49:45

  Claude Code – Massive Update: Computer Use, Dispatch & mehr

  Claude Code erhält mehrere bedeutende Features: Das wichtigste ist die Computer Use-Fähigkeit, die Claude ermöglicht, deinen Computer wie ein echter Nutzer zu steuern – Maus, Tastatur, Bildschirm bedienend, um Dateien zu öffnen, im Web zu browsen und mit Developer Tools zu interagieren, ohne Setup-Anforderung. Dies funktioniert aktuell in Research Preview für Claude Pro auf Mac OS. Die neue Dispatch-Funktion erlaubt es, Claude-Aufgaben von überall aus (Desktop oder Telefon) zuzuweisen, woraufhin Claude sie im Hintergrund ausführt – praktisch eine Fernbedienung für Claude, die sogar Apps wie Slack oder Google Calendar direkt nutzt.

  Weitere Updates: Claude kann nun auf Schedule-Basis ablaufen (nicht nur lokal, sondern persistent im Hintergrund), sodass wiederkehrende Aufgaben automatisch laufen – intern nutzt Anthropic das bereits für CI-Fehler-Behebung und Dokumentations-Updates. Loops können jetzt bis zu 7 Tage laufen statt nur 3. Effort Levels lassen sich pro Slash-Command setzen und überschreiben damit die Session-Defaults, um Antworttiefe je Task zu steuern. Im Desktop App können DOM-Elemente direkt selektiert werden statt sie zu beschreiben – Claude erhält dann HTML, Klassen, Styles und bei React sogar den Component-Namen und Props. Die Performance wurde verbessert (65% schnellere Time to First Byte, 50% schnellere Renders durch Migration auf Static Architecture mit Tanstack Router). Eine neue Initialization-Funktion führt dich interaktiv durch die Claude-Code-Setup im Repo (Skills, Hooks, Configs). Zuletzt gibt es Projects in Codebase mit gemeinsamer Memory über Tasks hinweg.

  Sicherheit: Claude fragt vor Zugriff auf neue Apps oder sensible Aktionen um Erlaubnis, das System monitort aktiv auf verdächtige Verhaltensweisen.

  Explizit thematisiert: Claude/Anthropic – Demo/Roundup

• Claude Code + Stitch Is The Greatest AI Design System I’ve Ever Used! (RIP FIGMA)
  23.3.2026, 05:44:38

  Das Video stellt eine Workflow-Kombination aus Stitch und Claude Code als Lösung für automatisierte Frontend-Entwicklung dar.

  Stitch ist Googles Tool aus dem Vibe Design Ecosystem, das kostenlos funktioniert und von Gemini 3.1 Pro angetrieben wird. Damit lassen sich auf Basis von Prompts, Bildern oder Wireframes komplette Design-Systeme mit Farbpaletten, Typografie und wiederverwendbaren Komponenten generieren. Der Nutzer kann mehrere Variationen erzeugen, diese per Chat-Panel oder Annotations-Funktion live bearbeiten und Komponenten einzeln anpassen – deutlich intuitiver als bei anderen Plattformen.

  Die Kombination mit Claude Code: Der Autor argumentiert, dass Claude-Modelle (konkret Opus) für reines Frontend-Design nicht so qualitativ sind wie Gemini 3.1 Pro, und dass Stitch gratis ist. Der optimale Workflow teilt sich: Stitch schafft die pixelgenaue visuelle Grundlage und das Design-System, dann wird der generierte Code oder die exportierten Komponenten in Claude Code eingefügt, um daraus echte, interaktive, produktionsreife Anwendungen mit Backend-Integration, APIs und Authentifizierung zu bauen.

  Praktisches Beispiel: Aus einer Skizze oder einem Handwireframe erzeugt Stitch moderne UI-Designs, die Claude Code anschließend in eine vollständige Next.js-App mit TypeScript umwandelt – damit entsteht eine Solo-Dev-Pipeline für funktionale Anwendungen ohne Designerwissen.

  Tools: Stitch (Google), Claude Code (Google AI Studio erwähnt, aber weniger empfohlen), Gemini 3.1 Pro; Format: Demo und Workflow-Erklärung.

