Blog

Claude Cowork: Anthropics Wette auf Datei-Agenten als nächste Computerschnittstelle

Sonntag, 18. Januar 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 direkte Modellvergleich der Woche kam von Melvynx, der GPT 5.2 und Claude Opus 4.5 in drei Szenarien gegenüberstellte: Beim komplexen Debug-Fall brauchte Opus 3 Minuten 44 Sekunden und löste das Problem; GPT 5.2 benötigte 24 Minuten und scheiterte. Beim Redesign-Task lieferte Opus echtes Refactoring mit strukturierter Erklärung, GPT änderte nur Spacing-Props. Entgegen dem Hype-Narrativ sieht Melvynx Opus 4.5 klar vorne – langsamer bei trivialen Aufgaben, aber überlegen bei Problemlösung und Instruktionsbefolgung. Alex Finn testete in einem Live-Stream zusätzlich Cursor CLI und Gemini 3 beim Bau eines 3D-AI-Agent-Managers: Claude Code lieferte das einzige vollständig funktionierende Interface. Vom selben Creator gab es außerdem Klarstellung zu einem verbreiteten Missverständnis: Anthropic hat nicht APIs für Claude blockiert, sondern lediglich das Einspeisen günstiger Abo-Token über OAuth-Spoofing in Drittanbieter-Tools – ein Schritt, den Kyle Balmer und WorldofAI ausführlich diskutierten, nachdem OpenCode und ähnliche Tools betroffen waren und OpenAI prompt ankündigte, ihr Ökosystem offen zu halten.

Yan LeCun verließ laut Nate B. Jones Meta und gründet ein eigenes Startup – mit der These, LLMs seien ein “Dead End” für Superintelligenz. Gleichzeitig bestätigte er, dass Meta die Llama-4-Benchmarks manipuliert hatte, indem verschiedene Modellvarianten für verschiedene Tests eingesetzt wurden. TheAIGRID analysierte Metas breiteren Strategiezerfall: Ein 28-jähriger Manager soll LeCun geleitet haben, Celebrity-Chatbots und ein Slop-Produktionstools haben Ressourcen verbraucht, Top-Talente verlassen das Unternehmen. Dem gegenüber steht Googles Lage: TheAIGRID dokumentierte anhand von Traffic-Daten (ChatGPT fiel von 200 auf 158 Millionen tägliche Visits in sechs Wochen, Gemini blieb stabil), Finanzkennzahlen (OpenAI verliert 9 Milliarden Dollar 2025 vs. Googles 70 Milliarden Gewinn) und Abo-Vergleichen (Gemini Ultra zum halben Preis von ChatGPT Pro mit deutlich mehr Leistungen), dass Google das AI-Rennen strukturell gewonnen haben könnte.

Claude Code & Anthropic-Tooling

Jenseits von Cowork war Claude Code das meistdiskutierte Entwicklertool der Woche. Brian Casel stellte die These auf, dass vanilla Claude Code mit Opus 4.5 für 90 Prozent der täglichen Entwicklungsarbeit ausreicht – Frameworks, MCP-Server und Custom-Regeln seien 2025er Scaffolding, das die verbesserten Modelle und Plan Mode heute überflüssig machen. In einem zweiten Video ersetzte er seine n8n-Automatisierung für Markenillustrationen durch eine Claude Code Skill: Das Modell kann über Brand-Guidelines nachdenken statt starre Nodes abzuarbeiten – Ergebnis in 30 Minuten besser als nach einer Woche n8n-Arbeit.

Leon van Zyl zeigte, wie Sub-Agents in Claude Code das Kontextfenster schützen: Built-in-Agenten wie der Explore-Agent (nutzt Haiku) oder der Planning-Agent laufen in eigenen 200.000-Token-Fenstern, ohne den Hauptkontext zu belasten. Eine vollständige Kanban-App mit Auth und PostgreSQL wurde dabei bei nur 68 Prozent Kontextfenster-Nutzung fertiggestellt. Matt Pocock demonstrierte Plan Mode als Pflicht für komplexe Codebases – der Planungsschritt lädt relevanten Kontext ins Fenster und erzwingt beim Entwickler selbst Klarheit über Anforderungen, ähnlich dem “Rubber Ducking”-Prinzip. Für Frontend ergänzte er einen MCP-Server mit Chrome DevTools, damit Claude Code Screenshots machen und visuelle Änderungen verifizieren kann – ohne Browser-Integration fliege die KI blind. Nate Herk wiederum zeigte, wie Claude Code über einen n8n-MCP-Server und GitHub-MCP bestehende n8n-Workflows analysiert, Fehler behebt und daraus deploybare Vercel-Apps macht – alles durch natürlichsprachliche Anweisungen.

Das Ralph/Ralph-Loop-Ökosystem erhielt diese Woche erhebliche Aufmerksamkeit: Cole Medin, Theo und Melvynx erklärten den Mechanismus – eine Bash-Schleife ruft Claude Code immer wieder auf, bewahrt PRD, Progress-Datei und Git-Commits außerhalb des Kontexts und umgeht so Context Rot. Theo betonte, dass das Plugin für Claude Code die Vorteile verwässert, weil der Kontext weiter anschwillt; bessere Implementierungen wickeln Claude Code von außen ein. WorldofAI demonstrierte Ralph TUI, ein Terminal User Interface mit Echtzeit-Taskliste, Keyboard-Steuerung und Session-Persistenz – eine “Second Brain”-App wurde damit in 1:45 Stunden vollständig generiert.

Coding Agents (non-Claude)

Google Antigravity gewann diese Woche deutlich an Sichtbarkeit. WorldofAI zeigte in zwei Videos, wie der Agent Manager mehrere spezialisierte Agenten gleichzeitig laufen lässt – einer crawlt Webseiten, ein zweiter kompiliert Daten, ein dritter versendet E-Mails via Gmail. Das neue Update brachte Agent Skills als offenen Standard in Markdown oder YAML, parallele Sub-Agenten, einen Secure Mode mit Website-Whitelisting und Gemini 3 Flash für kostenlosen Zugang mit halber Ausführungszeit. Zubair Trabzada kombinierte Antigravity als Frontend-Generator mit n8n als Backend und produzierte in einer Demo einen UGC-Ad-Generator, der aus Produktscreenshot und Beschreibung ein fotorealistisches Video-Ad erzeugt.

NeuralNine veröffentlichte einen LlamaIndex Crash Course: Das Python-Framework lädt Dokumente via SimpleDirectoryReader, indiziert sie in einem VectorStoreIndex und gibt einem FunctionAgent Zugriff darauf. Modelle, Vector Stores und Embeddings sind über LlamaHub modular austauschbar – OpenAI, Gemini und lokal via Ollama werden unterstützt. Matt Pocock und Dex Horthy diskutierten in einem Live-Stream den “Ralphing”-Ansatz aus Kubernetes-Perspektive: Kontextfenster sollten bei etwa 40 Prozent gehalten werden, Task-Sizing ist entscheidend, und klassische Engineering-Literatur wie “The Pragmatic Programmer” und Tracer Bullets sind heute aktueller denn je. Dex entwickelt daran anknüpfend Code Layer, ein Open-Source-IDE für parallele Cloud-Code-Sessions.

Software-Engineering & Dev-Kultur

Die Vibe-Coding-Debatte erhitzte die Community erneut. Kyle Balmer und Theo zeichneten beide die gleiche historische Spirale nach: 2021 kein Auto-Complete, 2022 keine Funktion, 2023 kein Coding-Interview, 2024 keine Apps – und immer wieder neue Grenzen, die bis zur nächsten Überwindung als absolut gelten. Theos Kernthese: Nicht Juniors, sondern Senior-Entwickler – Dan Abramov, DHH, Linus Torvalds – nutzen AI-Coding-Tools am intensivsten, weil sie präziser promoten, Aufgaben agent-kompatibel aufteilen und Verifikations-Heuristiken besitzen. Anti-Res ersetzte eine 3.800-Zeilen-C++-Library durch minimales C, generiert von Claude und peer-reviewed mit Codex GPT.

MoureDev stellte eine verwandte These auf, ohne ein einziges AI-Tool zu nennen: Unternehmen kaufen nicht Code, sondern Vorhersagbarkeit. Junior-Entwickler erscheinen als “Black Box” – wer keine Zeitschätzungen kommuniziert, Probleme nicht früh ankündigt und Geschäftskontexte nicht versteht, verliert gegenüber jemandem mit schlechterem Code aber klarer Kommunikation. Theo fragte in “What happens now?” nach dem Grundlagenwandel: Code ist nicht mehr teuer, Software bleibt es. “Disposable Software” – einmalige Scripts und Chrome-Extensions für Ein-Zweck-Probleme – senkt die Automatisierungs-Schwelle radikal, aber echte Architektur, Fehlerbehandlung und Datensicherheit bleiben menschliche Aufgaben. Die neue Knappheit ist Distribution, nicht Engineering.

Personal AI OS & Agent-Frameworks

Docker’s MCP Tool Kit, demonstriert von DevExpert, löst ein konkretes Infrastrukturproblem: Statt MCPs in jedem KI-Client einzeln zu konfigurieren, richtet man sie einmal in Docker Desktop ein und verbindet sie per Klick mit Codex, VS Code oder anderen Clients. Ein Katalog mit über 300 verifizierten MCPs umfasst Brave Search, Context 7, GitHub, Notion und Playwright. Die dynamische MCP-Suche lädt Tools nur für eine Sitzung – nützlich für Playwright, das on-the-fly installiert und sofort zur Website-Steuerung genutzt wird.

Atlassians RoboDev, vorgestellt im Unsupervised Learning-Podcast mit Lead Architect Kun Chen, adressiert dagegen die 84 Prozent Nicht-Coding-Friktionen im Entwickleralltag: Onboarding, Dokumentation, Incident Response, Code Review. Die PR Cycle Time sank laut Chen um über 40 Prozent. RoboDev durchsucht automatisch Slack, Jira, Google Docs und SharePoint für Kontext – ohne lange Prompts zu erfordern. Eine interessante These: Agenten sollten “schlafen” und Erinnerungen reorganisieren, indem sie aus vergangenen Sessions lernen.

AI-Automation & Workflows

Die n8n-Woche war produktiv: AI Foundations zeigte ein vollautomatisiertes Blogging-System mit Human-in-the-Loop-Buttons (Send to WordPress, Archive, Revise), das über Lerty als Chat-Interface und Open Router für Modellauswahl läuft. Bart Slodyczka erklärte fünf fortgeschrittene Chatbot-Features für n8n: Session-Tracking mit Jailbreak-Erkennung, native RAG via OpenAI File Search ohne separate Vector Stores, Interim-Nachrichten während langer Tool-Calls, Tool-Sharing zwischen Agenten-Teams und Subworkflow-Ausführung mit Variablen. Ben AI demonstrierte drei automatisierte Meta-Ads-Systeme: einen Product-Ad-Generator (Airtable + n8n + Perplexity + Replicate), ein Competitor-Scraping-Tool aus der Meta Ad Library und ein automatisches Campaign-Reporting-System via Facebook Graph API in Google Slides.

Nate Herk baute einen Voice Agent mit n8n und Vapi, der eingehende Website-Leads automatisch anruft und qualifiziert: Formulardaten triggern einen Anruf, der Agent “Elliot” führt ein strukturiertes Gespräch, Vapi extrahiert Budget, Timeline und Intent als Structured Outputs ins Google Sheet. Julian Ivanov zeigte eine vollständige Instagram-Automatisierung für “Pick One”-Videos – Z Image und CDE 1.5 Pro über die Plattform KeyI für Bild- und Videogenerierung, FFmpeg für den Schnitt, Upload Post für die Veröffentlichung – Gesamtkosten circa 38 Cent pro Video.

AI-Video & Content Creation

Mehrere Kanäle besprachen neue Video-Tools: Im CES-Roundup von Everlast AI wurde LTX2 als vollständig Open-Source-Modell mit 4K-Videoqualität vorgestellt, das lokal läuft. Liam Ottley nannte Sora 2 und VO3 als Werkzeuge für “Viral Video Engineers”, die hochwertige Video-Ads aus Textbeschreibungen generieren – 30 Custom Videos für 1.000 Euro an einem Nachmittag. Google AI Studio erhielt laut WorldofAI VO3.1 mit 1080p/4K-Unterstützung, nativem 9×6-Format für Mobile und konsistenter Charakterdarstellung, kostenlos verfügbar. Simone Rizzo erklärte GLM-Image von Zhipu, ein hybrides Modell das Autoregression (9-Milliarden-Parameter-LLM) mit einem Diffusion-Decoder kombiniert: Beim Rendern von Text in Bildern schlägt es DALL-E 3 deutlich, weil die sprachliche Kompetenz des LLMs direkt einfließt. Das Modell ist Open Source auf HuggingFace verfügbar.

AI-Business, Marketing & Freelancing

Mehrere Kanäle kreisten um die Frage, wie sich KI-Kompetenz monetarisieren lässt. Liam Ottley katalogisierte neun Geschäftsmodelle – vom “Instant Website Flipper” mit Aura.build über Voice-AI-Architekten mit 11 Labs bis zum “SaaS Killer”, der für 15.000 Euro Custom-Software baut. Everlast AI präsentierte sieben Wege für den deutschsprachigen Markt, mit konkreten Marktzahlen: Der KI-Videomarkt wächst in Deutschland mit 20,5 Prozent am schnellsten, der Corporate-LMS-Markt von 9 auf 37 Milliarden Euro bis 2031. Nate B. Jones argumentierte, dass der klassische Bewerbungsprozess gescheitert ist und stattdessen eine KI-gesteuerte persönliche Website, gebaut in Lovable an einem Nachmittag, die Machtdynamik umdreht – ein “Fit Assessment Tool” bewertet Rollen umgekehrt und signalisiert Selbstsicherheit statt Verzweiflung.

Everlast AI veröffentlichte einen Erfahrungsbericht aus der Praxis: Sebastian Klatt, Betreiber von vier Fitnessstudios, automatisierte Telefonie mit Voice-KI, sparte 1.500 bis 2.000 Euro Personalkosten monatlich und generierte über 10.000 Euro Zusatzumsatz – nach zwei Wochen Schulungszeit ohne Programmierkenntnisse.

Prompting & AI-Literacy

Kyle Balmer veröffentlichte gleich mehrere Lernressourcen: das “AI Cannon” von Andreessen Horowitz, aufbereitet mit “Learn with AI”-Prompts für ChatGPT und Claude; eine 2026-Lernroadmap mit André Karpathys Trilogie (insgesamt 5 bis 6,5 Stunden), 3Blue1Browns Neural-Networks-Playlist und deeplearning.ai als strukturiertem Kurspfad; sowie ein “Eight Levels of AI”-Framework, das von “First Contact mit ChatGPT” bis “Research” reicht und ermöglicht, den eigenen Lernbedarf zu lokalisieren. Notebook LM wird dabei als Multiplikator empfohlen: Es analysiert alle Ressourcen und generiert daraus Quizze, Flashcards und Podcasts. Nate B. Jones adressierte das organisationale Problem hinter langsamer Arbeit: Nicht fehlende Tools, sondern acht Gewohnheiten aus der Zeit teurer Ausführung – Permission Loops, Polishing als Prokrastination, Meetings statt Prototypen – bremsen Teams, die längst mit der Geschwindigkeit von Anthropic oder Cursor arbeiten könnten.

AI-Industrie & Strategie

Nvidias Ruben-Plattform mit 50 Petaflops (fünfmal mehr als Blackwell) und zehnfach günstigeren Inferenzkosten sowie der Mercedes-Deal mit Alpha-Mayu-Modellen für autonomes Fahren dominierten den Hardware-Teil der Woche. Nvidia stellte außerdem Alpameo vor – laut TheAIGRID ein Open-Source-System für autonomes Fahren mit 10-Milliarden-Parameter-Vision-Language-Action-Modell, 1.700 Stunden Fahrdaten aus 24 EU-Ländern und explizitem Reasoning. Die Android-Analogie liegt nahe: kostenlose Software, um Hardware zu verkaufen. Tesla bleibt mit 7 Milliarden Gesamtmeilen Fahrdaten und 6 Millionen kontinuierlich sammelnden Fahrzeugen strukturell weit vorne; Waymo ist das übersehene dritte Pferd, das fahrerlose Robotaxis bereits heute kommerziell betreibt.

Der Apple-Google-Deal beschäftigte “IA et Stratégie”: Apples Integration von Googles Gemini-Modell für eine Milliarde Dollar pro Jahr sei kein Eingeständnis einer Niederlage, sondern strategisches Kalkül – Apple behält Kundenzugang und Marge, Google zahlt für Zugang zu 500 Millionen Premium-Nutzern, OpenAI verliert die Premium-Distribution-Pipeline und muss ohne eigenes Betriebssystem teuer Marketing treiben. Die Trainingsdaten-Erschöpfung thematisierte Nate B. Jones: Ein Wired-Report zeige, dass OpenAI und Handshake AI Contractor auffordern, interne Arbeitsdokumente hochzuladen – das öffentliche Internet ist ausgeschöpft, proprietäre Workflows werden zur nächsten Frontier.

Everlast AI interviewte Martin Riedmiller von Google DeepMind über vier Jahrzehnte Forschung – von Rprop 1992 über Robocup-Weltmeistertitel mit Reinforcement Learning bis zu AlphaGos Move 37 und dem Tokamak-Fusionsreaktor-Regler. Riedmillers Kernaussage: Selbst für KI-Experten ist die aktuelle Beschleunigung “total verrückt”, und die Frage, ob Imitation Learning für Robotik mit knappen Echtdaten dieselbe Skalierung erlaubt wie Language Models, wird sich erst zeigen. Ein weiteres Everlast-Interview mit Prof. Mario Kemnitz (Universität Jena) erläuterte photonische Chips als Antwort auf erschöpfte Transistor-Skalierung: 1000-fach höhere Energieeffizienz, erste Serienmodelle in unter zehn Jahren, Lightmeta hat 2024 Nvidia-GPU-Parität demonstriert.

AI & Gesellschaft / Future of Work

David Shapiro lieferte diese Woche gleich vier thematisch verzahnte Videos. Sein Beschäftigungsmodell prognostiziert eine Erwerbsbeteiligungsquote von 10 bis 15 Prozent: Zwei verbleibende Säulen sind gesetzlich an Menschen gebundene Berufe (Richter, Ärzte) und eine Authentizitätsprämie für Künstler, Therapeuten und Handwerker. Die limitierende Variable ist nicht Fähigkeit, sondern Aufmerksamkeit – die Aufmerksamkeitsökonomie funktioniert als Winner-take-most-Lotterie, nicht als Arbeitsmarkt. Als Fünf-Jahres-Strategie empfiehlt er geografische Arbitrage, Dividenden-ETFs und den Aufbau von Agentur über externe Zwänge hinaus. Sein Zukunftsrahmen endet in fünf Attraktorzuständen von Extinction bis Techno-Abundance – die Standardtrajektorie sei Technofeudalismus, der Ausweg erfordere progressive Vermögenssteuern und Sovereign Wealth Funds.

Nate B. Jones analysierte Toby Lütkes Shopify-Memo als konkreten Arbeitsmarkt-Datenpunkt: Jobpostings mit AI-Anforderungen verdoppelten sich von 5 auf 9 Prozent zwischen 2024 und 2025, Positionen für AI-fluente Arbeitnehmer stiegen von 1 auf 7 Millionen. 66 Prozent der Unternehmen fahren Junior-Hiring zurück, während Shopify sein Internship-Programm von 75 auf über 1000 Plätze erweiterte – gesucht werden “AI Centaurs”. AI Explained kontextualisierte Dario Amodeis These über die Automatisierung aller Wissensarbeit 2026 mit einem Oxford-Economics-Bericht: Die Absolventenarbeitslosigkeit zeigt keinen auffälligen Anstieg, Produktivität 2025 lag nicht markant höher als in Vorjahren. Seine LLM-Mechanik-Analyse erklärt die Brüchigkeit: Modelle wählen pragmatisch zwischen tiefem algorithmischen Verstehen und oberflächlicher Memorisierung – sie lernen “Toms Frau ist Mary”, leiten aber nicht ab, dass “Marys Mann Tom ist”.

Boston Dynamics Atlas erhielt von TheAIGRID eine ausführliche Einordnung: 30.000 Einheiten Jahresproduktion ab diesem Jahr, 48-Stunden-Lernzeit für neue Aufgaben via Google DeepMind Large Behavior Models, modular wechselbare Teile für minimale Ausfallzeiten in Hyundais Fabrik. Die These: 100 ersetzte Fabrikarbeiter ergeben vielleicht 10 neue Wartungsjobs – eine Gleichung, für die Gesellschaft und Politik noch keine Antworten haben.

Kurz notiert

Fireship fasste Tech-Trends 2026 in humorvollem Ton zusammen: GPT 5 ohne exponentielle Intelligenzsprünge, Humanoid-Roboter von 1X, Figure und Tesla Optimus in Serienproduktion, Google Willow als erster Quantencomputer mit verifizierbarem Vorteil über Supercomputer, digitaler Euro bis 2029 in Pilotphasen, Bun mit Postgres- und Redis-Support. · n8n rollte Custom Project Roles und SSO User Provisioning als Enterprise-Features aus – granulare Zugriffskontrollen pro Ressource und automatische Nutzeranlage beim IDP-Login. · Tech With Tim verglichen Lovable und MeDo als App-Builder: MeDo ist etwa viermal günstiger bei vergleichbarem Output, Lovable liefert stärker stilisierte UIs. · Mark Kashef baute mit Claude Code ein eigenes NotebookLM auf Next.js/Supabase/Vercel mit Podcast-Generierung via Gemini 2.5 Pro, Video-Clips über Alibabas Qwen-Modell und Fast API mit 50 Endpoints. · Interview Coder leckte durch unzureichende Zensierung einer “Offer Gallery” vollständige Namen, Standorte und Gehaltsdetails von Nutzern – ein erneutes Sicherheitsversagen der Plattform. · Rocket.neo veröffentlichte einen Precision Mode mit Slash-Commands und eine iOS-App für Mobile-App-Entwicklung. · OpenAI startete ChatGPT Health mit HIPAA-konformer API; Anthropic sammelte 10 Milliarden Dollar bei 350 Milliarden Bewertung ein und plant einen Börsengang. · Das Video “The drama that helps everyone” von David Shapiro nutzte OpenAI-interne Fluktuation als Ausgangspunkt für die These, dass Talent-Zirkulation zwischen Labs die Branche insgesamt stärkt.

AI Explained (1 neues Video)

• Anthropic: Our AI just created a tool that can ‘automate all white collar work’, Me:
  14.1.2026, 16:26:37

  Das Video diskutiert die Vorhersage von Anthropic-CEO Dario Amodei, dass 2026 „all white collar work” automatisiert sein wird. Der Sprecher testet diese These anhand von Claude Opus 4.5 und dem neuen Tool Claude Co-work, das selbst von Claude geschrieben wurde und viral ging.

  Tatsächliche Leistung vs. Hype: Der Sprecher demonstriert einen echten Test: Er lässt Claude Co-work eine Vergleichstabelle für die Ligaposition eines Fußballclubs über fünf Saisonteile erstellen. Das Tool erstellt einen guten Plan und ein visuell ansprechendes Ergebnis, liefert aber falsche Daten – es gibt die Platzierung für Januar 2025 mit „dritter” an, obwohl die korrekte Position siebter war. Claude caveatiert diese Fehler nicht.

  Der echte Wendepunkt: Zentral ist eine OpenAI-Studie aus Oktober 2025, die belegt: Menschliche Redigiturfähigkeit mit mehreren KI-Versuchen ist schneller als von Grund auf selbst arbeiten – dieser Punkt ist überschritten. Der Sprecher erlebt das täglich beim Codieren.

  Warum Modelle brittle sind: Der Sprecher erklärt auf Basis einer aktuellen Forschungsarbeit, dass LLMs über drei Grade von „Verständnis” verfügen (einfache Konzepte, Kontingenz, Prinzipienverständnis), aber beide Extreme nutzen – tiefe algorithmische Einsichten UND oberflächliche Memorisierung. Sie werden zum Beispiel die Tatsache auswendig lernen, dass „Toms Frau Mary ist”, aber nicht ableiten, dass „Marys Mann Tom ist”, weil sie diese Konzepte nicht gebunden haben. Modelle wählen pragmatisch aus, welcher Mechanismus der Verlustfunktion am besten dient.

  Arbeitsmarkt-Realität: Ein Oxford-Economics-Bericht vom Januar 2026 zeigt, dass die Arbeitslosenquote von Absolventen nicht auffällig gestiegen ist und die Produktivität 2025 nicht markant höher war als in Vorjahren. Firmen attributieren Entlassungen AI zu, um Investoren besser zu stimmen, aber es gibt keine empirischen Zeichen von Massenarbeitslosigkeit durch AI.

  Fazit: Der Specher positioniert sich zwischen zwei Extremen: AI-Tools bringen echte Produktivitätsgewinne (besonders im Redigitieren-Loop), sind aber nicht AGI und nicht nahe daran, alle Knowledge Work zu ersetzen. Jensen Huangs Punkt – dass die Automatisierung einzelner Tasks nicht die übergeordnete Aufgabe (z.B. Unterhaltung eines Fußball-Kommentators) ersetzt – wird als zentral eingeführt.

  Thematisiert: Anthropic (Claude Opus 4.5, Claude Co-work), OpenAI (Bericht Oktober 2025, GPT-5.2), DeepMind (Demis); zusätzlich erwähnt der Sprecher seine App lmconsil.ai zum Modell-Vergleich und das MATS-Programm zur AI-Sicherheitsforschung. — Meinung/Reflexion, angereichert mit Daten und einer technischen Deep-Dive in LLM-Mechaniken.

AI Foundations (1 neues Video)

• 100% AUTOMATED Blogging with AI Agents in n8n!
  14.1.2026, 16:52:54

  100% AUTOMATED Blogging with AI Agents in n8n

  Der Creator zeigt ein vollautomatisiertes Blogging-System, das auf n8n aufgebaut ist und Inhalte skaliert generieren kann. Das Workflow hat zwei Hauptkomponenten: einen Assistenten oben, mit dem man Blogideen brainstormen kann, und eine Human-in-the-Loop-Route, die auf Benutzer-Input wartet.

  Die Konfiguration erfolgt über einen „End-User Config Node”, in dem Company-Name, Beschreibung, Brand Voice und Industrie eingegeben werden – alle Agenten im Workflow haben dann diese Kontextinformationen. Der Prozess startet mit Brainstorming über einen Assistenten (über Lerty als Chat-Interface), der aktuelle, branchenspezifische Blog-Ideen vorschlägt. Nach der Ideenwahl triggert ein Slash-Kommando (/start) ein interaktives Formular, in dem Topic, Audience-Segment, Goal, optionaler CTA und gewünschte Wortanzahl eingegeben werden.

  Der Workflow durchläuft dann folgende Schritte: Research-Phase, Outlining (Section Mapper plant die gesamte Struktur mit spezifischen Wortgrenzen pro Sektion, z.B. 250–750 Wörter), einen Keyword-Researcher für SEO-Optimierung und schließlich den Blog Writer, der Abschnitt für Abschnitt generiert (mit Live-Progress-Anzeige wie „Section 4 of 8″). Das generierte Blog-Post wird im Chat ausgegeben – der Creator demonstriert ein 2.000-Wort-Beispiel und verifiziert die Wortanzahl via Google Docs.

  Nach der Generierung können Human-in-the-Loop-Buttons implementiert werden (z.B. „Send to WordPress”, „Archive”, „Revise”), die verschiedene Workflow-Routes triggern. Diese Buttons outputten Custom Payloads, die über Switch Nodes verschiedene Aktionen steuern. Der Creator betont die Wichtigkeit von Human-in-the-Loop-Elementen in 2026, um Fehlerquoten zu senken und Kontrolle zu behalten.

  Als Tools werden n8n, Lerty (zum Teilen und Kommunizieren mit Agents, optional kommerziell nutzbar) und Open Router (zur Auswahl verschiedener KI-Modelle über eine einzelne API) genannt. Ein kostenloses Template wird in der Videobeschreibung angeboten.

  Tools/Anbieter: n8n, Lerty, Open Router | Format: Demo/Tutorial mit starkem Fokus auf praktische Implementierung und die Philosophie von „Automated Control” (automatisierte Prozesse mit strategischen Kontrollpunkten).

AI mit Arnie

Keine neuen Videos in diesem Zeitraum.

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

• LeCun Said LLMs Are a Dead End—Then Revealed Meta Fudged Their Benchmarks. Both Matter – Here’s Why.
  17.1.2026, 16:00:40

  Zusammenfassung: LeCun Said LLMs Are a Dead End—Then Revealed Meta Fudged Their Benchmarks

  Das Video behandelt fünf bedeutende Stories aus der KI-Industrie:

  Healthcare-Produkte als Positionierungsspiel: OpenAI und Anthropic starteten beide Healthcare-Produkte (ChatGPT Health für Konsumenten, OpenAI for Healthcare als HIPAA-konforme API; Claude for Healthcare mit CMS- und Insurance-Integratoren). Der tiefere Grund ist nicht primär Gesundheitsversorgung, sondern Positionierung für anstehende IPO-Pläne und Vertical Integration: Foundation-Model-Companies dringen in Anwendungsschichten vor statt nur APIs anzubieten, was Healthcare-AI-Startups unter Druck setzt. Der Prior Authorization Use Case (30 Milliarden Dollar jährliches administratives Burden) ist real, aber die Healthcare-Story legitimiert auch, in wachsenden Ausgabekategorien Fuß zu fassen.

  LeCun verlässt Meta und greift beide Seiten an: Der Deep-Learning-Pionier bestätigte, dass Meta ihre Llama-4-Benchmarks manipuliert hat (verschiedene Modellvarianten für unterschiedliche Tests), woraufhin Zuckerberg die gesamte GenAI-Organisation sidelinestte. Gleichzeitig argumentiert LeCun, dass LLMs ein „Dead End” sind, die keine Superintelligenz ermöglichen—er gründet jetzt ein eigenes Startup. Das spiegelt einen fundamentalen Streit der AI-Community: Entweder LeCun liegt falsch und LLMs skalieren ohne Limit, oder die Scaling-Investitionen treffen eine Wall. Der Ausgang wird sich in 1–2 Jahren zeigen.

  Physical AI: Robotik hat einen Wendepunkt erreicht: Nvidia (Ruben-Plattform), Google DeepMind + Boston Dynamics (Gemini in Atlas-Robotern), und Nvidias AlphaIO-Modelle für autonome Fahrzeuge signalisieren einen Durchbruch. Drei Technologien konvergieren: (1) Multimodale Foundation Models mit räumlichem Verständnis, (2) Simulation Environments (Omniverse-Ähnliches), (3) Edge-Inference-Chips wie Jetsons T4000 (4x Rechenleistung, gleiche Power). Die Boston-Dynamics-Partnership funktioniert als Datensammelübung für zukünftige Modelle—ein Manufacturing-Flywheel, falls Physical AI ähnliche Skalierungsdynamiken wie Language Models aufweist.

  Trainingsdaten sind erschöpft: In einem Wired-Report wurde enthüllt, dass OpenAI und Handshake AI Contractor auffordern, echte interne Arbeitsdokumente (Word, PDF, PowerPoint, Excel, Code Repos) hochzuladen. Das signalisiert, dass öffentliches Internet und Bücher gescraped sind. Die nächste Frontier liegt in proprietärer interner Dokumentation—dem tatsächlichen Wissen, wie Arbeit in Organisationen gemacht wird. Das hat immense strategische Konsequenzen: Wer die beste Sammlung echter Workflow-Daten zusammenträgt, gewinnt Wettbewerbsvorteil. Interne Daten von Unternehmen werden strategisch wertvoll.

  Claude Code und Agent-Durchbruch: Boris Churnney nutzt parallel 5–10 Claude-Instanzen mit Opus 4.5, verwaltet eine Markdown-Datei mit Regeln, gegen die Claude seine Arbeit testen muss, und iteriert so – ein leichtes Supervisory-Modell. Eindrucksvoller: Michael True von Cursor baute mit ChatGPT 4o einen funktionalen Browser-Renderer von Grund auf—in einer Woche 3 Millionen Zeilen Code (Rust, HTML-Parser, CSS, JavaScript VM). Das ist kein Chromium-Ähnliches, aber belegt ein drastisches Capability-Jump bei Code-Agenten, wo Feedback-Loops schnell sind. Anthropic reagierte mit Claude Cowork als „Claude Code für den Rest der Arbeit”—für Email, Datenanalyse etc., wo Erfolgskriterien weniger klar sind.

  Größeres Bild: Die KI-Industrie verbrachte drei Jahre damit, Capabilities auszubauen. 2026 ist das Test-Jahr: Werden Health Care, Claude Cowork, Physical AI tatsächlich Wert erzeugen? Das wird sich zeigen.

  Die Video-Episode thematisiert OpenAI und Anthropic (Claude, ChatGPT 4o), Meta/Llama, Google DeepMind/Gemini, Nvidia, sowie Community-Projekte wie Claude Code und Cursor; Format: News-Roundup/Analyse-Deep-Dive mit fünf interconnected Stories.

• Stop Competing With 400 Applicants. Build This in One Weekend (Yes, there’s a no code option too!)
  16.1.2026, 15:00:03

  Das Video argumentiert, dass die traditionelle Jobsuche über LinkedIn und Standard-Bewerbungsprozesse gescheitert ist: Bei einer Erfolgsquote von etwa 0,4% konkurrieren Kandidaten gegen hunderte andere um Aufmerksamkeit, während Einstellungsmanager in Informationsflut ertrinken. Statt sich weiter an ATS-Optimierung und Keyword-Gaming zu versuchen, schlägt der Autor einen radikalen anderen Weg vor: Kandidaten sollten eine interaktive, KI-gesteuerte persönliche Website bauen, die Einstellungsmanager statt eines statischen Lebenslaufs erkunden können.

  Das Kernkonzept dreht die Machtdynamik um. Während traditionelle Bewerbungen Kandidaten als Suplikanten positionieren, die durch Filter passen müssen, bietet eine AI-Interface ein Erlebnis, das Arbeitsuchende kontrollieren. Ein Einstellungsmanager fragt die KI über Erfahrungen, Expertise und Projekte ab – nicht um Claims zu verifizieren (wie bei einem Resume), sondern um durch echte, tiefe Konversationen Kompetenz zu demonstrieren. Die psychologische Wirkung ist erheblich: Der Fokus verschiebt sich von „Gründe finden, abzulehnen” zu „verstehen, was diese Person kann”. Ein fünfminütiges echtes Gespräch statt sechs Sekunden Scanning ist ein exponentieller Unterschied in der Aufmerksamkeitsökonomie.

  Das Beispiel zeigt eine Demo-Site für einen fiktiven Engineer mit drei Kernfeatures: (1) Ein Chat, in dem die KI Fragen zu Hintergrund und Fähigkeiten beantwortet, (2) erweiterbarer Kontext bei Erfahrungen – etwa eine $1,2-Millionen-Kosteneinsparung aufgeschlüsselt in konkrete Schritte statt nur ein Bullet Point, (3) ein „Fit Assessment Tool”, das Kandidaten die Rolle umgekehrt evaluiert. Wird eine Consumer-Product-Position angeboten, sagt die KI ehrlich: „Das passt nicht – ich habe keine Consumer-Scale-Erfahrung.” Bei einer Fintech-Engineer-Rolle: „Lass uns reden – hier passt mein Profil.”

  Warum funktioniert das strategisch? Erstens ist echte Tiefe schwer zu fälschen. Eine glatte Resume-Claim zu verteilten Systemen lässt sich schnell generieren; eine KI so zu trainieren, dass sie mehrteilige Gespräche darüber überzeugend führt, ohne echtes Wissen, ist deutlich schwerer. Zweitens erlaubt eine bidirektionale Bewertung Kandidaten, Selbstsicherheit zu signalisieren – nicht Verzweiflung. Drittens bietet das Werkzeug Nutzwert für Einstellungsmanager: Es spart Zeit durch ehrliche Fit-Assessments statt unbegründete Screening-Telefonate. Der Kandidat differenziert sich nicht nur, sondern erbringt einen Service.

  Der Autor betont Voraussetzungen und Grenzen: Das Prinzip funktioniert nur mit echtem Substrat. Frühe Karrieren mit nur zwei Praktika werden nicht profitieren; da ist ein Portfolio-Site mit Lerngeschichten bessern. Traditionelle Industrien könnten das als gimmicky wahrnehmen. Und ja, Traffic zur Site muss noch organisch entstehen – die Schnittstelle ist Konversionsoptimierung, nicht Lead-Generation.

  Technisch sei es einfach: Der Autor baute das Beispiel in Lovable in einem Nachmittag, mit vollständiger Anleitung und Prompts auf Substack verfügbar. Die Kosten sind marginal – das LLM läuft sowieso.

  Das Video ist eine Meinung/Reflexion mit Deep-Dive-Elementen und einer detaillierten Demo; es werden Claude und Lovable (als No-Code-Tool zur Erstellung) explizit genannt.

• THIS is Why You’re Still Slow Even With AI (The Bottleneck Moved–Here’s What to Do About It)
  15.1.2026, 15:01:21

  Der zentrale Gedanke: Die Knappheit im Wissenswerk hat sich verschoben. Während Ausführung (Coding, Building) durch AI massiv billiger geworden ist, sind nun Klarheit, Ambition, Distribution und Beziehungen die neuen Engpässe – doch unsere Arbeitsgewohnheiten schützen weiterhin die alte Ressource (Ausführungskapazität) wie früher.

  Das Video nennt zwei Szenen: Anthropic baute ein Produkt-Feature in 10 Tagen mit vier Personen, veröffentlicht 60–100 Releases täglich. Gleichzeitig verlangen viele Unternehmen 30- oder 90-Tage-Implementungs-Roadmaps mit Phasen und Genehmigungen. Der Fehler: Man optimiert noch für Knappheit, die es nicht mehr gibt.

  Die acht Gewohnheiten, die brechen müssen:

  1. Permission Loop: Aufgaben ohne vorherige Genehmigung starten; Genehmigungsprozesse dauern länger als der Prototyp.
  2. Polish as Procrastination: Nicht 80 % der Zeit auf die letzten 20 % Qualität verschwenden; die ungefällige, funktionierende Version schlägt die polierte, die nicht existiert.
  3. Meetings als Standard: Eine Stunde mit sechs Leuten kostet oft mehr als die Stunde zum Bauen – Prototyp zeigen statt diskutieren.
  4. Structured Waiting: Nicht auf Feedback, Freigaben oder Synchronisationen warten; das nächste tun, während man auf das erste wartet.
  5. Planning vor Doing: Planung ist jetzt teuer, Ausführung billig; Realität durch schnelle Prototypen lernen statt alles vorher zu planen.
  6. Deck statt Demo: Arbeitende Prototypen zeigen, nicht Präsentationen bauen.
  7. Consensus vor Action: Die Kosten für Konsensfindung sind 10–100x gestiegen; Ergebnisse schaffen Alignment, nicht vorherige Abstimmung.
  8. Hoarding bis Ready: Rohe, ungefällige Arbeit früh zeigen; Feedback früh holen, nicht erst nach vollständiger Fertigstellung.

  Die neuen Engpässe sind Klarheit (Was ist wert zu bauen?), Ambition (Genug wagen mit 50 Versuchen pro Jahr?), Distribution (Wie erreicht man Kunden – das ist jetzt das Moat, nicht das Produkt), und Relationships (Durable Vorteil durch vertrauensvolle Verbindungen, da technische Skills zur Commodity werden).

  Der Grundsatz: Alle acht Gewohnheiten waren Risikomanagementsrituale für teure Ausführung; die Unit-Ökonomie hat sich umgekehrt. Die Gefahr ist nicht Fehler machen, sondern Zeit verschwenden auf alles, das nicht Building ist. Unternehmen, die diesen Wandel erkennen, werden mit der Geschwindigkeit von Anthropic oder Cursor arbeiten – nicht weil sie bessere Tools haben, sondern weil sie aufgehört haben, Dinge zu tun, die nicht mehr nötig sind.

  Anwendung ohne Compliance-Risiko, sonst am besten mit klarer Rahmenvision von der Führung arbeiten, damit Teams autonom und schnell verschiffen können.

  Meinung/Reflexion zu AI-nativen Arbeitsweisen und Organisationsprinzipien, mit spezifischen Beispielen (Claude/Anthropic, Cursor, Coinbase, Cognition/Devon, Infosys, Notebook LM, Mavis); Deep-Dive zur Umwälzung von Engpässen in der Produktentwicklung.

• Task Queues Are Replacing Chat Interfaces. Here’s Why (plus a Claude Cowork Demo)
  14.1.2026, 15:01:23

  Claude Co-work: Warum Task-Queues Chat-Interfaces ersetzen

  Anthropic beobachtete, dass Entwickler Claude Code nicht nur zum Programmieren, sondern auch zur Dateiorganisation nutzten – etwa um Expense-Receipts in Tabellen zu sortieren. Statt dies als Scope-Creep zu behandeln, baute das Team die gleiche Agent-Architektur in zehn Tagen in eine benutzerfreundliche Oberfläche um: Claude Co-work. Der Geschwindigkeit liegt eine fundamentale Verschiebung zugrunde: Im KI-Wettbewerb geht es nicht nur um Modelle, sondern darum, Nutzerverhalten zu beobachten und schnell responsive Produkte zu liefern, bevor Konkurrenten reagieren.

  Claude Code zeigte einen 67% Anstieg bei Merge Pull Requests pro Engineer pro Tag – ein Signal echter Produktivität. Die Beobachtung, dass Menschen das Tool für allgemeine aufgabenbasierte Arbeit (von Foto-Organisation bis Dokumentenanalyse) einsetzten, offenbarte, dass die “Code”-Komponente nur eine Einschränkung war. Co-work bewahrt die robuste Sandboxed-Agent-Architektur (Dateien lesen/schreiben, Pläne ausführen, Menschen einbinden), wickelt sie aber in ein Datei-System-Interface statt Terminal.