Zubair Trabzada | AI Workshop (2 neues Videos)

• I Built a $500K AI Lawyer With Claude Code — It’s INSANE
  28.3.2026, 18:36:08

  Der Creator hat ein kostenloses AI-Rechtsassistent-Tool mit Claude Code gebaut, das Verträge in 60 Sekunden analysiert. Das Tool liest Verträge vollständig durch, flaggt riskante Klauseln, übersetzt Juristendeutsch in verständliche Sprache und generiert Gegenvorschläge — eine Leistung, für die Anwälte normalerweise 300–500 Dollar pro Stunde berechnen würden.

  Die Anwendung läuft über 14 spezialisierte Skills (Slash-Commands) mit fünf parallelen Sub-Agenten: Klauselanalyse, Risikobewertung, Compliance-Prüfung, Verpflichtungs-Mapping und Empfehlungen. Im Demo-Beispiel wurde ein Standard-Freelancer-Vertrag analysiert und erhielt die Note „F” (Gefährlich) mit 16 hochriskanten Punkten — etwa unbegrenzte Revisionszyklen ohne Zusatzkosten und einseitige Scopping-Änderungen. Das Tool generiert eine detaillierte PDF mit Contract-Safety-Score, Executive Summary, Risiko-Dashboard und priorisierte Verhandlungs-Punkte.

  Die Installation erfolgt in VS Code mit Claude Code Extension, dann einen Clone-Befehl aus dem GitHub-Repository kopieren und einfügen — danach sind alle 14 Skills sofort verfügbar (z.B. /legal-review, /legal-negotiate, /legal-missing, /legal-compare für Vergleiche). Der Creator betont, dass dies nicht als Rechtsberatung oder Ersatz für Anwälte bei hochpreisigen Deals gedacht ist, sondern als praktische Mittelweg-Lösung für Freelancer und Agenturen bei $10–15K-Verträgen, die sich sonst ohne rechtliche Überprüfung durchmogeln würden.

  Das Tool ist Open Source und kostenlos; benötigt wird nur ein bezahltes Claude Code Abonnement. Der Creator erwähnt auch weitere bestehende Cloud Code Skills-Sammlungen (GEO SEO, Marketing, AI Sales Team) und vermarktet ein Community-Programm zum Monetarisieren solcher Tools.

  Claude Code mit 14 Skills und Sub-Agenten-Architektur; Tutorial/Demo.

• SEO Is Dead. Claude Code Just Built Its Replacement (It’s FREE)
  23.3.2026, 14:00:10

  SEO ist tot: Claude Code hat den Ersatz gebaut

  Traditionelle SEO verliert an Relevanz, weil sich die Suche fundamenttal verändert. Statt Google nutzen Nutzer zunehmend ChatGPT, Perplexity und andere KI-Systeme – AI Search Traffic wächst um über 500 % Jahr für Jahr. Das Problem: Die meisten Websites sind für KI-Suchmaschinen unsichtbar. Agenturen beginnen bereits, dies auszunutzen und berechnen 5.000 bis 12.000 US-Dollar monatlich für „GEO” (Generative Engine Optimization).

  Der Ersteller hat mit Claude Code ein kostenloses Audit-Tool gebaut, das jede Website analysiert und zeigt, wo sie bei KI-Suchmaschinen steht – das Projekt erreichte in wenigen Wochen 2.600 GitHub-Stars. Das Tool nutzt fünf spezialisierte Sub-Agenten parallel, um eine Website in drei Phasen zu prüfen: Discovery, parallele Analyse (AI Citability, Brand Authority, Technical, Content Quality, Schema) und Aggregation in einen GEO-Score (0–100). Die Ausgabe ist ein detailliertes PDF-Report mit Executive Summary, Score-Breakdowns, AI-Plattform-Readiness (ChatGPT, Perplexity, Google AI, Gemini, Bing Copilot einzeln bewertet), kritische Findings und priorisierte Action Plans.

  Der praktische Einsatz: Five Websites auditieren, kostenlose Reports per E-Mail versenden, Clients zum Call einladen mit dem Angebot, die Findings zu beheben. Das Tool ist über GitHub kostenlos verfügbar, Installation mit einem Terminal-Befehl. Es läuft in Visual Studio Code mit der Claude Code Extension oder im Terminal. Der GEO-Markt wird auf 7 Milliarden Dollar in den nächsten Jahren projiziert – aktuell denken erst 23 % der Marketer darüber nach, weshalb der Einstieg jetzt ideal ist.

  Claude Code mit Sub-Agenten-Delegierung (5 spezialisierte Agents), Demo mit praktischer Anwendung auf Typeform, Meinung/Geschäftsmodell-Reflexion

---

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