  Strategischer Unterschied zu Browser-Agenten: Microsoft Copilot und Google Workspace AI operieren im Browser und sind dort durch die adversarische Natur des Webs begrenzt – Bot-Detection, CAPTCHA, Login-Flows brechen häufig. Co-work arbeitet auf dem Dateisystem, das kooperativ ist: keine Bot-Detection, keine Authentifizierung nötig, vorhersehbare Permissions. Dies macht datei-basierte Agents für komplexe Workflows robuster, insbesondere weil Anthropic davon ausgeht, dass langfristig der Mehrwert in lokalen Artefakten (Docs, Sheets, Receipts) liegt.

  Anti-Slop-Design: Co-work bekämpft minderwertiges KI-Output durch mehrere Mechanismen: (1) konkrete Outputs statt Text-Blobs (z.B. Excel-Dateien mit VLOOKUP statt CSV zum Nachreinigen), (2) Architektur erbt vom Code-Kontext, wo schlechte Qualität unmittelbar sichtbar ist, (3) Nutzer bleibt in der Steuerungs-, nicht Bearbeitungsschleife – man sieht Pläne und kann mid-Execution Kontext hinzufügen (Q-Button), ohne zu unterbrechen, (4) Dateisystem-Sandbox zwingt zur Spezifität (konkrete Ordner statt vager Anweisung), was Halluzinationen reduziert, (5) Task-Queue-Modell ändert Sozialpsychologie: statt ping-pong Chat wird es zur Delegation wie bei Mitarbeitern – tiefere Gedanken statt schnelle oberflächliche Prompte.

  2026-Auswirkungen: Chatbots könnten nur ein Übergangstrend sein, da Agentic Execution sich durchsetzt. Task-Queues positionieren die KI als Worker (Delegation + Review), nicht Gesprächspartner. Das verschiebe die Knappheit von Prompt-Crafting zu Verifikation – AI-Fluency wird kritisch. Junior-Rollen unter Druck, weil KI Ausführung übernimmt; Organisationen, die clevere Domain-Expertise und Anti-Slop-Prozesse aufbauen, gewinnen gegen solche, die Nachwuchs abbauen. Die nächste Grenze ist nahtlose Datei-Browser-Integration: Datei → Web-Service → zurück zu Datei mit durchgängiger Handoff.

  Safety: Anthropic warnt transparent vor Prompt-Injections, behauptet aber keine Garantie. Sie scheinen ein Summary-Workflow zwischen Raw-Internet-Input und Agent-Ausführung gebaut zu haben. Constitutional AI hilft Claude, sensible Aktionen (Payment, Login) zu blockieren/zu fragen. Der Sandbox reduziert Konsequenzen, macht aber nicht unwirksam – Claude kann Dateien verändern, Operationen sind containerized.

  Im Demo zeigt der Creator mehrere Tasks parallel (PowerPoint zu Claude Co-work, Google-Calendar-Analyse, Duplikat-Dateien-Suche) – alle laufen nebenbei, Chat-ähnliche Textinteraktionen, aber kein Terminal. Die PowerPoint wird faktisch erstellt (mit Quellen, Struktur, CSS) und in Downloads abgelegt.

  Claude (Claude 3.x family, genau unspezifiziert), Anthropic, Microsoft Copilot, Google Workspace AI werden genannt; Demo & Meinung/Reflexion.

• Toby Lutke’s Red Queen Trap: Who Survives 2026
  13.1.2026, 15:01:19

  Toby Lütke’s Red Queen Trap: Wer überlebt 2026

  Toby Lütke’s berühmtes Memo von April 2025 bei Shopify – dass KI-Nutzung verpflichtend sein sollte und Unternehmen AI-Fähigkeit von Mitarbeitern vor neuer Personaleinstellung nachweisen müssen – wird nicht mehr als bloße CEO-Rhetorik abgetan, sondern prägt jetzt konkret die Jobmarkt-Neustrukturierung. Das Memo basiert auf Lütkes langjähriger “Red Queen”-Philosophie (entlehnt von Lewis Carroll): Bei 20–40% jährlichem Unternehmenswachstum müssen Mitarbeiter sich selbst um mindestens diesen Prozentsatz verbessern, nur um ihre Position zu behaupten. Stagnation ist langsamer Ausstieg. Mit diesem Memo machte er KI zur neuen Verbesserungsmechanik.

  Shopify war diesem Schritt bereits vorlaufen: Sie nutzten GitHub Copilot ab 2021 (pre-Alpha), erreichten bis 2023 80% Adoption und bauten interne Infrastruktur wie einen LLM-Proxy, MCP-Server für Slack/Salesforce/G Suite und das Open-Source-Tool Roast zur Strukturierung von AI-Agent-Workflows. Konkrete Use-Cases zeigen die Neugestaltung: Ein Sales Engineer verknüpfte seine häufigsten Tools über MCPs in ein Cursor-Dashboard und nutzt Cursor als Homepage. Revenue-Teams automatisierten RFP-Beantwortung mit eigenen Agenten.

  Die Folgen für den Arbeitsmarkt sind messbar: Jobpostings mit AI-Anforderungen verdoppelten sich von 5% (2024) auf 9% (2025); Positionen für AI-fluent Arbeitskräfte stiegen von 1 Million (2023) auf 7 Millionen (2025). Gleichzeitig sinken Entry-Level-Angebote: 66% der Unternehmen fahren Junior-Hiring runter, während Positionen mit 7+ Jahren Erfahrung zulegen. Shopifys Gegenbewegung: Internship-Programm von 75 auf über 1000 erweitert – die suchen “AI Centaurs” (AI-native, einfach aufwachsen damit), um frische Perspektiven ins Unternehmen zu bringen und Junge zu “upskillet”.

  Ein kritischer Unterschied zu Copycat-Wellen: Duolingos CEO Luis von kündigte ähnliches an (April 2025), wurde bei Kunden aber massiv gecancelt (“AI first means people last”), musste das Memo zurückfahren und zugeben schlecht kommuniziert zu haben. Box-CEO Aaron Levy hingegen sendete ein anderes Signal: Teams die Automation durchführen, behalten die Einsparungen für eigene Strategieprojekte – konvertiert AI von Bedrohung in Chance.

  Große Tech-Player verstanden die Message: Jensen Huang (Nvidia) nannte Widerstand gegen AI-Automatisierung “verrückt”, Nvidia wuchs von 29.000 auf 36.000 Mitarbeiter in einem Jahr (und sucht weiter 10.000) – mit Geld hinter Worten. Browser Company zahlt Prämien für Cloud-Code-natives Arbeiten; Designer schreiben PRs direkt, Non-Engineers prototypen eigen Ideen.

  Perspektive 2026: AI-Fluency wird von Differentiator zur Baseline-Erwartung wie Email/Spreadsheets – zunächst auf Mehrheit der Knowledge-Work-Postings. Rollengrenzen verschwimmen: Designer submittieren Pull Requests, traditionelle Organigramme werden obsolet. Neue Koordinationsrollen entstehen (z.B. Design Producer) – Syntheserollen, nicht klassisches Management. Entschädigung polarisiert: Premium für genuine AI-Leverage vs. Druck auf nicht-skalierbare Arbeit. Entry-Level-Squeeze wird intensiviert (Paradox: Unternehmen suchen AI-natives Junior-Talent, aber fahren Junior-Hirings runter). Unternehmen mit früher AI-Infrastruktur (MCP-Server, LLM-Proxy) gewinnen Compounding-Vorteil; Late Adopters kämpfen mit Henne-Ei-Problem (brauchen AI-Talente ohne AI-Infrastruktur).

  Das Kernrisiko: Nicht-Wandel ist existenziell. Beispiel Tailwind CSS – beliebter, überall benutzt, aber Geschäftsmodell kann mit AI-Agents nicht konkurrieren. Jede Firma braucht jetzt Anpassung unter Selection Pressure – nicht um das letzte Geld rauszuholen, sondern um AI-wettbewerbsfähig zu bleiben.

  Explizit erwähnte Tools/Services: Claude, Cursor, Shopify (MCP-Server, Roast, LLM-Proxy), GitHub Copilot, Duolingo, Box, Nvidia, Versel, Browser Company; Meinung/Reflexion (Deep-Dive mit Trend-Analyse).

• What Sam Altman and Dario Amodei Disagree About (And Why It Matters for You)
  12.1.2026, 15:00:43

  Das Video analysiert die tiefgreifenden Unterschiede zwischen Sam Altman (OpenAI) und Dario Amodei (Anthropic) – nicht als rücksichtslos vs. vorsichtig, sondern als zwei fundamentale Philosophien zur Sicherheit und zum Fortschritt in KI.

  Unterschiedliche Herkunften prägen die Strategie: Amodei, Sohn eines italienisch-amerikanischen Kunsthandwerkers, interessierte sich als Physiker und Princeton-Neurowissenschaftler für tiefes wissenschaftliches Verständnis. Ein tragisches Erlebnis – sein Vater starb an einer Krankheit, kurz bevor ein Heilmittel verfügbar wurde – prägte seinen Fokus auf wissenschaftliche Fortschritte und Risikovermeidung. Altman hingegen programmierte bereits mit 8 Jahren, gründete früh eine gescheiterte Social-Networking-App und wurde über Y Combinator (als Partner und später Präsident) zum Verfechter des „ship fast, iterate”-Prinzips. Diese unterschiedlichen Lebenswege führen zu divergierenden KI-Philosophien.

  Sicherheitstheorien: Sam glaubt, dass Sicherheit aus Deployment entsteht – durch iteratives Freigeben, Nutzerfeedback und gesellschaftliche Co-Evolution mit der Technologie (YC-Prinzip angewandt). Anthropic unter Dario sieht Sicherheit als Vorbedingung: erst verstehen und beweisen, dass es sicher ist, dann deployen. Anthropic entwickelte AI Safety Levels (nach Biosafety-Modell) und ist bereit, Training zu pausieren, wenn die Skalierung die Fähigkeit zur Sicherheitsgarantie übersteigt.

  Unterschiedliche Produktvision: Claude konzentriert sich vertikal auf ein präzises Werkzeug für professionelle Arbeit – starke Code-Zuverlässigkeit, Interpretierbarkeit, minimale Halluzinationen, Tool-Use. Claude ist zum Betriebssystem für hochwertige Kognitiv-Arbeit (Jura, Coding, Analyse) geworden. ChatGPT verfolgt horizontal eine Consumer-Super-App-Strategie: Sora (Video), Health-Integration, Search, Voice, Image Generation, Browser – alles sollte touchpoints bieten, um tiefe Gewohnheits-Adoption zu treiben.

  Zwei AI-Ökonomien entstehen: Ökonomie 1 (OpenAI): Abundanz-Motor für Content, Drafts, kreative Erkundung – Marginalkosten gegen Null. Ökonomie 2 (Anthropic): Komplexitätsmanagement für Urteils-getriebene Arbeit, hohe Stakes, wo Fehler teuer sind. Claude Code vs. Codex sind nicht direkt konkurrierend – Claude Code ermöglicht schnelle Iteration, Codex fokussiert auf Code-Qualität und Fehler-Erkennung.

  Fazit: Beide Anführer streben transformative KI und Sicherheit an, aber deren fundamental unterschiedliche Philosophien der Geschwindigkeit vs. Vorsicht, der Breite vs. Tiefe prägen bereits, welche Produkte entstehen und wie Menschen arbeiten werden. Die Frage „welche KI ist besser?” wird obsolet – relevant wird stattdessen: Welche Arbeit machst du mit KI, und was ist dafür nützlich?

  Deep-Dive zur philosophischen Divergenz zwischen Claude und OpenAI, ohne explizite Nennung spezifischer Modellnummern oder zusätzlicher Tools.

• The 3-Layer Framework That Predicts Which Jobs AI Will (and Won’t) Replace
  11.1.2026, 19:00:04

  Der Kern des Frameworks ist eine Dreiteilung wirtschaftlicher Tätigkeiten: (1) Tokenisierbare Kognition (Schreiben, Codierung, Analyse) – AI hat diese Arbeiten gegen Null gekürzt; (2) Urteilskraft und Haftung – bleibt teuer, da Menschen Verantwortung übernehmen müssen; (3) Physische Ausführung – resistent gegen AI-Automatisierung.

  Die zentrale These: AI verdrängt Jobs nicht einheitlich, sondern spaltet die Wirtschaft. In digitalen, umkämpften Märkten (Marketing, Software, Design) intensiviert AI den Wettbewerb. Winzige Teams mit AI-Tools unterbieten mittlere Agenturen; große Plattformen gewinnen durch Vertriebsvorteile. Die 50-Personen-Agentur wird zwischen beiden eingequetscht. Dagegen profitieren lokale, beziehungsintensive Märkte (Handwerk, Zahnmedizin): AI senkt Verwaltungskosten, erhöht aber nicht die Wettbewerbsfähigkeit. Durch Baumol-Kostenkrankheit werden solche Dienste relativ teurer und wertvoller.

  Strategien nach Position:

  • Mittlere Firmen in Wettbewerbsmärkten: Radikal abspecken (wie Startups) ODER hinauf zur Urteilsebene wechseln (nicht auf Effizienz setzen, das hilft nicht genug).
  • Physische/lokale Märkte: Back-Office-Automatisierung (Terminplanung, Abrechnung) – nicht Transformation kaufen.
  • AI-native Startups: Reine Token-Produktion ist kurzfristig; echte Moats entstehen durch Compliance-Infrastruktur, Workflow-Einbettung, Haftungs-Wrapper.
  • Großkonzerne: Distribution bleibt ein Schutz, aber interne Talent-Abwanderung zu schnelleren Startups ist das eigentliche Risiko; operative Agilität erforderlich.

  Meinung/Reflexion; keine spezifischen AI-Tools oder Anbieter genannt.

Alejandro AO

Keine neuen Videos in diesem Zeitraum.

Alex Finn (4 neues Videos)

• ChatGPT HAS ADS NOW!!! Is AI over???
  17.1.2026, 09:30:25

  Der Streamer äußert sich zu ChatGPTs Ankündigung von Werbeanzeigen in kostenlosen und kostenpflichtigen Versionen. Obwohl OpenAI betont, dass Antworten nicht durch Werbetreibende beeinflusst werden, kritisiert er die Widersprüchlichkeit: In den gezeigten Beispielen erscheinen Anzeigen unmittelbar nach den Antworten als Teil der Response-Sektion, was faktisch eine Einflussmöglichkeit darstellt. Er warnt vor einem graduellen Anzeigenausbau, ähnlich wie bei Steuern oder Streaming-Diensten – erst auf dem kostenlosen Tier, später vermutlich auf allen Tiers. Offene Frage bleibt, ob Konkurrenten wie Claude dies als Chance nutzen, sich durch Verzicht auf Werbung zu differenzieren.

  Im zweiten Teil verteidigt der Streamer intensiv Unternehmertum und Profitabilität: Sam Altman und Elon Musk seien nicht böse oder gierig, sondern angetrieben von weltweitem Impact, nicht nur schnellem Exit. OpenAI sei aus Nonprofit in For-Profit gewechselt, weil die erforderlichen Chip-Investitionen (Billionen Dollar) nur mit Profitabilität zu finanzieren seien. Er argumentiert, dass Profit nicht amoralisch ist, solange man der Welt hilft, und dass es kein Problem gibt, wenn erfolgreiche Menschen reich werden und sich Luxusgüter leisten. Elon habe über 11 Milliarden Dollar Steuern gezahlt – mehr als fast jeder andere. Die Kritik an reichen Menschen, die „Steuern sparen”, halte er oft für emotional und irreführend.

  Der Streamer gibt dann praktische Marketing-Tipps: Kontext-Dokumente über das Produkt in Claude Code hochladen, Screenshots und Anfragen stellen, um Landing Pages und Marketing-Strategien vom KI-Modell zu erhalten.

  Abschließend teilt er einen Tipp für Claude Co-work: Den ganzen Tag dokumentieren, diese Liste ins Tool hochladen und fragen, was sich automatisieren oder verbessern lässt – um „Unknown Unknowns” offenzulegen.

  Format & Tools: Live-Stream-Diskussion; thematisiert Claude Code, ChatGPT, Claude Co-work, Ghosty – keine spezifischen Tool-Namen für die erwähnten Apps außer Creator Buddy. Meinung/Reflexion mit praktischen Tipps.

• Claude Cowork: from beginner to expert in 18 minutes
  15.1.2026, 01:41:58

  Claude Cowork: von Anfänger zu Experte in 18 Minuten

  Claude Cowork ist ein neuer KI-Agent, der sich von Claude und Claude Code unterscheidet: Während Claude als Rechercheur fungiert und Claude Code spezialisiert auf Code ist, ist Cowork ein “24/7-Mitarbeiter”, der alles auf deinem Computer steuern kann – von Dateiverwaltung über Dokumentenerstellung bis zum Durchführen von Recherchen. Es kombiniert die besten Funktionen beider Tools und erweitert sie auf alle denkbaren Aufgaben.

  Das Tool ist derzeit nur in der Claude Desktop App auf Mac verfügbar und erfordert einen Max-Plan (100–200 Dollar, wobei auch eine Warteliste für den günstigeren Plan existiert). Die Benutzeroberfläche ist simpel: Ein Chat-Interface mit Beispielen und eine Sidebar, die To-do-Listen, erstellte Artefakte und Kontext anzeigt.

  Der Autor zeigt vier praktische Anwendungsfälle:

  1. Dateiverwaltung: Ein einfaches Beispiel – Cowork sortierte 369+ Bilder aus dem Downloads-Ordner in sinnvolle Unterordner (Thumbnails, Fotos, Logos, Screenshots, GIFs etc.). Der Agent arbeitet eigenständig, verfolgt seinen Fortschritt und zeigt diesen transparent.

  2. Media-Kit-Erstellung: Mit zwei Sätzen erstellte Cowork eine mehrseitige PowerPoint-Präsentation inklusive Recherche einer Website, Statistics, Sponsorship-Tiers und Kontaktinformationen – normalerweise mehrstündige Arbeit. Besonderheit: Cowork hat Zugriff auf aktuelle Web-Informationen in Echtzeit, im Gegensatz zu Claude.ai.

  3. Finanzmanagement: Cowork analysierte Kreditkartenauszüge, erstellte ein Spreadsheet aller Abos mit Kosten und Kündigungsanleitungen und sparte damit potenziell tausende Dollar monatlich (Beispiel: der Autor fand 16.000 Dollar jährliche Abos-Kosten).

  4. App-Validierung: Ein komplexes Prompt für Vibe-Coder – Cowork recherchiert eine App-Idee, validiert sie, analysiert Konkurrenten, erstellt ein 14-seitiges PRD mit Marktanalyse, SWOT, MVP-Scope, Tech-Stack und einen Claude-Code-Starter-Prompt zum direkten Entwickeln.

  Der Autor betont, dass das Lernen durch regelmäßige, kurze Nutzung (10 Minuten täglich) am effektivsten ist und dass dies nur Version 1.0 ist.

  Explizit genannt: Claude Cowork, Claude, Claude Code; es wurden umfangreiche praktische Prompts und Workflows demonstriert. Format: Tutorial/Demo.

• Claude Code vs Codex GPT 5.2 high: Which should you be using? LIVE
  14.1.2026, 21:22:48

  Der Live-Stream zeigt einen umfassenden Vergleich zwischen Claude Code, Codeex 5.2, Cursor CLI und Gemini 3 bei der Entwicklung von AI-Anwendungen. Der Moderator beginnt mit Demonstrationen von Claude Co-work, einem neuen KI-Agent von Claude, der automatisiert Dateien organisieren und Mediakits erstellen kann. Danach werden alle Tools beim identischen Task getestet: Bau eines 3D-AI-Agent-Managers mit fünf verschiedenen AI-Modellen.

  Hauptergebnisse des Live-Tests:

  Claude Code liefert das beste Resultat — ein vollständig funktionierendes 3D-Interface mit verschiedenen Agent-Designs und Interaktivität. Der Ansatz beginnt mit einer Planungs-Phase, in der das Tool kritische Fragen stellt, bevor Code geschrieben wird. Codeex 5.2 extra high schreibt zwar schneller Code (ohne Planung), produziert aber ein nicht-funktionierendes Interface ohne 3D-Agenten. Vanilla ChatGPT 5.2 (ohne Codeex) liefert bessere UI-Elemente als Codeex extra high. Cursor CLI erzeugt grafisch ansprechenden Code mit visuellen Effekten wie Funken bei Agent-Interaktionen; Design ist sauberer, Agenten-Designs sind aber weniger durchdacht als bei Claude Code.

  Der Moderator adressiert Missverständnisse über Anthropic: Das Unternehmen hat nicht APIs für Claude blockiert, sondern nur das Importieren von Claude-Code-Subscriptions in Drittanbieter-Tools unterbunden — da diese subsidierte Token nutzen würden. API-Keys können weiterhin in beliebigen Tools verwendet werden.

  Während des Streams wird auch die Arbeit an Viber (ein App-Store für vibe-codierte Apps) erwähnt, das live verfügbar ist.

  Explizit thematisierte Tools: Claude Code, Claude Co-work, Codeex 5.2 (mit GPT-5.2-Modell), Cursor CLI, ChatGPT 5.2, Gemini 3, Anti-gravity — Format: Live-Q&A mit integrierten Tool-Benchmarks/Vergleich.

• The greatest Claude Code workflow ever (10x your speed)
  13.1.2026, 14:15:11

  Zusammenfassung: The greatest Claude Code workflow ever (10x your speed)

  Der Creator zeigt seinen optimierten Workflow für Claude Code, der – seiner Aussage nach – nach dem Testen aller 15 möglichen Nutzungsarten am schnellsten ist: Claude Code im Terminal, spezifisch mit Ghosty.

  Das Kernproblem mit VS Code, Cursor oder dem Desktop-App: Mehrere Fenster gleichzeitig zu öffnen führt zu massivem Memory-Leak und Computerverlangsamung. Die Terminal-Variante mit Ghosty dagegen erlaubt hunderte offener Terminals ohne Perfomance-Einbußen. Zusätzlicher Vorteil: Claude Code im Terminal erhält neue Features wie Plan-Mode zuerst, bevor sie in andere Clients kommen.

  Setup: Ghosty kostenlos von ghosty.org herunterladen, Claude-Code-Kommando einfügen, fertig. Ghosty ist ein anpassbarer Terminal mit Themes, Split-View und Tab-Funktionalität.

  Der Workflow in der Demo: Er baut eine Habit-Tracking-App mit Advanced-AI-Features. Der Schlüssel ist Multitasking: Während Claude links an der Habit-App arbeitet, öffnet er rechts ein zweites Ghosty-Terminal für ein Creator-Buddy-Projekt, wo er parallel mit Claude Features brainstormt – beides ohne Computerverlangsamung. Innerhalb eines Terminals kann man mit split right den Server (npm run dev) auf einer Seite und Claude Code auf der anderen laufen lassen, um Server-Logs live zu sehen.

  Weitere Tricks:

  • Mehrere Fenster für verschiedene Rollen (Developer, Project Manager, Marketer) gleichzeitig öffnen
  • Für Bearbeitung von Dateien: Finder öffnen und Text-Editor nutzen
  • Für dasselbe Projekt in mehreren Windows: separate Branches mit neuen Work Trees erstellen (GitHub-Feature)

  Der Creator betont, dass dieser Workflow vor allem wegen der Memory-Effizienz des Terminals das schnellste Multitasking ermöglicht, das mit VS Code oder Cursor nicht möglich wäre.

  Modelle & Tools: Claude Code, Ghosty, Cursor, VS Code, Opus (als Claude-Modell impliziert); Format: Tutorial/Demo.

Andrej Karpathy

Keine neuen Videos in diesem Zeitraum.

Bart Slodyczka (1 neues Video)

• 5 Advanced n8n Chatbot Features Most Builders Don’t Use
  16.1.2026, 11:31:02

  Das Video stellt fünf fortgeschrittene Features für n8n-Chatbots vor:

  1. Session Tracking: Jede neue Konversation erhält eine eindeutige Session-ID, mit der man Gesprächsverlauf, Zustand und Routen verfolgen kann. Im gezeigten Beispiel wird ein Guardrails-Node verwendet, um Jailbreak-Versuche zu erkennen und den Nutzer bei wiederholten Verstößen zu sperren.

  2. Native RAG mit OpenAI: Der OpenAI Chat Node ermöglicht Web Search und File Search direkt über die OpenAI-Plattform, ohne separate Vector Stores. FAQ-Dateien werden auf platform.openai.com hochgeladen, in einem Vector Store organisiert und via File-ID in den n8n-Workflow integriert (wichtig: Filter und Max Results müssen als null gesetzt werden).

  3. Respond-to-Chat Nodes: Diese Output-Nodes ermöglichen es, mehrere Nachrichten in einer Ausführung zu senden und Lang-laufende Tool-Calls durch Interim-Meldungen zu unterbrechen. Mit Session-IDs lassen sich etwa personalisierte Willkommensnachrichten nur bei neuen Konversationen realisieren.

  4. Tool-Sharing in Multi-Agent-Teams: Statt separate Tools für SMS, Chat und Phone zu bauen, können zentrale Tool-Calls (etwa Webhooks) zwischen verschiedenen Agenten geteilt werden, was Redundanz reduziert.

  5. Subworkflow-Ausführung mit Variablen: Der Execute-Subworkflow-Node erlaubt es, externe Workflows (z.B. Kalenderbuchungen) mit übergebenen Variablen auszuführen. Variablen müssen in der Subworkflow-Konfiguration definiert werden; die Demo zeigt eine Terminbuchungslogik, die Verfügbarkeit prüft und auf alternative Zeiten ausweicht.

  Im Demo-Teil wird ein vollständiger Chatbot gezeigt, der FAQs abruft, Jailbreak-Versuche blockiert und automatische Buchungen vornimmt.

  Themen: n8n, OpenAI, Unterstützung für Session Management und Rag-Funktionen. Format: Tutorial/Demo mit praktischen Workflow-Beispielen.

Ben AI (1 neues Video)

• How we Automated Meta Ads with 3 AI Systems
  13.1.2026, 09:19:35

  Zusammenfassung: How we Automated Meta Ads with 3 AI Systems

  Das Video stellt drei AI-Systeme zur Automatisierung von Meta-Ads vor, die bereits an Marketing-Agenturen, E-Commerce und SaaS-Unternehmen verkauft wurden.

  System 1: Automatic Product Ad Generator

  Ein System aus Airtable und n8n, das den manuellen Prozess beim Erstellen von Produktanzeigen automatisiert. Nach dem Hochladen eines Produktbildes und der Eingabe von Produktinformationen recherchiert das System automatisch Details (via Perplexity), generiert ein Prompt für Anzeigenvariationen und erstellt dann mehrere unterschiedliche Ad-Formate basierend auf diesem Prompt (via Replicate/Nano Banana Pro). Optional kann eine Referenz-Anzeige hochgeladen werden, um den Stil vorzugeben. Der Nutzer bleibt in der Kontrolle und kann Prompts vor der Generierung anpassen. Am Ende werden automatisch auch Ad-Texte generiert. Das System läuft über mehrere n8n-Workflows, die durch Webhooks ausgelöst werden.

  System 2: Meta Ad Spying Tool

  Scraping-System, das automatisch wöchentlich die Konkurrenz-Anzeigen (Bilder, Videos, Text) aus der Meta Ad Library analysiert und einen wöchentlichen Report über die Strategien der Wettbewerber erstellt. Der Nutzer fügt Konkurrenten durch deren Facebook Ad Library-URL hinzu; das System looped über diese URLs, scraped die Anzeigen mit einem Scraping-Tool, analysiert sie mit einem LLM (inklusive Verbesserungsvorschläge) und generiert einen Strategy-Report. Besonders nützlich für Agenturen, um schnell zu sehen, was Konkurrenten treiben.

  System 3: Automatic Meta Ad Campaign Reporting System

  Kombiniert n8n, Google Sheets und Google Slides. Das System zieht automatisch Performance-Daten der letzten Monate via Facebook Graph API, analysiert Kampagnen, Plattformen, Placements und Demografie, generiert Graphen und Visualisierungen sowie Schlussfolgerungen automatisch direkt in Google Slides. Besonders wertvoll für Agenturen, die viel Zeit auf Client-Reporting verwenden. Die Workflows sind komplexer (mit Code Nodes), aber die Vorlage ist vorbereitet; der Nutzer muss hauptsächlich Facebook Graph API, Google Slides API und Google Sheets API verbinden.

  Alle drei Systeme sind als Vorlagen klonbar, erfordern aber API-Keys und Customization auf den eigenen Use-Case. Der Creator bietet zusätzliche technische Unterstützung in seinem AI Accelerator-Programm an.

  Tools/Plattformen: n8n, Airtable, Perplexity, Replicate, LLMs (unspezifisch), Facebook Graph API, Google Sheets/Slides APIs, Scraping-Tool (Ampify erwähnt); Format: Demo/Tutorial.

Brian Casel (2 neues Videos)

• Claude Code is all you need in 2026
  14.1.2026, 13:00:02

  Zusammenfassung:

  Der Autor stellt fest, dass Claude Code in 2026 mit Opus 4.5 für 90% der täglichen Entwicklungsarbeit ausreicht – trotz des im Jahr 2025 entstandenen Lärms um Frameworks, MCP-Server, benutzerdefinierte Cursor-Regeln und ähnliches. Er demonstriert dies durch den Bau einer echten Feature in seiner App “Inbox Summaries”: Eine Trends-View mit Grafiken und Metriken. Der Workflow folgt einer Spezifikations-getriebenen Entwicklung – zunächst strategische Planung, dann Klärungsfragen von Claude, Feedback zur Spec, dann der Bau mit automatischer Task-Zerlegung. Claude nutzt dabei intern Sub-Agenten parallel.

  Der Grund für diese Vereinfachung: Die Modelle (Opus 4.5, Gemini 3, GPT-5) sind deutlich besser geworden – sie verstehen Intent zuverlässiger, halten Kontext länger und machen weniger Fehler bei komplexen Änderungen. Gleichzeitig hat Claude Code selbst sich entwickelt: Plan Mode ist poliert, Funktionen wie Skills und Sub-Agents bieten gezielte Fähigkeiten ohne Framework-Overhead. Viel von dem, was 2025 als Scaffolding gebaut wurde, ist jetzt standard in Claude Code.

  Der Autor betont, dass das Handwerk nicht in der Code-Implementierung liegt, sondern in Product-Thinking, strategischen Entscheidungen und der Strukturierung von Lösungen – dort liegt die menschliche Multiplikator. Nur bei zwei Szenarien empfiehlt er zusätzliche Struktur: Greenfield-Produktdesign (sein Framework “Design OS”) und Legacy-Codebases mit etablierten Konventionen (hier könnte Agent OS helfen). Die zentrale Botschaft: Mit vanilla Claude Code beginnen, Native-Features und eigenen Workflow lernen, Komplexität nur hinzufügen, wenn man tatsächliche Reibung spürt.

  Explizit erwähnt: Claude Code, Opus 4.5, Agent OS (des Autors), Gemini 3, GPT-5, Claude Skills, Design OS — Format: Demo & Meinung/Reflexion.

• Replacing my n8n workflow with a Claude Code Skill
  12.1.2026, 13:00:46

  Zusammenfassung: Replacing my n8n workflow with a Claude Code Skill

  Brian Castle zeigt, wie er seine komplexe n8n-Automatisierung für die Generierung konsistenter Brand-Illustrationen durch eine Claude Code Skill ersetzt hat – und dabei in 30 Minuten bessere Ergebnisse erzielte als nach einer Woche n8n-Arbeit.

  Der Prozess begann mit der Entwicklung einer visuellen Brand-Identität über mehrere Claude-Konversationen: Erst wurde “ein Tag im Leben eines Builders” als Konzept definiert (visuelle Welt mit Objekten wie Home-Studio, Notizbuch, Tasse), dann ein “Idea to Illustration Mapping Guide” erstellt, um zu entscheiden, welche Szenen zu welchen Inhalten passen, und schließlich detaillierte “Illustration Aesthetic Guidelines” durch Recherche auf Dribble und iteratives Prompting mit Google Gemini erarbeitet.

  Die n8n-Automatisierung sollte über einen Slack-Channel funktionieren: Nutzer gibt eine Anfrage ein, der Bot schlägt drei Konzepte vor, Nutzer wählt eines, dann wird das Bild generiert und in Google Drive gespeichert. Castle baute den Workflow Knoten für Knoten mit Claude-Unterstützung auf und integierte Conditional Logic, API-Aufrufe zu Google Gemini und OpenAI sowie Switch-Nodes für verschiedene Verarbeitungspfade. Das System lief technisch, aber die generierten Bilder waren qualitativ weit entfernt vom gewünschten Stil – zu viel Detail, falsche Szenen, keine Einhaltung der Guidelines.

  Die Claude Code Skill dagegen besteht aus einer Python-Integration zur Gemini-API, Reference-Dokumenten (visuelle Welt, Aesthetic Guidelines, Farbsystem) und einer Skill-Datei, die Claude Opus 4.5 anweist, für jede Illustration ein Projektverzeichnis zu erstellen, drei Konzeptoptionen zu generieren, auf Nutzer-Feedback zu warten und dann das Bild zu erzeugen. Der entscheidende Unterschied: Das Modell kann tatsächlich über die Brand-Guidelines nachdenken und sie verstehen statt nur starre Schritte auszuführen. Castle demonstriert live: Er fordert eine Hero-Image für einen Blog-Post an, die Skill fragt nach Farben und Dimensionen, präsentiert drei Konzepte (Blueprint Stack, Workflow Notebook etc.), generiert die Illustration und speichert sie strukturiert. Ein Vergleich mit den n8n-Ergebnissen zeigt deutlich bessere Konsistenz und Stiltreue.

  Kernlektion: n8n mit diskreten Nodes und starrer Logik nimmt dem KI-Modell die Fähigkeit zu denken; Claude Code Skills erlauben dem Modell (hier Claude Opus), über Intent und Guidelines zu reasoning, während es trotzdem einen definierten Prozess befolgt. Die Skill wird so nicht nur zur Automatisierung, sondern zur wiederholbaren Business-Workflow-Schnittstelle.

  Explizit thematisiert: Claude (Opus 4.5), n8n, Google Gemini API, OpenAI Image Generation; Format: Demo mit Meinung/Reflexion.

Coding with Lewis

Keine neuen Videos in diesem Zeitraum.

Cole Medin (1 neues Video)

• Ralph Wiggum is the Final Evolution of Vibe Coding (Here’s What Comes Next)
  15.1.2026, 01:00:14

  Zusammenfassung:

  Ralph Wiggum ist ein Framework, das AI-Coding-Assistenten (wie Claude Code) in einer Schleife laufen lässt, bis eine Aufgabe vollständig erledigt ist. Der Mechanismus funktioniert so: Ein Prompt wird in den Coding-Agent eingegeben, dann überwacht ein Hook, ob der Agent stoppt. Solange kein vordefinierter „Safety-Phrase” (z.B. „done”) ausgegeben wird, wird die Agent-Ausgabe als Eingabe für die nächste Iteration zurückgespielt. Das Tool wird als Plugin für Claude Code installiert und bietet Befehle zum Starten und Abbrechen der Schleife sowie zur Festlegung von maximalen Iterationen.

  Der Redner positioniert Ralph Wiggum als Höhepunkt von „Vibe Coding” – einer Entwicklungspraxis, bei der man einem AI-Agent vollständig vertraut, ohne selbst kritisches Denken einzubringen. Die Philosophie „Ausdauer schlägt Raffinesse” spiegelt wider, dass repetitives Iterieren schließlich zum Erfolg führt. Ralph Wiggum funktioniert gut bei Aufgaben mit klaren Abschlusskriterien, die viel Code-Durchlauf erfordern (Migrationen, Refactorings, Test-Coverage). Es scheitert aber bei komplexen, urteilsabhängigen Aufgaben: Agenten neigen zu Over-Engineering, es gibt keinen Human-in-the-Loop zur Kurskorrektur, und Agenten können in Fehler-Schleifen steckenbleiben und massive Token-Mengen verschwenden.

  Als Verbesserung wird das PRP-Framework (Product Requirement Prompt) empfohlen, das eine strukturierte Planung vor dem Ralph-Loop schafft und Erfolgskriterien definiert. Kombiniert mit einem Plugin namens PRP Ralph liefert das bessere Ergebnisse. Aber selbst das reicht nicht aus – die echte Lösung sind Agent Harnesses: umfassendere Infrastrukturen mit initialem Agent-Setup, strukturiertem Progress-Tracking, echtem Human-in-the-Loop, Error-Recovery, Memory-Kompression und Validierungsstrategien. Ralph Wiggum wird mit dem Modell-T verglichen – funktional, aber primär Vibe Coding, während echte Wettbewerbsfähigkeit 2026 in ausgefeilten Harnesses liegt, nicht in neuen Modellen.

  Schluss: Deep-Dive über Claude Code und das Ralph-Wiggum-Framework mit kritischer Analyse der Vibe-Coding-Bewegung.

Datapizza

Keine neuen Videos in diesem Zeitraum.

Dave Ebbelaar

Keine neuen Videos in diesem Zeitraum.

David Shapiro (5 neues Videos)

• The drama that helps everyone
  16.1.2026, 13:06:55

  Zusammenfassung: The drama that helps everyone

  Der zentrale Anlass ist das jüngste Abgang mehrerer Gründungsmitglieder von Meera Marotti’s Startup Thinking Machines – einschließlich des CTO, der OpenAI Unternehmensgeheimnisse weitergegeben haben soll und nach Aufdeckung entlassen wurde. Daraufhin kehrte dieser zur OpenAI zurück.

  Der Sprecher kontextualisiert dies in einer größeren Realität: In der Tech-Branche, besonders in Kalifornien, sind „Revolving Doors” und „Boomerangs” (Rückkehr zu früheren Arbeitgebern) typisch und legal möglich, weil Konkurrenzverbote in Kalifornien illegal sind. Dies ermöglicht ständigen Talent-Fluss zwischen Unternehmen – ob Google, Meta, OpenAI, XAI oder Deep Mind.

  Der Hauptargument des Videos ist, dass dieser Talent-Poaching letztlich der Menschheit nutzt: Da es keine echte Schutzmoat bei KI-Technologie gibt (die meiste Forschung ist öffentlich), wird der wahre Vorteil durch sozialisierten Sachverstand transportiert. Die Sprecher vergleicht dies mit dem historischen Apprentice-Journeyman-Master-Modell – Experten zirkulieren durch verschiedene Organisationen, absorbieren unterschiedliche kulturelle Werte und technische Ansätze, und bringen so ein erhöhtes Gesamtniveau in die Branche. Dies führe zu breiterer Konkurrenz bei Frontier-Modellen (OpenAI, Google DeepMind, XAI, Meta, Deepseek etc.), statt Monopolsituationen wie bei Nvidia im Accelerator-Markt.

  Zwar ist OpenAI „drama-getrieben” und liebt es, ihre interne Turbulenz zu broadcast, aber dies ist letztlich Standardverhalten im Tech-Space und kein Grund zur Sorge – eher das Gegenteil.

  Meinung/Reflexion zum Thema OpenAI-Drama und dessen systemischer Wert.

• You will own nothing and (not) be happy
  15.1.2026, 12:44:22

  Zusammenfassung: “You will own nothing and (not) be happy”

  Der Creator diskutiert fünf mögliche Zukunftsszenarien angesichts künstlicher Intelligenz und Robotik, wobei er betont, dass er zwar optimistisch ist, aber die Downsides ernstnehmen möchte, um sie durch invertiertes Denken zu vermeiden.

  Die fünf Attraktorzustände:

  1. Extinction – Die unwahrscheinlichste, aber schlimmste Variante: Menschheit durch selbst verursachte Katastrophe (Biowaffen via KI), KI-Nachfolger oder evolutionäre Ablösung.
  1. Collapse – Sowohl zivilisatorischer als auch ökologischer Kollaps. Der Creator hält zivilisatorischen Kollaps für unwahrscheinlich (moderne Zivilisation zu robust), ökologischen Kollaps für möglich, aber nicht katastrophal für alle Organismen.
  1. Technofeudalismus – Die aktuelle Standardbahn: High-Tech-Low-Life-Zustände wie in Cyberpunk, Elysium oder The Expanse. Das ist bereits im Gange: Medianmittelalter bei Erstkäufern über 40, Vermögenskonzentration bei Boomern, stagnierte Löhne seit 1980. Dies ist die Standardtrajektorie des neoliberalen Systems, das Großkonzerne stärkt und Arbeit systematisch schwächt.
  1. Nothing Ever Happens – Der Status quo bleibt, wird nur marginal verschoben. Unwahrscheinlich historisch (Farmer, Webe, Kohlenarbeiter sind verschwunden) und widerspricht der Instabilität des aktuellen Systems.
  1. Techno-Abundance – Star-Trek- oder Solarpunk-Szenarien mit technologischer Überfluss, wo Arbeit optional ist. Erfordert zwei Hauptänderungen: Governance-Reform (Ende der Elite Capture durch robuste demokratische Institutionen und Meta-Governance) und Vermögensumverteilung durch Progressive Vermögenssteuer.

  Kernlösung für den Weg zu Techno-Abundance: Gestaffelte Vermögenssteuer (1–7% p.a. je nach Vermögen), deren Ertrag in Sovereign-Wealth-Funds fließt, aus denen Dividenden an Haushalte ausgeschüttet werden. Dies schafft einen Anreizausgleich: Reiche verdienen an erhöhtem Konsum der breiten Bevölkerung (Amazon, Starlink etc.), der Staat finanziert sich, alle gewinnen.

  Der Creator kritisiert Normalitätsbias (Menschen unterschätzen Veränderungsgeschwindigkeit) und betont, dass sich die Lage seit 1980 objektiv verschlechtert hat – die Hoffnung auf „nichts ändert sich” ist historisch unbegründet.

  Format: Meinung/Reflexion; kein spezifischer KI-Anbieter erwähnt.

• 85% Of People Will be Unemployable
  14.1.2026, 16:52:57

  Zusammenfassung: “85% Of People Will be Unemployable”

  Der Speaker entwickelt ein ökonomisches Modell für die zukünftige Erwerbsbeteiligung unter der Annahme, dass KI und Roboter in allen Aufgaben besser, schneller, günstiger und sicherer werden als Menschen. Seine zentrale These: Die Erwerbsbeteiligungsquote wird von heute 62% auf 10–15% sinken.

  Kernelemente des Modells:

  Der Speaker identifiziert zwei verbleibende Beschäftigungssäulen: erstens eine gesetzliche Mindestausstattung (1,5–2,3% Erwerbsbeteiligung) mit Jobs, die rechtlich an Menschen gebunden sind – Richter, Ärzte, Anwälte, Unternehmensleiter. Zweitens eine Authentizitätsprämie (6–10%), wo Menschen wegen ihrer Menschlichkeit nachgefragt werden: Künstler, Performer, Therapeuten, Care-Arbeiter, Kunsthandwerk.

  Ein optimistischeres Szenario mit mehr Freizeit und erhöhter Nachfrage nach Erlebnissen erreicht 23–40% Erwerbsbeteiligung. Doch der Speaker argumentiert, dass dies unrealistisch ist, da Zeit die physikalische Grenze bildet – die 24-Stunden-Beschränkung pro Tag lässt sich nicht überwinden. Damit verschiebt sich die Ökonomie von Arbeitsknappheit zu Aufmerksamkeitsknappheit.

  Die Aufmerksamkeitsökonomie:

  Die verbleibenden Jobs konzentrieren sich auf drei Formate: One-to-many (Broadcast, extrem ungleich: Top 1% capturen 50% der Aufmerksamkeit), One-to-few (Trainer, Lehrer, ~8–15 Millionen Jobs), und One-to-one (Therapie, Care, nicht skalierbar). Der Speaker zeigt: Dies ist eine Lotterie, keine Arbeitsmarkt – Erfolg hängt von Glück, nicht Leistung ab.

  Zentrale Befunde:

  • Rent Dissipation: Wenn KI die Fähigkeitsbarrieren senkt, überschwemmt jeder den Markt mit gleichen Fähigkeiten, Löhne kollabieren.
  • Lokale Aufmerksamkeit ist endlich: Eine Kleinstadt braucht nicht 800 Druckerei-Services.
  • Endgültige Schätzung: 12–15% Erwerbsbeteiligung als realistisches Szenario (oder im schlimmsten Fall nur die Elite + gesetzliche Kern-Jobs).

  Implikationen:

  Dies führt zu extremer Ungleichheit (konzentrierter Wohlstand vs. verteiltes Prekariat), einer Sinnkrise (85% der Bevölkerung ohne wirtschaftliche Rolle), und der Notwendigkeit von universalen Grundeinkommen und Kapitalverteilung, statt Lohnarbeit. Der Speaker betont: Das Problem ist nicht, ob wir genug produzieren können, sondern wie wir Aufmerksamkeit und Einkommen verteilen, wenn Menschenarbeit wirtschaftlich optional wird.

  Hinweis: Das Video ist eine Meinungs-/Reflexions-Tiefenanalyse; der Speaker bezieht sich bei der Modellbildung auf Claude und ChatGPT; Schwerpunkt auf ökonomisch-konzeptionelle Argumentation statt technische Details.

• This is HUGE
  13.1.2026, 12:56:56

  Zusammenfassung: This is HUGE

  Der Speaker, ein früherer Entwickler im Bereich Agent Swarms und kognitiver Architekturen (u.a. ACE-Framework und HOS mit über 3.000 Stars auf GitHub), präsentiert seine Vision einer zukünftigen “Attention Preference Economy”.

  Die zentrale Erkenntnis: Google hat das Universal Commerce Protocol (UCP) veröffentlicht — ein Standard, der autonomen KI-Agenten ermöglicht, kommerzielle Aktionen durchzuführen (Geldtransfers, Käufe). Dies deutet auf den Aufbau einer vollständig automatisierten wirtschaftlichen Infrastruktur hin. Agenten verschiedener Provider müssen künftig über gemeinsame Protokolle wie MCP kommunizieren, um untereinander und über Unternehmensgrenzen hinweg zu kooperieren.

  Das Zukunftsszenario: In einer Welt, in der KI-Agenten und Roboter Execution praktisch kostenlos erledigen, werden traditionelle Wettbewerbsvorteile (individuelle Intelligenz, Kapital) irrelevant. Das führt zu einer neuen Koordinationsmechanik, die der Speaker “Attention Preference” nennt: Statt Reichtum oder Intelligenz entscheiden drei Faktoren über Ressourcenallokation — Vision (klare, überzeugende Idee), Werte (mit denen Menschen sich identifizieren) und Reputation (Glaubwürdigkeit, Erfolgstrack-Record). Beispiele sind Elon Musk (Vision für Mars/Neuralink, klare Werte, Execution-Ruf) und MrBeast (Authentische Großzügigkeit, klare Werte, Erfolgsbilanz).

  Das Modell funktioniert so: Eine Person mit überzeugender Vision, definierten Werten und etablierter Reputation gründet eine dezentralisierte autonome Organisation (DAO) — technisch bald quasi kostenlos. AI-Agenten helfen beim Fundraising und Content-Strategie. Millionen kleinerer Investoren (die durch Universelles Grundeinkommen oder Sovereign Wealth Dividends Zeit und Kapital haben) treffen rationale Entscheidungen über Mittelallokation basierend auf persönlicher Glaubwürdigkeit. Das ist kein Elitismus aus Wohlwollen, sondern rationales Eigeninteresse: Eine Konsumwirtschaft braucht zahlungsfähige Haushalte. Arbeitslose mit Einkommen stimulieren die Wirtschaft.

  Die neue Elite-Struktur: Historisch hatte jede Epoche eine Elite-Klasse (Krieger, Priester, Kaufleute). Künftig wird die primäre Rolle von Eliten darin bestehen, Aufmerksamkeit und kollektive Präferenzen zu aggregieren — sie werden zu “Shelling Points” für Koordination ohne zentrale Autorität (ähnlich wie MAGAs rote Mützen bei Trump). Das kann chaotisch werden, da traditionelle Rechenschaftsmechanismen (Gerichte) bei Narrative-Eliten versagen.

  Offene Fragen: Der Speaker betont, dass Gesellschaft noch keine Safeguards für diese neue Dynamik geschaffen hat, und dass Tumultualität wahrscheinlich ist — besonders weil niemand Elon Musk, Donald Trump oder MrBeast wirksam zur Verantwortung zieht. Das Video skizziert eine These, kein vollständiges System.

  Meinung/Reflexion über KI-Agenten, spekulativ orientierte Zukunftsvision ohne spezifische Tool-Namen; eher tiefe Reflexion als actionables Tutorial.

• Do this over the next 5 years and you’re set
  12.1.2026, 16:04:28

  Zusammenfassung: Do this over the next 5 years and you’re set

  Der Creator legt ein vierteiliges Rahmenwerk dar, wie man sich auf die Zukunft angesichts von KI und Automatisierung vorbereitet:

  1. Wohnort: Wer remote arbeiten kann, sollte Standort-Arbitrage nutzen – günstiger leben, höher verdienen. Große teure Städte verlieren Einwohner. Der Vorteil: niedrigere Lebenshaltungskosten und, je nach Präferenz, bessere Lebensqualität (Sicherheit, Gemeinschaft, Klima).

  2. Investitionen: Im Gegensatz zu Lohnarbeit wird die Zukunft auf Kapitalallokation basieren. Der Creator empfiehlt Dividenden-ETFs statt einzelner Aktien, um passives Einkommen zu generieren. Ergänzend nennt er ESOPs (Employee Stock Option Plans), dezentralisierte autonome Organisationen (DAOs) – mit Vorbehalten wegen Betrugsrisiken – sowie Bitcoin als Vermögensschutz (nicht als Einkommensquelle). Das zentrale Problem: ohne staatliche Intervention können Einzelne diese Transition nicht allein bewältigen; der Creator arbeitet an einem Buch zu Post-Labor-Ökonomie, um Policy-Änderungen zu fordern.

  3. Jobs – welche überleben: KI und Robotik werden Wissensarbeit und ungelernte Tätigkeiten zerstören. Sichere Bereiche sind Aufmerksamkeit (Content Creator, Influencer), Erfahrung (Tour Guides, Therapeuten), Authentizität (menschliche Präsenz wird bevorzugt) und Bedeutung (Philosophen, spirituelle Führung). Auch Vertrauen und Ruf sind nicht ersetzbar (z.B. Handwerker, deren Name für Qualität steht). Zukunfts-Opportunität: Roboter besitzen und vermieten. Wichtig: AI-Kompetenz (als “Power User” von KI-Tools arbeiten) wird zum Wettbewerbsvorteil.

  4. Höherer Zweck und Lifestyle: Ohne die Zwangsvorgabe von Lohnarbeit sollte man sich fragen, was man wirklich will – Agentur entwickeln, d.h. selbstbestimmte Ziele schaffen statt externe Vorgaben zu folgen. Das kann Elternschaft, künstlerische Berufung, Gemeinschaft oder Forschung sein. Der erste Schritt: sich selbst eingestehen, was man wirklich anstrebt, ohne Angst vor Versagen oder Urteil.

  Der Creator prognostiziert, dass bis 2030 gesellschaftliche Krisen entstehen, weil die Mehrheit nicht mehr durch Arbeit Einkommen generieren kann. Er plädiert für kombinierte staatliche Transfers (UBI + universale Basisdividenden aus lokaler, staatlicher und föderaler Ebene). Seine eigene Mission ist Post-Labor-Ökonomie; das Buch soll April/Mai starten.

  Format: Meinung/Reflexion mit persönlichem Ansatz; keine KI-Tools oder spezifische Anbieter erwähnt.

DevExpert – IA para Desarrolladores (1 neues Video)

• Infraestructura de Agentes: Estandarizando MCPs con Docker
  15.1.2026, 16:00:36

  Zusammenfassung: Docker MCP Tool Kit – Standardisierte Agenten-Infrastruktur

  Das Video zeigt, wie Docker’s MCP Tool Kit die Konfiguration von Model Context Protocols (MCPs) vereinfacht. Statt jeden MCP in jedem KI-Agenten einzeln einzurichten, konfiguriert man sie einmalig im Docker Desktop und kann sie dann über verschiedene KI-Clients nutzen – ohne Neukonfiguration. Docker bietet einen verifizierten Katalog mit über 300 sicheren MCPs (darunter Web-Suche mit Brave, Dokumentation mit Context 7, GitHub, Notion, Perplexity u.v.m.).

  Der praktische Workflow: Nach Installation von Docker Desktop und Wahl eines Clients (im Video: Codex) verbindet man sein MCP-System damit. Das Docker MCP Tool Kit selbst wird als Server hinzugefügt und stellt dann Funktionen bereit, um weitere MCPs dynamisch zu laden. Im Demo-Beispiel wird Brave Search für Web-Abfragen aktiviert, dann Context 7 für aktuelle Dokumentation hinzugefügt – später können diese MCPs aus Visual Studio Code heraus genutzt werden, ohne sie dort erneut zu konfigurieren.

  Ein zweites Feature ist die dynamische MCP-Suche: Statt MCPs dauerhaft zu laden (was Kontext verbraucht), kann der Nutzer sie nur für eine Sitzung installieren. Das Video demonstriert dies mit Playwright – der Nutzer fragt nach “MCPs für Browsing”, das System findet Playwright, installiert es on-the-fly und steuert dann eine Website an. Ähnlich wird Notion dynamisch hinzugefügt und der Agent erstellt dort automatisch eine Notiz mit extrahierten Informationen. Nachteil: Der Prozess zeigt noch Trial-and-Error beim Funktionsaufruf, da die dynamische Integration noch experimentell wirkt.

  Explizite Tools im Video: Docker MCP Tool Kit, Brave Search MCP, Context 7 MCP, Playwright MCP, Notion MCP, sowie Clients Codex und Visual Studio Code — Format: Tutorial/Demo.

Everlast AI (5 neues Videos)

• Fünfstellige Extra-Umsätze & weniger Kosten durch KI im Fitnessstudio | Everlast AI Erfahrung
  16.1.2026, 08:45:04

  Sebastian Klatt, Betreiber von vier Fitnessstudios in Schleswig-Holstein, berichtet von seinen Erfahrungen mit KI im Kundenkontakt. Die zentrale Herausforderung war, dass junge Mitarbeiter ungern telefonieren – eine Aufgabe, die jedoch essentiell für die Geschäfte ist. Nach längerer Recherche stieß er auf Everlast und dessen Gründer Leo, der Voice-KI-Lösungen mit automatischer Anruffunktion und Einwandbehandlung demonstrierte.

  Klatt entschied sich, bei Everlast zu lernen, statt Videos selbst nachzubauen – obwohl er keine Programmierkenntnisse hatte. Die Schulung überraschte ihn positiv: Innerhalb von zwei Wochen führte die KI bereits funktionierende Gespräche, durch strukturierte Online-Inhalte, bereitgestellte Templates und wöchentliche Calls mit schneller Support-Reaktion via Slack. Nach intensiven Tests mit etwa 500 Telefonaten sparte er 1.500–2.000 Euro Personalkosten ein und generierte über 10.000 Euro zusätzlichen Umsatz. Hochgerechnet auf alle Studios und Datensätze rechnet er mit erheblichem Potenzial im Produktionsmodus. Seine Mitarbeiter sind motivierter, da sie auf der Fitnessfläche eingesetzt werden können; Management muss die Telefonie nicht mehr kontrollieren. Klatt plant weitere Use Cases und das Ziel, Telefonie komplett zu automatisieren. Sein Fazit: KI-Kompetenz ist für Unternehmer heute notwendig – ob durch Eigenlernen oder durch Agenturen wie Everlast.

  Thematisiert: Everlast, Voice-KI-Anrufe im Fitnessstudio-Kontext; Format: Erfahrungsbericht/Demo eines realen Business-Einsatzes.

• Prof. Martin Riedmiller: DeepMind, AGI, Kernfusion, AlphaGo, Roboter, Singularität & die Zukunft
  15.1.2026, 16:15:11

  Prof. Martin Riedmiller: DeepMind, AGI, Kernfusion & die Zukunft der KI

  Das Video ist ein ausführliches Langform-Interview mit Martin Riedmiller, KI-Pionier und Leiter des Control Teams bei Google DeepMind, über vier Jahrzehnte KI-Forschung und aktuelle technologische Durchbrüche.

  Frühe Jahre und Grundlagen (90er Jahre)

  Riedmiller erzählt, wie er 1992 in seiner Diplomarbeit an der TH Karlsruhe den Rprop-Algorithmus entwickelt hat, der das Training neuronaler Netze deutlich beschleunigt. Im Gegensatz zum Standard-Gradientenabstieg passt Rprop die Schrittweiten direkt an, statt sich auf Gradienten zu verlassen – der Algorithmus lief schneller und erforderte keine mühsame Parameterabstimmung. Riedmüller betont, dass es schon damals klar war, dass neuronale Netze mächtig sind, aber völlig überraschend, dass das Thema heute „in aller Munde” ist.

  Robocup und Reinforcement Learning in der Praxis (1998–2008)

  Mit dem Brainstormers-Roboterfußball-Team setzte Riedmüller Reinforcement Learning praktisch um und gewann fünf Weltmeistertitel. Der Schlüssel war, dass Roboter nicht programmierte Bewegungssequenzen ausführen, sondern selbst lernen konnten – etwa einen optimalen Kick oder einen Verteidigungszug durch Belohnung beim Erreichen von Zielen. Das Projekt verdeutlichte auch das Sim-to-Real-Problem: In der Simulation kann man Millionen Wiederholungen durchführen, bei echten Robotern dauert das Jahre. Das führte zu Riedmüllers Fokus auf dateneffiziente Lernalgorithmen.

  DeepMind-Ära: Von AlphaGo bis AlphaFold

  Riedmüller wechselte 2013 aus sicherer Professur zu DeepMind, weil er selbst forschen wollte – nicht nur lehren. Bei DeepMind leitete das Team zunächst Atari: Agenten lernten, Games perfekt zu spielen, ohne die Regeln zu kennen (reine Pixel-Input).

  Bei AlphaGo (2016) war der Durchbruch, dass das System nicht nur von Großmeister-Beispielen lernte (überwachtes Lernen), sondern durch Selbstspiel – Reinforcement Learning – völlig neue Strategien entdeckte. Der berühmte Move 37 war ein Zug, den kein Mensch vorher gespielt hätte, weil die Intuition der Go-Kultur bestimmte Muster ausgeschlossen hatte. Riedmüller war live dabei, als die Maschine den Weltmeister besiegte.

  Das Proteinfaltungsproblem (AlphaFold) war ein 50 Jahre altes Biochemie-Rätsel: Wie faltet sich eine DNA-Sequenz zu einer 3D-Protein-Struktur? Früher dauerte das Jahre Laborarbeit pro Protein. AlphaFold löste das Problem durch tiefe neuronale Netze, die aus bekannten Strukturen lernen – mit einem Sprung von 10–15 % Genauigkeit auf 80–90 % in zwei Jahren. Das Werkzeug wurde open-sourced und beschleunigt seitdem die Biomedizin weltweit.

  Kernfusion und Reinforcement Learning für physikalische Systeme

  2022 zeigte Riedmüllers Team bei der EPFL in Lausanne, wie Reinforcement Learning das Magnetfeld eines Tokamak-Fusionsreaktors steuert. Das Plasma – ein heißes Gas – muss durch 19 Magnete in der Schwebe gehalten werden, ohne die Reaktor-Wand zu berühren. Klassische Regelungstechnik scheiterte an der Komplexität der Physik. Der RL-Agent lernte, ohne die Physik zu „verstehen”, das Plasma stabil zu halten – teilweise mit kreativen (aber zunächst unerwünschten) Magnet-Konfigurationen, die die Ingenieure verbitten mussten. Das zeigt: KI kann regelungstechnische Probleme lösen, die zu komplex für klassische Design-Methoden sind.

  Definition von AGI

  Riedmüllers Definition von AGI basiert auf der Dartmouth Summer School (1956): jeden Aspekt menschlicher Intelligenz präzise so formulieren, dass eine Maschine es ausführen kann. Das ist kein mystisches „Superintelligenz”-Ziel, sondern der Kern von KI selbst. Die Fähigkeit, schnell zu lernen, neue Dinge mit älterem Wissen zu verbinden und das alles in einer Menschenleben-Spanne zu leisten – das ist noch nicht verstanden.

  Aktuelle Beschleunigung

  Riedmüller betont, dass selbst für KI-Experten die derzeitige Geschwindigkeit „total verrückt” ist. Zwei Technologien kamen zusammen: enorm gestiegene Rechenleistung (GPU/TPU) und die Erkenntnis, dass große Transformer-Modelle mit großen Datenmengen einfach funktionieren – nicht weil bessere Algorithmen erfunden wurden, sondern weil man es tat. ChatGPT kam überraschend: dass Sprache über Seiten hinweg kohärent erzeugt werden kann, hätte er zwei Jahre zuvor nicht erwartet.

  Bei humanoiden Robotern wird derzeit Imitation Learning (überwachtes Lernen) bevorzugt: Menschen steuern Roboter, man sammelt Millionen Trainingsdaten, große Transformer speichern die Verhaltensweisen. Das funktionierte bei Sprache (riesiges Internet), aber Robotik-Daten sind knapp – sie müssen mühsam in Trainingszentren gesammelt werden (z.B. in China). Ob diese Wette aufgeht, wird sich erst zeigen, sagt Riedmüller.

  Größere Perspektive: Wissenschaft beschleunigen

  Ein durchgehendes Thema: KI beschleunigt andere Wissenschaften. AlphaFold beschleunigte Biomedizin, der Fusionsregler könnte Energie revolutionieren, gravitative Wellen-Erkennung wurde verbessert. Demis Hasabis sagte von Anfang an: Wenn wir KI lösen und einzelne Bausteine verstehen, beschleunigen wir die Wissenschaft bis hin zur Punkt, wo KI selbst Wissenschaft betreiben kann.

  Das Interview endet mit einer Einladung: Riedmüllers Unternehmen Everlast AI sucht Talente (Entwickler, Marketing, Vertrieb) für KI-Automatisierung in Deutschland – positioniert als Teilhabe an der technologischen Revolution, nicht an sinnlosen Apps.

  Explizite Tools/Anbieter: DeepMind/Google, ChatGPT (OpenAI), Gemini (Google), Atari, AlphaGo, AlphaFold, Tokamak (EPFL), Transformer-Modelle; Format: Deep-Dive-Interview (sehr technisch, mit historischen Rückblicken und gegenwärtigen Forschungsüberblicken – für fortgeschrittenes Publikum).

• Physiker enthüllt: Die Zukunft der KI ist LICHT! Die nächste Ära der Chips (Prof. Mario Chemnitz)
  14.1.2026, 16:15:09

  Zusammenfassung: Photonische KI – Die Zukunft der Chips

  Das Video stellt die These auf, dass das Moore’sche Gesetz – die Verdopplung der Rechenleistung alle zwei Jahre – am Ende seiner Lebensdauer angekommen ist. Transistoren können nicht beliebig kleiner werden, und elektronische Chips stoßen an physikalische Grenzen (Tunneleffekte, thermische Last). Gleichzeitig verbraucht KI-Training heute bereits enorme Energiemengen – OpenAI allein verbraucht so viel Strom wie eine Großstadt.

  Der Lösungsansatz: Photonische Chips

  Diese rechnen mit Lichtwellen statt Elektronen. Sie funktionieren durch Lichtwellenleiter und funktionale Elemente wie Mikroresonatoren und Modulatoren. Der zentrale Vorteil: Mathematische Operationen wie Multiplikationen und Faltungen – zentral für neuronale Netze – können Lichtwellen passiv durchführen, ohne aktiven Stromverbrauch. Das ermöglicht bis zu 1000-fach höhere Energieeffizienz (Femtojoule statt Picojoule pro Operation). Zusätzlich können Chips dreidimensional gestapelt werden.

  Hauptherausforderung: Speicherung

  Licht ist flüchtig – Informationen auf Lichtwellen lassen sich schwer speichern. Forschungsansätze sind holographische Speichermedien und Phase-Change-Materialien, die ihren Brechungsindex ändern. Diese Lösungen funktionieren jedoch derzeit noch nicht schnell und energieeffizient genug.

  Zeitrahmen & Industrie-Aktivitäten

  Prof. Kemnitz prognostiziert erste Serienmodelle von optischen KI-Beschleunigern in weniger als 10 Jahren. Der „Schulterschluss” ist bereits erreicht: Das US-Unternehmen Lightmeta hat 2024 gezeigt, dass photonische Prozessoren ähnliche Leistung wie Top-Nvidia-GPUs bei ähnlicher Genauigkeit erbringen. Microsoft, Google und andere Global Player entwickeln bereits eigene Projekte.

  Deutsche Unternehmenslandschaft

  Quant (Spinoff) hat einen der ersten funktionalen photonischen Rechenserver geliefert. Aketonics (Berlin/München) arbeitet an einer kompletten digitalen Rechenarchitektur mit Licht – ein Nvidia-Pendant aus Lichtwellen. Deutsche Forschung läuft in Heidelberg, Ilmenau, Stuttgart und Aachen, bleibt aber unterfinanziert im Vergleich zu US-Venture-Capital-Investments.

  Zusätzliches Potenzial

  Lichtwellen bieten mehr Information als digitale Signale (komplexe Zahlen: Amplitude und Phase). Dies könnte zu komplexeren optischen Neuronenmodellen führen, die deutlich leistungsfähiger wären als aktuelle künstliche Neuronen.

  Relevanz für Deutschland

  Energieeffizienz ist für Deutschland kritisch: Strom kostet hier doppelt so viel wie in den USA, und massive Datacentern sind energetisch kaum tragbar. Photonische Chips könnten das Schlüsseltechnologie sein – doch die Förderung hinkt hinter Quantentechnologien und Mikroelektronik hinterher.

  Deep-Dive mit Prof. Mario Kemnitz (Friedrich Schiller Universität Jena, Leibniz-Institut für Photonische Technologien), kein KI-Tool-Anbieter explizit genannt.

• So würde ich 2026 mit KI Geld verdienen (wenn ich nochmal neu starten müsste)
  13.1.2026, 16:15:06

  Sieben Geschäftsmodelle mit KI Geld verdienen (2026)

  Der Video-Autor präsentiert sieben konkrete Wege, um mit KI Einnahmen zu generieren, basierend auf seiner Erfahrung mit über 1800 KI-Projekten für den europäischen Mittelstand.

  Die sieben Möglichkeiten

  Kreative Wege:

  1. KI Videoagentur: Mit Tools wie Runway, Google Vio, Sora, Luma oder Kling werden Werbefilme, Erklärvideos und Produktvideos für Unternehmen erstellt – Dienste, die früher hohe fünf- bis sechsstellige Summen kosteten. Der KI-Videomarkt in Deutschland wächst mit 20,5% am schnellsten.
  1. Marketing AI Automation: Automatisierung von Marketing-Prozessen wie automatische Social-Media-Posts, Lead-Anreicherung und hyperpersonalisierte E-Mail-Kampagnen, um Umsatz und Reichweite zu steigern.

  Technische Wege:

  1. KI Voice Agents: Telefonassistenten automatisieren wiederkehrende Anrufe (Lead-Reaktivierung, KI-Rezeptionisten, Follow-up-Calls) und senken Personalkosten um 40–70%.
  1. AI Workflows: Automatisierung langweiliger Aufgaben wie Dateneingabe aus PDFs, automatische Angebotserstellung, Meeting-Protokollierung und Onboarding – Unternehmen zahlen vier- bis fünfstellig dafür.
  1. Corporate LMS: Firmenspezifische KI-Lösungen mit internen Wissenssystemen, abteilungsspezifischen KI-Assistenten und automatisierter Dokumentenerstellung – der deutsche Markt wächst von 9 Mrd. Euro (2025) auf 37 Mrd. Euro (2031).
  1. KI Apps: Spezialisierte Apps für bestimmte Branchen (z.B. für Immobilienmakler), die einmal entwickelt und dann als monatliches Abo an dutzende Unternehmen verkauft werden (500–5000 € pro Monat). Möglich auch ohne tiefe Coding-Erfahrung durch Vibe-Coding.
  1. KI Beratung: Strategische Beratung zu KI-Implementierung, Use-Cases und Team-Schulung – Tagessätze 1000–4000 €, oder Beratungsprogramme bis 50.000 €.

  Zentrale Unterscheidung

  Der Autor teilt die Ansätze in zwei Kategorien: KI Kreativbereich (für Designsinn, Marketing, Content) und Tech/AG Bereich (für technisches Denken, Systemaufbau).

  Kritische Fallen und fünf Erfolgstipps

  Zu vermeiden sind: Abhängigkeit von einem einzelnen Tool (N8N, Make, ChatGPT sind nicht der heilige Gral), Spielereien wie KI-generierte TikTok-Videos oder Kinderbucher, sowie das bloße Hinzufügen von KI zu klassischen Agenturen.

  Fünf Tipps:

  1. Geschwindigkeit schlägt Fähigkeiten – schnelles Lernen ist wichtiger als Perfektion
  2. Tool-Agnostizismus bewahren
  3. Vollständiger Break mit der alten Welt (klassische Marketingagenturen verlieren)
  4. Größer denken – echtes Business mit siebstelligen Umsätzen aufbauen, nicht nebenbei verdienen
  5. Jetzt handeln – jeder Monat Verzögerung kostet Marktanteile

  Der Autor argumentiert, dass traditionelle Geschäftsmodelle (Dropshipping, E-Commerce, klassische Agenturen) durch KI verdrängt werden – ähnlich wie alte Medien durch neue. Wer in der alten Welt bleibt, hat keine Chance gegen KI-natives Denken.

  Meinung/Reflexion; kein spezifisches Tool oder Anbieter (nur allgemeine KI-Tools genannt).

• Humanoide Roboter werden REAL, ChatGPT Gesundheits-App, NVIDIA Mercedes DEAL & weitere KI-News
  11.1.2026, 09:15:05

  Zusammenfassung: KI-News CES 2026 und weitere Updates

  Humanoide Roboter und Boston Dynamics Atlas

  Der neue Atlas-Roboter von Boston Dynamics wird 2026 in die Industrie eingebracht. Er ist 1,88 m groß, läuft elektrisch, hebt bis zu 50 kg kontinuierlich, hat 56 Freiheitsgrade und eine Laufzeit von 4 Stunden mit selbstwechselnden Akkus. Google DeepMind integriert Gemini-Modelle als „Gehirn” des Roboters. Atlas läuft bereits autonom in Hyundais Fabrik in Georgia; die Massenproduktion beginnt 2028. MIT-Studien deuten an, dass mindestens 20% der Industriejobs betroffen sind.

  Weitere Roboter auf der CES

  Das deutsche Unternehmen Neura Robotics stellt den For-Anyone Generation 3.5 vor (1,80 m, 80 kg, hebt 100 kg), ab Juni 2026 für 98.000 € erhältlich. Es gibt auch eine Mini-Version für 20.000 € ab April 2026 und einen vierbeinigen Quadruped für Inspektionen. LG präsentiert den Haushaltshelfer Chlo (noch kein Release-Datum). Razer zeigt Project Ava, einen 3D-Hologramm-KI-Assistenten in Zylinderform, betrieben von Grok-Modellen und für Gamer konzipiert.

  Nvidia Ruben GPUs und Mercedes-Deal

  Nvidias neue Ruben-Plattform integriert sechs Chips mit der Ruben GPU als Blackwell-Nachfolger. Sie erreicht 50 Petaflops, fünfmal mehr als Blackwell, und senkt Inferenzkosten pro Token um das Zehnfache. Damit wird KI günstiger im Training und bei der Inferenz. Mercedes integriert Nvidias Alpha-Mayu-Modelle (erstes Reasoning-Modell für autonomes Fahren) für Level-2-plus-Fahrassistenz und nutzt Nvidia Omniverse für 3D-Zwillinge von Fertigungsanlagen. Jensen Huang bescheinigt Tesla die fortschrittlichste autonome-Fahrzeug-Software; Nvidia trainiert dagegen primär in virtuellen Welten, nicht mit realen Fahrdaten. Omniverse kämpft trotz Hunderten Millionen Dollar Investitionen mit geringen Einnahmen. Mercedes veröffentlichte zudem einen vollständig KI-generierten Werbefilm.

  Meta Ray-Ban und weitere AR/VR

  Meta präsentiert Updates für die Meta Ray-Ban Glass: eine Teleprompter-Funktion für Live-Reden und die Möglichkeit, handschriftliche Nachrichten über das Meta-Band zu versenden. Lego integriert KI über interaktive Steine, die Audiosignale wahrnehmen und dynamische Sounds/Lichter generieren.

  OpenAI ChatGPT Health

  OpenAI startet ChatGPT Health, einen abgetrennten Gesundheitsbereich mit Multifaktor-Authentifizierung. Nutzer können Blutbefunde, medizinische Berichte hochladen und Apps wie Apple Health, My Fitness Pal anbinden. Die Gesundheitsdaten fließen nicht in normale Chats ein und werden nicht zum Modelltraining verwendet (nach Aussage von OpenAI). Der Healthcare-Bereich verzeichnete laut State-of-Enterprise-AI-Report einen 8x-Wachstums-Faktor. Gesundheit ist eine der Top-Nutzungskategorien privater ChatGPT-Nutzer. Implizit sammelt OpenAI über Health-Integration hochwertige Gesundheitsdaten für Insights und Trends, was den Weg zu einem „Superassistenten” ebnet.

  KI-Video-Tools

  LTX2 wird vollständig Open Source verfügbar gemacht und bietet 4K-Videoqualität, läuft lokal.

  Business-Perspektive: Data-Labeling und Stack Overflow

  Stack Overflow ist bei Neufragenadressahlungen auf ein Allzeittief gefallen, da Entwickler statt Hilfe von Entwicklern nun KI nutzen. Trotzdem hat sich der Umsatz verdoppelt (auf ~115 Millionen €), weil Stack Overflow seine Millionen Q&A-Daten an KI-Firmen lizenziert und ein Enterprise-Produkt (Stack Internal) anbietet, das von 25.000 Unternehmen genutzt wird. Das Konzept: Menschliche Entscheidungen und Expertenurteil sind wertvollste Trainingsdaten für KI. Microon AI rekrutiert weltweit qualifizierte Experten (Softwareentwickler, Ärzte, Anwälte), vermittelt sie an führende AI-Unternehmen für Data-Labeling und Reinforcement Learning from Human Feedback – diese verdienen oft 20% mehr als in traditionellen Jobs. Der prognostizierte Markt für Human Data Labeling: eine Billion US-Dollar, zweitgrößter horizontaler Markt nach Energie.

  AI-Drama und Wettbewerb

  Eine Studie behauptet, AI-Coding-Tools könnten Softwareentwicklung nicht ersetzen – basierte aber nur auf Claude Sonnet 4 und nicht auf aktuelleren Modellen (Sonnet 4.5, Opus), was zeigt, wie schnell Studien veralten. Elon Musks xAI sammelt 20 Milliarden für Grok 5 ein und baut den weltweit größten Supercomputer in Mississippi. Das Gericht lässt Musks Klage gegen OpenAI fortdauern – es gibt laut Urteil Belege dafür, dass Sam Altman und die OpenAI-Führung unrechtmäßig von der Non-Profit-Struktur zu einem For-Profit-Modell übergegangen sein könnten, was gravierende finanzielle Konsequenzen hätte. Anthropic sammelt 10 Milliarden Dollar bei 350 Milliarden Dollar Bewertung ein, plant Börsengang. Gemini gewinnt Marktanteile gegen OpenAI (20% Anteil verloren in 12 Monaten). Mark Andreessen (Netscape-Gründer) beschreibt die AI-Revolution als größte technologische Revolution seines Lebens, vergleichbar mit Dampfmaschine, Elektrizität, Mikroprozessor – größer als das Internet.

  Explizit thematisiert: OpenAI/ChatGPT, Gemini/Google DeepMind, Grok/xAI, Claude (Anthropic), Nvidia; Format: Roundup.

Fireship (1 neues Video)

• The unhinged world of tech in 2026…
  14.1.2026, 19:01:19

  Zusammenfassung: The unhinged world of tech in 2026

  Das Video präsentiert zehn Tech-Trends für 2026 in humorvollem Ton:

  Arbeitsmarkt & AI-Coding: Trotz rückläufiger Stelleninserate prognostiziert die US-Arbeitsbehörde weiterhin 15% Wachstum im Software-Development bis 2034. Eine Erhöhung der H1B-Visagebühren auf $100,000 könnte die Outsourcing-Praxis dämpfen. AI-Coding-Tools ersetzen keine Ingenieure, schaffen aber eine neue Klasse von „Code Janitors”, die fehlerhaften AI-Code bereinigen.

  AI-Bubble: LLMs haben laut Autor ein Plateau erreicht – GPT5 war enttäuschend ohne exponenzielle Intelligenzsprünge. Die meisten AI-Unternehmen sind noch privat; eine Welle von IPOs (SpaceX, OpenAI, Anthropic) wird das Bubble-Ende signalisieren, könnte aber erst 2026 kommen.

  Robotik & Wearables: Humanoid Robots von 1X, Figure und Tesla sollen 2026 in Serie gehen. Im Wearables-Bereich gibt es Flops (Rabbit, Humane Pin), aber OpenAI arbeitet an besseren Geräten; Nike baut batteriebetriebene Schuhe.

  VR/AR: Apple Vision Pro war ein Flop, könnte sich aber mit günstigerer Version erholen. Meta investiert massiv in AR. Die Profite fließen hauptsächlich an Chip-Designer wie Nvidia und ARM sowie Fertiger wie TSMC.

  Energie & Nuklear: Cloud-Provider finden nicht genug Strom für AI-Chips. Atomkraft könnte erneut relevant werden; Unternehmen wie Olo entwickeln modulare Reaktoren für Rechenzentren (Zuckerberg kündigte Deal in Ohio an).

  Quantum Computing: Google’s Willow-Chip und die Quantum-Echoes-Algorithmus zeigen erste praktische Durchbrüche – Quantencomputer übertrafen erstmals Supercomputer bei verifizierbaren Algorithmen. USA und China rasen zum nächsten Durchbruch.

  Digital IDs & CBDCs: Trotz mangelnder Akzeptanz treiben Behörden Digital IDs und zentrale digitale Währungen voran. UK und die Eurozone planen Pilotphasen; digitale Euro sollen bis 2029 verfügbar sein.

  JavaScript-Ökosystem: Node.js unterstützt native TypeScript-Dateien, Deno hat einen integrierten Bundler, Bun wird schneller und bietet Postgres- und Redis-Support. React bleibt dominant, stabilisierte Compiler verbessern die DX. Neue Frameworks wie Ripple erscheinen.

  Die Meinung des Autors: Die AI-Bubble hält noch einige Jahre an, trotz technologischen Plateaus, weil VC-Geld und kommende IPOs das Hype-Zyklus am Leben erhalten.

  Explizit erwähnte Tools/Unternehmen: GPT5, OpenAI, Anthropic, SpaceX, Google (Willow), Nvidia, ARM, TSMC, Intel, Apple Vision Pro, Meta, 1X Neo, Figure Robots, Tesla Optimus, Rabbit, Humane Pin, Nike, Node.js, TypeScript, Dino, Bun, React, Svelte, Vue, Angular, Ripple — Format: Meinung/Reflexion mit Trend-Roundup.

Greg Baugues

Keine neuen Videos in diesem Zeitraum.

IA et Stratégie | Le SamourAI (1 neues Video)

• Apple capitule! Le piège qui va tuer OpenAI.
  13.1.2026, 14:15:03

  Zusammenfassung: „Apple capitule! Le piège qui va tuer OpenAI”

  Der Redner argumentiert, dass Apples Entscheidung, Googles Gemini-Modell (mit 1,2 Billionen Parametern) nativ in iOS zu integrieren und dafür eine Milliarde Dollar pro Jahr zu zahlen, keine Niederlage, sondern ein strategisches Meisterwerk ist.

  Kernthese: Der Kampf um AI hat sich von der Modellkapazität zur Distribution verschoben. Während Konkurrenten Milliarden in Infrastruktur verbrennen, nutzt Apple einen Gedanke: Das Modell selbst ist zur Commodity geworden. Apple zahlt Google eine Milliarde, erhält aber Zugang zu Googles vertikaler Infrastruktur (eigene TPU-Chips, Datenzentren, Trainings-Know-how). Im Gegenzug gibt Google einen Milliarden aus für Zugang zu den 500 Millionen Premium-Nutzern Apples – und das ist für Google rentabel, da Apple selbst 20 Milliarden pro Jahr von Google erhält (für Safari als Standard-Suchmaschine). Das Netto-Verhältnis bleibt massiv zu Apples Gunsten.

  Warum Google statt OpenAI/Anthropic? OpenAI hat nach GPT-4 keine klare Überlegenheit mehr, brennt 115 Milliarden bis 2029 und wirkt wie eine instabile Startup. Anthropic hat zwar ein gutes Modell (Claude), ist aber auf Enterprise fokussiert und zu teuer. Google bietet Stabilität, komplette Vertikalintegration und ein bewährtes Partnerschaftsverhältnis seit 15 Jahren.

  Folge für OpenAI: Sie sind nun als sekundäre Option auf iOS positioniert, während Gemini zum Default-Gehirn wird. OpenAI hat kein Betriebssystem für native Distribution, keine eigenen Datenzentren und muss teuer Marketing treiben. Gleichzeitig verfehlen ihre Produkte (Sora, Dream, Health) die Ziele, und das Hardware-Projekt mit Johnny Ive stockt. Im Bereich agentenbasierter AI hinkt OpenAI Anthropic (Claude Cowork mit 42% Enterprise-Marktanteil) und Google hinterher.

  Strategische Lektion: Die Frage ist nicht mehr „wie nutze ich AI besser als andere”, sondern „was kann ich tun, das omnipräsente AI nicht replizieren kann?” – nämlich Urteilsfähigkeit, proprietäre Daten, Orchestrierung und Verteilung. Wer bloss ein „Modell plus Interface” baut, konstruiert ein Attraktor, keine Geschäft.

  Fazit: Apple hat verstanden, dass der Krieg um das beste Modell ein Trap ist. Während andere in teure Infrastruktur investieren, mietet Apple das beste Hirn an und behält das, was zählt: Kundenzugang, Nutzererlebnis, Marge und 19 Milliarden Dollar Netto-Vorteil pro Jahr von Google.

  Am Ende des Transkripts folgt ein abrupter Themenwechsel zu automatisierten Barrieren und Entlassungen (möglicherweise Schnittfehler oder kontextfremder Ausschnitt).

  Explizite Modelle/Anbieter: OpenAI, Gemini/Google, Anthropic (Claude Cowork), Grok/X/Elon Musk, Sora, Microsoft — Format: Meinung/Deep-Dive mit starker These zur Strategieumdeutung.

Julian Ivanov | KI-Automatisierung (1 neues Video)

• Diese KI betreibt meinen Instagram Account komplett alleine (n8n Tutorial)
  11.1.2026, 20:11:53

  Zusammenfassung: KI-gesteuerte Instagram-Automatisierung mit n8n

  Der Creator zeigt ein vollständiges Automatisierungssystem für Instagram, das sogenannte „Pick One”-Videos (Entscheidungsvideos mit mehreren Optionen) eigenständig generiert und veröffentlicht. Das System funktioniert über eine Google Sheets-Liste, in die man nur Themen eingibt – den Rest übernimmt die KI.

  Der Workflow im Überblick:

  Ein n8n-Agent generiert zunächst für jedes Thema eine Einleitung (Caption), einen Intro-Video-Prompt und fünf unterschiedliche Raumkonzepte mit jeweils fotorealistischen Prompts. Die Bildgenerierung erfolgt über Z Image (0,004 Cent pro Bild), die Video-Animation über CDE 1.5 Pro (0,07 Dollar für 4 Sekunden). Diese günstigen, chinesischen Modelle werden über die Plattform KeyI angebunden. Nach der Generierung werden alle Videos lokal auf dem Server mit FFmpeg zusammengeschnitten, Text und Audio hinzugefügt, und das Endergebnis auf Google Drive hochgeladen. Zur Veröffentlichung auf Instagram nutzt der Creator Upload Post (20 Euro/Monat für unbegrenzte Posts).

  Wichtige technische Details:

  N8N muss auf einem selbstgehosteten Server laufen (nicht in der Cloud), weil externe Programme wie FFmpeg installiert werden müssen. Der Creator empfiehlt Hostinger (ab 6,99 Euro/Monat) mit Rabattcode „Julian Ivanov” (10% Rabatt). Besonderheiten: Split-Module verarbeiten die fünf Videokonzepte parallel, ein Merge-Modul stellt die richtige Reihenfolge sicher, und spezialisierte Expressions überprüfen, ob alle Items vollständig abgearbeitet wurden (wichtig, da die API manchmal asynchron zurückkommt). Der gesamte Prozess kostet etwa 38 Cent pro Video.

  Scheduling:

  Zeitgesteuerte Trigger erlauben es, Videos alle zwei Tage zu generieren (10 Uhr) und zu veröffentlichen (18 Uhr), mit einem 8-Stunden-Fenster zur manuellen Überprüfung.

  n8n, KeyI, Z Image, CDE 1.5 Pro und Upload Post waren zentrale Tools — Tutorial für fortgeschrittene Nutzer.

Kyle Balmer | AI with Kyle (8 neues Videos)

• Why Betting Against AI Coding Is a Losing Game
  15.1.2026, 16:00:04

  Zusammenfassung

  Der Sprecher argumentiert, dass die Ablehnung von AI-Coding-Tools historisch betrachtet ein verlorenes Spiel ist. Er zieht Parallelen zu früheren technologischen Umbrüchen: Maler lehnten Fotografie ab, Filmfotografen wehrten sich gegen digitale Kameras, traditionelle Komponisten gegen Digital Audio Workstations. Die Aufregung von etablierten Programmierern ist zwar verständlich – sie haben Jahre investiert, um ihre Fähigkeiten zu erwerben – aber die Widerstandsmuster wiederholen sich über alle Industrien hinweg.

  Besonders eindrücklich ist die Chronologie: 2021 konnte AI nicht mal eine Code-Zeile auto-completen, 2022 eine Funktion, 2023 bestand sie keine Coding-Interviews, 2024 konnte sie keine Apps bauen – und jetzt (2025/26) wird argumentiert, dass sie komplexe Projekte nicht architekturieren könne. Das Muster ist klar: Jede Limitation wird als unhintergehbar dargestellt, bis sie überwunden ist, dann folgt die nächste Verschiebung des Einwands.

  Die zentrale These: Das Skill-Ceiling steigt ständig, nicht die Anforderungen verschwinden. Wer als Programmierer im klassischen Job bleibt, läuft Gefahr, besonders als Junior-Entwickler verdrängt zu werden. Wem aber Coding als Verständnis für Architektur und Produktbau dient – und wer diese Fähigkeiten unternehmerisch nutzt, um eigene Produkte zu bauen – hat massive Chancen. Die traditionelle Barriere für Gründer („ich hab die Idee, aber keine Entwickler”) fällt weg; Tools wie Lovable oder Cursor ermöglichen es, von der Idee zum MVP in Stunden zu gehen. Der Sprecher sieht daher zwei Szenarien: Katastrophe für Angestellte im klassischen Programmierjob, transformative Chancen für Unternehmer, die AI nutzen, statt dagegen zu argumentieren.

  Konkrete Tools genannt: Lovable, Cursor, Claude Code (als bester Agent aktuell) — Meinung/Reflexion.

• Today in AI: Angry Vibe Coding Debate, Claude Code Released, Developer Jobs at Risk
  15.1.2026, 05:00:10

  Today in AI: Angry Vibe Coding Debate, Claude Code Released, Developer Jobs at Risk

  Das Video behandelt drei Hauptthemen:

  Vibe Coding – Definition und Kontroverse: Vibe Coding ist ein von Andrej Karpathy (Mitschöpfer von ChatGPT) geprägter Begriff für einen Programmierstil, bei dem man KI-Tools wie Cursor Composer oder Claude Code weitgehend kontrollieren lässt – man beschreibt seine Wünsche, akzeptiert die generierten Code-Änderungen, ohne sie vollständig zu verstehen, und arbeitet sich durch Fehler, indem man Fehlermeldungen einfach wieder an die KI gibt. Der Ansatz funktioniert für kleine Projekte, wird aber problematisch bei fehlender Architektur, wenn die Komplexität wächst. Das hat über 250.000 Menschen polarisiert: Programmierer sind teilweise wütend, weil eine Fähigkeit, die Jahre zu erlernen dauerte, plötzlich demokratisiert wird – vergleichbar mit der historischen Ablehnung von Fotografie durch Maler oder DAWs durch klassische Komponisten. Gleichzeitig ist die Reaktion nachvollziehbar, da es sich anfühlt wie eine existenzielle Bedrohung des Berufs.

  KI-Fortschritt im Coding: Der Sprecher dokumentiert, wie die Skeptiker bei jedem Fortschritt zurückweichen: 2021 „KI kann nicht mal eine Zeile Code auto-complete”, 2022 „okay, eine Zeile, aber keine Funktion”, 2023 „kein Coding Interview”, 2024 „keine Apps”, 2025 „keine komplexen Projekte” – und immer wieder werden neue Grenzen gezogen. Claude Code selbst wurde in anderthalb Wochen entwickelt, komplett mit Claude Code geschrieben. Die zentrale Aussage: „Heute ist das schlechteste KI-System, das du je nutzen wirst” – es wird nur besser.

  Auswirkungen auf Jobs und Chancen: Für klassische Programmierer-Jobs prognostiziert der Sprecher schwierige Jahre. Vibe Coder werden nicht selbst coden lernen müssen, aber der Skill Ceiling steigt – zukünftig braucht es eher „Orchestratoren”, die KI-Agenten leiten. Das könnte bedeuten, dass ein Orchestrator zehn KI-Agenten verwaltet, statt dass zehn Menschen Code schreiben – weniger Arbeitsplätze. Allerdings warnt er auch davor, dass die gesteigerte Produktivität nicht unbedingt zu mehr Nachfrage führt, wenn jeder schnell MVP-Apps bauen kann.

  Für Unternehmer aber: Ist dies ein Goldenes Zeitalter. Mit Tools wie Lovable oder Cursor lässt sich ein MVP in unter einer Stunde realisieren – das klassische Hindernis „Ich habe keine Entwickler” existiert nicht mehr. Die echte Schwierigkeit verlagert sich auf Marketing, Auslieferung und Produktfindung, nicht auf die technische Umsetzung. Der Rat: Wenn du Coder bist und einen Job fürchtest, kombiniere dein Wissen mit unternehmischer Initiative und baue etwas selbst. Wenn du kein Coder bist und eine Idee hast, nutze Claude Code ($200/Monat für die Claude Max-Plan mit ausreichend API-Nutzung) oder günstigere Alternativen.

  Das Video behandelt Claude Code als Haupttool, enthält Meinungen zur Zukunft von Entwicklerjobs und diskutiert die philosophische Frage, ob „echter Code” noch wichtig ist – News-Update mit Meinungs-Komponente zum Status quo von KI-gestütztem Programmieren.

• 3 Moves to Make Before AI Takes Your Job
  14.1.2026, 17:00:03

  Zusammenfassung: 3 Moves to Make Before AI Takes Your Job

  Der Sprecher präsentiert drei konkrete Handlungen zur Vorbereitung auf mögliche Job-Verluste durch AI:

  1. Geografischer Umzug: Wer sich darauf vorbereiten will, sollte überdenken, wo er oder sie leben möchte, falls korporative Jobs wegfallen. Das Kriterium sind vier Fragen: Werteabstimmung, Klima und Wetter, Lebensstil und Lebenstempo, sowie Lebenshaltungskosten. Der Sprecher ist von London nach Zypern gezogen, wo die niedrigeren Kosten es erlauben, tatsächlich Geld zu sparen statt nur zu überleben. Ein Umzug muss nicht ins Ausland gehen – eine andere Stadt im selben Land reicht auch, wenn die Ausgaben sinken.

  2. Investitionen und Rücklagen bilden: Geld sparen und immer unter seinen Verhältnissen leben – wer 80.000 verdient, sollte wie jemand mit 60.000 leben und die Differenz weglegen. Vermögensaufbau durch Aktien, Anleihen, Immobilien, ETFs oder Indexfonds schafft einen Puffer gegen Chaos. Der Sprecher warnt jedoch vor einer bevorstehenden Marktkorrektur, da zu viel spekulative Investitionen ins AI-Feld fließen, die sich möglicherweise nicht amortisieren. Geld in Wertpapieren braucht Zeit und sollte nicht in Panik verkauft werden.

  3. Karriere in zukunftsfähigen Bereichen: Als sichere Jobs nennt der Sprecher vor allem die Aufmerksamkeitsökonomie und Content-Creation. Wichtig ist die Unterscheidung: Ein Content Creator nutzt Aufmerksamkeit, um ein Business zu betreiben, während ein Influencer hauptsächlich vom direkten Aufmerksamkeitserwerb lebt (Sponsorings, Anzeigeneinnahmen). Der Sprecher betont, dass die Aufmerksamkeitsökonomie „Winner-take-most” funktioniert und stark vom Glück abhängt – nicht nur von Arbeit.

  Das Video ist eine persönliche Perspektive mit praktischen Ratschlägen, basiert aber auf den Ideen von David Shapiro; kein spezifisches AI-Tool oder Anbieter wird thematisiert – Meinung/Reflexion.

• Today in AI: Apple Uses Google Gemini, Claude Code for Everyone, AI Future Prep Tips
  14.1.2026, 05:01:04

  Zusammenfassung: Today in AI

  Apple-Google-Deal: Apple wird Google Gemini als Grundlage für zukünftige Apple-Modelle und eine verbesserte Siri nutzen. Dies ist ein massiver Strategiewechsel für Apple, das seine Ökosysteme historisch geschlossen hielt. Der Sprecher bewertet dies als Eingeständnis, dass Apple bei KI-Entwicklung gescheitert ist – trotz jahrelanger Spekulationen, dass das Unternehmen an etwas Großem arbeite. Apple Intelligence soll weiterhin auf Geräten und durch Private Cloud Compute laufen, was Datenschutz versprechen soll, aber laut Sprecher für Konsumenten weniger relevant ist als die Leistung (Chat GPT hat ~900 Millionen Nutzer, obwohl es keine Privatspähre-Schwerpunkt hat).

  Claude Cowork: Anthropic veröffentlichte Cowork – eine Version von Claude Code für nicht-technische Nutzer. Es ermöglicht Zugriff auf Ordner, Dateibearbeitung, Planerstellung und Verbindung zu Tools wie Google Docs. Cowork wurde in 1,5 Wochen von Claude Code selbst entwickelt und zeigt dessen Leistung. Allerdings ist Cowork derzeit nur für Claude Max Abonnenten ($200/Monat) verfügbar, was die Zugänglichkeit stark begrenzt. Ein Google-Principal-Engineer berichtete, dass Claude Code ein Problem in einer Stunde löste, das Google ein Jahr lang nicht gelöst hatte.

  Vorbereitung auf AI-Jobverlust (David Shapiro): Der Sprecher fasst vier strategische Bereiche zusammen, um sich auf AI-bedingte Jobverluste vorzubereiten:

  • Location-Strategie: Auswandern oder umziehen an Orte mit niedriger Lebenshaltungskosten und besserer Lebensqualität (z.B. Zypern statt London)
  • Finanzielle Puffer: Immer unter seinen Verhältnissen leben und Ersparnisse aufbauen; ETFs und Index-Fonds erwägen, aber Marktkorrektur einkalkulieren
  • Sichere Berufsfelder: Aufmerksamkeitswirtschaft (Content Creation mit Business-Backend), Erlebniswirtschaft (in-Person-Dienstleistungen), Authentizitätswirtschaft (persönliche Marke, Gesicht des Geschäfts), Bedeutungswirtschaft (Coaches, Philosophen, Menschen durch Übergänge helfen)

  Manus-Deal unter Druck: Die Übernahme von Manus durch Meta gerät unter Druck, da China die Transaktion untersucht – ein Zeichen zunehmender KI-Regulierung in China. Gleichzeitig ist Cowork ein möglicher Wettbewerbsvorteil, der Manus-Bewertung fragwürdig macht.

  Perplexity-Kontext: Der Sprecher erklärt, dass Perplexity heute weniger relevant ist, da Claude, Gemini und Chat GPT inzwischen Web-Suche integriert haben – Perplexitys ursprünglicher Vorteil.

  Weitere Punkte: Microsoft Copilot ist trotz GPT-4.5-Basis schwach durch Einschränkungen; Amazon macht KI-Fortschritte, aber nicht für Konsumenten sichtbar; Google hat durch DeepMind-Akquisition einen Vorteil. Der Sprecher wirbt für seine kostenlosen KI-Ressourcen (AI-Canvas mit Fundamentals, 10-Wochen-Kurs, 100+ Playbooks) und ein AI-Workshop-Masterprogramm zum Verdienenst ($2000/Stunde mit Unternehmen).

  Format: News-Update mit Live-Stream-Elementen (Q&A, persönliche Erfahrungen); die Thematisierung von Claude Code, Claude Cowork und Gemini steht im Mittelpunkt.

• The Free AI Course Most People Don’t Know About
  13.1.2026, 17:00:18

  Das Video stellt das “AI Cannon” vor – eine Sammlung von Grundlagenmaterialien zum Lernen über künstliche Intelligenz, ursprünglich zusammengestellt von Andreessen Horowitz. Der Autor hat diese Ressourcen auf seiner Website zugänglich gemacht und neu organisiert.

  Das Curriculum umfasst mehrere Stufen: Zunächst eine sanfte Einführung mit Inhalten von Andre Karpathy, Stephen Wolfram und anderen zu Themen wie Transformern und Stable Diffusion. Dann folgt Foundational Learning mit kostenlosen Kursen wie “Practical Deep Learning for Coders” von Jeremy Howard. Darauf aufbauend gibt es praktische Inhalte zum Selberbauen von großen Sprachmodellen. Am Ende stehen Archiv-Paper – die Grundlagendokumente des Feldes, beginnend mit “Attention is All You Need” (2017, Anm: im Transcript 2014 genannt) bis hin zu BERT.

  Die Besonderheit: Statt nur zu lesen, lassen sich über integrierte “Learn with AI”-Funktionen die Materialien mit ChatGPT oder Claude durcharbeiten. Man kann ChatGPT etwa auffordern, einen Artikel zu erklären, in einen Tutor-Modus wechseln oder sein Verständnis testen – das Prompting ist jeweils vorausgefüllt. Dies soll tieferes Verständnis fördern, statt nur Papers oberflächlich zu lesen.

  Zugang: awithkyle.com/AI cannon (kostenlos, mit optionaler Tracking-Funktion).

  Meinung/Reflexion zu einer Lernressource mit ChatGPT und Claude als integrierte Lernwerkzeuge.

• Today in AI: Anthropic Pulls Claude Code Access, Elon’s Team Caught Using Claude, AI Drone Rescue
  13.1.2026, 05:00:22

  Today in AI: Anthropic Pulls Claude Code Access, Elon’s Team Caught Using Claude, AI Drone Rescue

  Anthropic restricts Claude Code access: Anthropic hat dritte Anwendungen (wie Open Code) blockiert, die Nutzer erlaubten, ihre günstigen $200/Monat Claude-Abos statt der teureren API zu nutzen. Claude Code ist derzeit das beste Coding-Modell und wird als Werkzeug auch von Anthropics Konkurrenten genutzt – Anthropic sagt jetzt: Nein, das machen wir nicht mehr mit. Das ist zwar technisch im Terms of Service verboten (wie bei allen großen Modellen), wurde aber erst jetzt durchgesetzt.

  Elon Musks Team nutzt Claude statt Grok: xAI-Mitarbeiter waren intern über Cursor auf Anthropics Claude angewiesen, um Grok zu verbessern – nicht umgekehrt. Co-Founder Tony Wu gab zu, dass sie jetzt ihre eigenen Coding-Tools entwickeln müssen. Das ist ein großer Gesichtsverlust für Elon Musk, der öffentlich behauptet hatte, sie würden Grok nutzen.

  OpenAI springt ein: ChatGPT kündigte an, offen für Ökosystem-Integration zu bleiben und nie wie Anthropic agieren zu wollen – eine einfache Position für den Marktführer, der hinter Claude Code liegt.

  Manus: KI-gestützte Slide-Generierung: Google’s Manus (vor Weihnachten launched, wurde später von Meta gekauft) erzeugt Präsentationen basierend auf Inhalten und erlaubt direkte Bearbeitung – Text, Bilder und Elemente können selektiv verändert werden, ohne dass die ganze Folie durcheinander gerät.

  Vibe Coding wird mainstream: Linus Torvalds (Linux-Schöpfer) nutzt jetzt Google Anti-Gravity zum Code schreiben und sagt, das Ergebnis ist besser als das, was er von Hand schreiben könnte – auch wenn es nur ein Hobby-Projekt (Guitar-Pedal-Software) ist. Das zeigt, dass selbst legendäre Programmierer KI-generierte Code-Qualität anerkennen.

  MRI-Viewer-Beispiel: Ein Shopify-CEO baute mit Claude Code einen HTML-basierten MRI-Viewer, der besser funktioniert als kommerzielle Medical-Software – als Hobby-Projekt. Das zeigt die Kraft: Idee → Claude Code → funktionierendes Produkt in Minuten.

  ChatGPT Health: OpenAI brachte ein Tool, das medizinische Daten zentral sammelt (bisher verstreut) und Muster erkennen kann – bietet Chancen (holistische Gesundheitssicht) und Risiken (Datenschutz bei OpenAI).

  AI für Bergrettung: Drohnen mit KI-Bildanalyse wurden in Italien eingesetzt, um einen vermissten 66-Jährigen zu finden. Die Person starb, aber die KI half, die Leiche zu lokalisieren – positive Nutzung von KI-Technologie für Rettungseinsätze.

  Launch Lemonade Partnership: Der Moderator arbeitet jetzt mit Gründerin Shen Solon zusammen, um No-Code-AI-Agent-Building für Nicht-Techniker zugänglich zu machen. Ziel: 1 Million Menschen „AI ready” bis 2030.

  AI Canon Ressource: Moderator baute einen frei zugänglichen, kurierten Überblick über Fundamentalliteratur in KI (von Andreessen Horowitz), mit Integration von „Learn with AI”-Prompts für ChatGPT/Claude, um die Materialien interaktiv zu durchdringen.

  News-Update mit mehreren Stories zu Claude Code, xAI, Vibe Coding und praktischen AI-Anwendungen; thematisiert Anthropic, OpenAI, Google, claudeCode, Lovable, Launch Lemonade.

• The Best Free Resources to Actually Learn AI in 2025
  12.1.2026, 17:00:55

  Das Video stellt kostenlose Ressourcen vor, um 2025 AI zu lernen, und thematisiert zunächst, dass Bücher über AI schnell veralten, aber zwei Werke empfohlen werden: Steven Wolframs “What is Chat GPT doing and Why Does It Work?” (kostenlos auf seiner Website, trotz mathematischer Anmutung verständlich aufgebaut) und Ronald Kneusels “How AI Works from Sorcery to Science” (technisch, aber zugänglich für Laien).

  Als Hauptressource für strukturiertes Lernen wird deeplearning.ai genannt – eine Plattform mit hunderten kostenlosen, mehrstündigen Kursen; für Anfänger wird speziell der vierstündige Kurs “Generative AI for Everyone” empfohlen, der die Grundlagen generativer KI einschließlich großer Sprachmodelle und ChatGPT vermittelt. Die Plattform war früher auf Coursera, ist nun direkt erreichbar; eine optionale Mitgliedschaft existiert hauptsächlich für Community und Zertifikate, der Kurszugang selbst ist kostenlos.

  Ein Kerngedanke ist, dass nicht alle AI-Lernen als eigene Modelle bauen müssen: Der Sprecher präsentiert ein Rahmenwerk der “acht Levels of AI”, das von “erstem Kontakt mit ChatGPT” bis zu “ML-Engineer in der Forschung” reicht. Für die meisten Menschen seien die mittleren Stufen (Effective User, Power User, Coder, Integrator, Builder) ausreichend und sinnvoll, ohne ein Mathematik- oder ML-Degree zu erfordern. Auf der Website aiWithKyle.com wird dieses Levels-Framework bereitgestellt, inklusive eines interaktiven Tools, das den aktuellen und Ziel-Level ermittelt und einen personalisierten Lernplan mit Ressourcen erstellt.

  Das Video behandelt Deep Learning AI und die acht Level-Architektur, verzichtet aber auf spezifische andere AI-Tool-Nennungen – eine Meinung/Reflexion mit Empfehlungen zur Lernstruktur.

• 2026 AI Learning Roadmap, Free Resources to Master AI, How to Turn That into Profit
  12.1.2026, 05:01:19

  Zusammenfassung: 2026 AI Learning Roadmap

  Der Creator hat eine strukturierte Lernroadmap zusammengestellt, um sich fundiertes Wissen über Künstliche Intelligenz anzueignen – besonders wichtig, wenn man AI in Workshops und Schulungen anderen Menschen vermitteln möchte. Er verdeutlicht zunächst, dass tiefes technisches Verständnis nicht zwingend erforderlich ist, um AI produktiv zu nutzen, aber für Bildungszwecke und zur Unterscheidung zwischen Möglichkeiten und Unmöglichkeiten wertvoll ist.

  Kernressourcen nach Lernpfad:

  Anfänger-Videos: “Casually Explained: The Levels of AI” und Exurbia-Videos bieten unterhaltsame Einstiege.

  Vertiefung: Die “Neural Networks”-Playlist von 3Blue1Brown (9 Videos, ~1-2 Stunden) erklärt Neuronale Netze und Large Language Models intuitiv, startet mit dem 7-Minuten-Video “Large Language Models Explained Briefly”.

  Hauptkurs: André Karpathy’s Trilogy – “Intro to Large Language Models” (1 Stunde), “Deep Dive into LLMs like ChatGPT” (3,5 Stunden), “How I use LLMs” – insgesamt 5-6,5 Stunden. Karpathy war Co-Creator von ChatGPT und erklärt hochwertig.

  Zusätzliche Hilfsmittel: Notebook LM (Google) kann alle Video- und Textressourcen analysieren und automatisch Quizze, Flashcards, Podcasts, Zusammenfassungen und Infografiken generieren – ermöglicht multimodales Lernen.

  Bücher: “What is ChatGPT Doing and Why Does It Work?” (Steven Wolfram, kostenlos online) und “How AI Works” (Roland Nucil).

  Strukturierte Kurse: DeepLearning.ai bietet hunderte Kurse kostenlos; Einstieg mit “Generative AI for Everyone” (3 Stunden).

  Forschungsressourcen: Der “AI Canon” von Andreessen Horowitz sammelt Foundational Papers und Lectures, ist aber nicht für Anfänger geeignet; der Creator plant eine benutzerfreundlichere Version.

  Acht Stufen des AI-Lernens: Vom “First Contact” (ChatGPT gerade geöffnet) bis “Research” (eigene Modelle bauen). Die meisten Menschen benötigen nicht die höchsten Stufen; Integration und Custom-Building (Level 5-6) sind praktisch ausreichend.

  Für aktuelle News: Signalquellen mit wenig Hype sind Nate B. Jones (TikTok, Substack), Ethan Mollick (“One Useful Thing” Substack), Simon (Blog), Rundown AI und der Creator selbst (aiwithkyle.com Newsletter + tägliche Show).

  Geschäftsperspektive: Der Creator unterrichtet Unternehmen in AI-Anwendung für etwa 2.000 Dollar pro Stunde. Empfehlung für Anfänger: kostenlosen Workshop erst bei Charities/Nonprofits geben, um Praxis zu sammeln, ohne später die eigenen Preise zu untergraben.

  Zentrale Botschaft: Selbst Experten wie Karpathy fühlen sich durch die Geschwindigkeit der AI-Entwicklung überfordert. Jeder kann sich durch aktives Engagement auszeichnen. Die ethische Aufgabe der Early Adopters ist, die breite Bevölkerung AI-ready zu machen, um den Schaden durch disruptive Übergangsphasen zu minimieren.

  Gesamtübersicht: Das Video kombiniert konkrete Videoressourcen (3Blue1Brown, Karpathy, kostenlose Kurse), praktische Lernmethoden (Notebook LM als Multiplikator), und vermittelt ein Verständnis, dass nicht jeder Deep Learning Engineer werden muss – eine Meinung/Reflexion mit Bildungsroadmap-Elementen für mittleres Lernlevel, mit Notebook LM als zentral erwähntes Tool.

Leon van Zyl (1 neues Video)

• Stop Using Claude Code Like This (Use Sub-Agents Instead)
  14.1.2026, 13:00:51

  Zusammenfassung: Sub-Agents in Claude Code

  Das Video zeigt, wie Sub-Agents (Unter-Agenten) in Claude Code effektiv eingesetzt werden, um komplexe Projekte zu realisieren und die begrenzte Kontextfenster-Größe zu schützen.

  Verfügbare Built-in Agents

  Claude Code hat Zugriff auf mehrere spezialisierte Agenten: einen Bash-Agent für Terminal-Befehle, einen General-Purpose-Agent für komplexe Recherchen, einen Explore-Agent (nutzt Haiku) zum schnellen Code-Durchsuchen, einen Planning-Agent zur Projektplanung und einen Claude Code Guide-Agent für Feature-Fragen. Agenten können direkt mit dem @-Symbol aufgerufen oder über Ctrl+B im Hintergrund ausgeführt werden.

  Warum Sub-Agents Wichtig Sind

  Der Hauptgrund: Kontextfenster-Management. Claude verfügt über ein Kontextfenster von 200.000 Token. Wenn dieses aufgebraucht ist, löscht Claude alte Nachrichten und verliert kritischen Kontext. Sub-Agents laufen in ihren eigenen Kontextfenstern, sodass deren Token-Nutzung die Hauptkonversation nicht belastet. Ein Sub-Agent kann 50.000 Token verbrauchen, ohne den Hauptagenten zu beeinflussen.

  Eigene Agenten Erstellen

  Mit dem /agents-Befehl können benutzerdefinierte Agenten erstellt werden. Dabei definiert man:

  • Eine Beschreibung (z.B. „erfahrener UI/UX-Designer mit 20 Jahren Erfahrung”)
  • Verfügbare Tools
  • Das Modell (Sonnet, Opus oder Haiku)
  • Eine Farbe zur Identifikation

  Im gezeigten Beispiel wurden drei Agenten erstellt: ein UI Expert für Neo-Brutalism-Design, ein Coder für qualitätshohe Code-Implementierung und ein Code Reviewer für Code-Reviews.

  Workflow für Komplexe Projekte

  Der empfohlene Prozess:

  1. Planning Mode: Mehrere Planning-Agents parallel einsetzen, um die Implementierung zu planen (nicht der Hauptagent)
  2. Detaillierter Spec: Der Hauptagent koordiniert, dass Sub-Agents parallel ein Implementierungs-Dokument in Phasen schreiben
  3. Parallele Entwicklung: Der Hauptagent orchestriert Coder-Agents für verschiedene „Tracks” (voneinander unabhängige Phasen), gefolgt von Code-Review-Agents
  4. Feedback-Zyklus: Code Reviewer geben Feedback an Coder, bis alles korrekt ist
  5. Finale Reviews: Mehrere Review-Agents prüfen die Anwendung aus verschiedenen Perspektiven

  Praktisches Beispiel: To-Do-App

  Eine vollständige Kanban-Board-App mit Benutzer-Authentifizierung (Auth-Bibliothek), PostgreSQL-Datenbank (Drizzle ORM) und Cloud-Sync wurde implementiert. Der Prozess nutzte parallele Coder- und Review-Agents für verschiedene Features (Kanban-Board, Kalenderansicht, Filterung). Result: Funktionierende App bei nur 68% Kontextfenster-Nutzung. Ohne Sub-Agents hätte der Hauptagent vermutlich bei Phase 8-9 kompaktieren müssen und kritischen Kontext verloren.

  Der Schlüssel: Den Hauptagent nicht als Ausführer, sondern als Koordinator verwenden.

  Explizite Tools/Modelle: Claude Code mit verschiedenen Claude-Modellen (Opus, Sonnet, Haiku), Docker Compose, Drizzle ORM, Better Auth — Tutorial/Demo mit praktischem Workflow für agentic Coding.

Liam Ottley (2 neues Videos)

• How to Automate Your Work with Claude Code (Beginner Breakdown)
  14.1.2026, 08:10:27

  Zusammenfassung:

  Das Video zeigt einen Anfängerleitfaden zum Automatisieren von Aufgaben mit Claude Code. Der Experte PD Yang erklärt, dass Claude Code trotz beängstigender Optik eigentlich ein benutzerfreundlicher Agent ist – man chattet einfach mit einer KI, die Dinge für einen erledigt.

  Die praktische Methode hat vier Schritte: (1) verschiedene Lösungen mit Claude erkunden, (2) einen detaillierten Plan/Spec schreiben, (3) Claude die Umsetzung überlassen, (4) Ergebnisse überprüfen und iterieren.

  Als konkretes Beispiel wird ein YouTube-Recherche-Tool gebaut. Nach Installation über Terminal wird Claude Code entweder im Terminal oder über die Cursor-Oberfläche (ein populärer Editor für AI-Arbeit) verwendet. Man definiert einen /YouTube-Befehl, den man später einfach mit Kanalnamen aufruft. Claude schlägt zunächst verschiedene Ansätze vor (YouTube API, Web Scraping, Third-Party Services), und man kann auf einfachere Alternativen wie YouTube-dlp hinweisen. Entscheidend ist die Spec-Phase: Man nutzt Shift+Tab für Plan-Modus (nicht sofort Code-Ausführung) und schreibt klare Anforderungen in Englisch auf – AI macht dann 70–80% der Arbeit aus Planung, nicht Coding. Die Spec wird verfeinert, dann implementiert Claude automatisch ein funktionierendes Recherche-Tool, das Top-Videos, View-Counts und Key-Insights ausgibt. Anschließend erweitert man es (z. B. mehrere Kanäle auf einmal analysieren, über WhisperFlow via Sprache steuern), wodurch sich Funktionen schichtweise aufbauen lassen.

  Die Kernbotschaft: Jeder sollte sein nervigste, zeitraubende Aufgabe identifizieren und fragen, ob man sie automatisieren kann – das ist jetzt für jeden zugänglich. Im Ausblick wird diskutiert, dass solche personalisierten Agenten künftig möglicherweise etablierte Software-Anwendungen verdrängen könnten, da sie hyperindividuell trainiert sind.

  Claude Code (Anthropic) mit Cursor als Editor; Tutorial-Format, anfängerfreundlich.

• Every Way To Get Rich With AI in 2026 (Explained in 10mins)
  12.1.2026, 07:19:40

  Zusammenfassung: Every Way To Get Rich With AI in 2026

  Das Video präsentiert neun konkrete Geschäftsmodelle, um mit AI Geld zu verdienen:

  1. Instant Website Flipper: Mit Tools wie Aura.build alte Unternehmenswebsites neu designen. Man kopiert den Inhalt bestehender Seiten, lässt AI die komplette Neugestaltung übernehmen (95% der Arbeit in ~2 Minuten) und verkauft das fertige Produkt für ~500 Euro. Upselling durch AI-Chatbots und Custom-Tools ist möglich.

  2. AI Auditor: Geschäftsinhaber sind überfordert von der Toolvielfalt. Man bietet an, ihr Business zu analysieren (60-Minuten-Interview über Schmerzpunkte), liefert dann einen Report mit 3–5 passenden AI-Tools. Start mit kostenlosen Audits für Testimonials, dann Preisaufbau auf 500–5.000+ Euro.

  3. Viral Video Engineer: Mit AI-Tools wie Sora 2 und VO3 hochwertige Video-Ads aus Textbeschreibungen generieren. Keine Kameras, Schauspieler oder Crew nötig. Geschäftsmodell: 30 custom Videos für 1.000 Euro (an einem Nachmittag generierbar, hohe Margen).

  4. AI Automation Agency: Das „S-Tier”-Modell. Man startet mit einzelnen Services (Website-Flipper, Audits), baut Trust auf und klettert die Value-Ladder: erst Strategist/Consultant, dann Development (mit No-Code-Tools oder fremde Developer). Basis für generationenübergreifenden Wohlstand.

  5. Digital Twin Creator: Mit 2–5 Minuten Videomaterial von Gründern/Creatoren (z.B. über HeyGen) einen photorealistischen AI-Avatar mit geklonter Stimme erstellen. Der Avatar kann endlos Social-Content, Produktdemos und Kurse produzieren – ohne Zeitaufwand der Originalerson.

  6. AI Trainer: Unternehmen zahlen dafür, dass ihre Teams ChatGPT und Claude richtig nutzen lernen. Man startet mit kostenlosen Workshops (für Testimonials), zeigt Live-Automatisierung manueller Aufgaben und verkauft danach High-Ticket-Services (Consulting, Development) an 70% der trainierten Unternehmen.

  7. Upwork AI Freelancer: Auf Upwork AI-Fachkompetenz anbieten (z.B. AI Automation). Start mit niedriger Bezahlung und Fünf-Stern-Bewertungen sammeln, dann langsam Preise erhöhen. Pro-Tipp: Kurze Proposal mit Loom-Video statt nur Text.

  8. Voice AI Architect: Mit Plattformen wie 11 Labs AI-Receptionisten für lokale Unternehmen bauen (die keine Anrufe verpassen). Scrape Website-Infos, baue Demo-Agent, zeige Live-Demo. Einstiegs-Offer: einfaches Call-Filtering-System, dann Upsell zu weiteren AI-Voice-Services.

  9. SaaS Killer: Mit AI-Tools wie Claude Code Custom-All-in-One-Software bauen, die zahlreiche einzelne SaaS-Tools ersetzen. Einmalige Gebühr ~15.000 Euro. Für Agenturen: 40.000–60.000 Euro pro Monat möglich.

  Der Sprecher erwähnt mehrfach Podcasts und Deep-Dives auf seinem Channel und verlinkt einen kostenlosen AI-Business-Kurs für Anfänger.

  Thematisierte Tools: Aura.build, Sora 2, VO3, HeyGen, 11 Labs, Claude Code, Upwork; Format: Meinung/Reflexion mit Demo-Elementen.

Mark Kashef (2 neues Videos)

• Claude Code Just Built Me My Own NotebookLM (and made it way better)
  15.1.2026, 19:00:04

  Der Creator hat mit Claude Code von Grund auf ein eigenes NotebookLM gebaut – und eine erweiterte Version mit zusätzlichen Funktionen geschaffen. Das selbstgebaute Tool repliziert alle Standardfunktionen von NotebookLM (Podcast-Generierung, Videos, Flashcards, Quizze, Study Guides) und fügt API-Zugriff, exportierbare Assets und konfigurierbare KI-Persönlichkeiten hinzu.

  Die technische Architektur basiert auf:

  • Frontend/Hosting: Next.js, Vercel
  • Datenbank & Authentifizierung: Supabase (auch für Vector-Storage und Dateispeicher)
  • KI-Modelle: Gemini 2.0 Flash / 2.5 Pro für Text, Gemini Text-to-Speech für Podcasts, Alibaba’s Qwen-Modell für Videos (deutlich günstiger als Gemini Veo), Gemini File Search API für RAG
  • API-Framework: Fast API mit 50 Endpoints für externe Integration
  • Infografiken: Bildgenerierungs-API (Nano Banana)

  Kernfeatures im Detail:

  Der Podcast funktioniert über Gemini 2.5 Pro (erzeugt Skript zwischen zwei Sprechern), dann Gemini Text-to-Speech im Multi-Speaker-Modus. Videos werden als 5-10 Sekunden-Clips mit generierten Szenen-Beschreibungen über die Alibaba-API produziert. Study Materials (Flashcards, Quiz, Mindmaps) nutzen Gemini 2.0 Flash und speichern Fortschritt in Supabase. Alle Outputs können als JSON transformiert und in PowerPoint/Excel/DOCX exportiert werden. Die App unterstützt Download des gesamten Notebooks als ZIP-Datei.

  Besonderheiten: Der Creator betont, dass jede Funktion iterativ in separaten Claude-Sessions gebaut wurde – kein „One-Shot-Prompt” für die ganze App. Er stellt ausführliche PRD-Dokumentation bereit (Vision Document, Project Spec, Implementation Guide) mit ASCII-Diagrammen und strukturierten Prompts. Der Build kostet bei größerer Nutzung (besonders Video), lässt sich aber mit kostenlosen Tiers von Supabase, Vercel und Gemini starten. Wichtige Praktiken: inkrementelle Git-Commits, Tests gegen echte APIs (nicht nur Fake Data), Competitor-Analyse per Browser-Automation.

  Prompt-Strategien: Der Creator empfiehlt, Claude mit Kontext-Tiefe zu füttern (nicht nur Feature-Listen), Checklisten nutzen, um über Context-Window-Grenzen hinweg Fortschritt zu tracken, und Features einzeln zu bauen. Er warnt vor „lazy prompting” bei Bugs – stattdessen sollte man Current/Expected Behavior und Reproduktionsschritte explizit nennen.

  Claude Code, Demo, Tutorial — kein spezifischer KI-Anbieter sondern ein praktischer Tiefstieg in selbstgebaute Full-Stack-KI-Apps.

• Anthropic Just Dropped Claude Code for Everyone (Claude Cowork)
  13.1.2026, 14:00:43

  Anthropic hat Claude Cowork veröffentlicht – ein neues Tab-Interface innerhalb von Claude Code, das die Terminal-freie Alternative für Nutzer darstellt, die sich vor Kommandozeilen fürchten. Cowork ist aktuell für alle Claude Code Max-Plan-Nutzer verfügbar und bietet vorgefertigte Templates für häufige Aufgaben: Dateien erstellen, Daten analysieren (Crunch Data), Prototypen bauen (Vibecodeing), Nachrichten verfassen und Dateiorganisation.

  Das System funktioniert durch Pre-Prompts und interaktive Multiple-Choice-Fragen: Beim „Crunch Data”-Feature wählst du einen Ordner, stellst eine Frage (z.B. „Analysiere alle CSVs”), und Claude fragt dich nach deinen Vorlieben (visuelle Form, Detailtiefe), bevor es einen Aktionsplan vorschlägt. Im Demo-Beispiel generierte es in fünf Minuten ein interaktives HTML-Dashboard aus zehn CSV-Dateien zu Weltdemografien – inklusive Styling und Interaktivität. Das Interface zeigt Echtzeit-Fortschritts-Updates statt nur einer To-Do-Liste wie in klassischem Claude Code.

  Ein zweites Beispiel war die Dateiorganisation: Das Tool plant zunächst, wie es die Downloads-Ordner strukturieren würde (Markdown-Plan), fragt dann zur Bestätigung, und führt die Änderungen durch – als „Turnkey-Wizard” ohne technische Hürden. Der Autor zeigte auch, dass Cowork Browser-Interaktionen via Claude-und-Chrome-Connector ermöglicht (um HTML-Dashboards zu testen), wobei das System manchmal „overengineering”-Lösungen versuchte (z.B. mehrfaches Laden in Webseiten statt direktes Browser-Öffnen), was sich aber durch User-Feedback korrigierte.

  Das Fazit: Cowork fungiert als Gateway zur Claude-Code-Welt für Nicht-Techniker – ein psychologisches Trittbrett zwischen reiner Chat-Nutzung und dem vollständigen Terminal-basierten Code-Environment. Es soll frustrierten Kollegen und Consultants zeigen, was möglich ist, ohne sie zu überfordern, und macht Claude Code dadurch als Produkt „stickier”, indem es die Abhängigkeit in den Alltag integriert.

  Claude Code (Anthropic) wurde thematisiert; Demo mit Fokus auf Nutzungs-Workflow.

Matt Pocock (3 neues Videos)

• LIVE: Chat with AI Coding Wizard Dex Horthy
  17.1.2026, 05:20:46

  Dex Horthy und Matt Pocock diskutieren in dieser Live-Session, wie man KI-Coding-Agenten praktisch in Organisationen einsetzt. Der zentrale Fokus liegt auf der „Ralphing”-Methode — ein Kontrollschleifen-Ansatz, der inspierativ aus dem Kubernetes-Ökosystem stammt und kontinuierlich zwischen dem Ist-Zustand (Source Code) und dem Soll-Zustand (Spezifikation) arbeitet.

  Kernkonzepte:

  Dex erklärt die „dumb zone” und „smart zone” im Kontext-Fenster: Die Modellqualität sinkt quadratisch mit der Tokenlänge, daher sollte man den Kontext klein halten — ideale Nutzung liegt bei etwa 40 Prozent der verfügbaren Fenster. Die zentrale Strategie ist Task-Sizing: Aufgaben sollten so klein sein, dass man nach jeder Iteration die Tests ausführen und das Ergebnis überprüfen kann.

  Praktische Umsetzung:

  Dex zeigt ein Beispiel aus der Praxis: Ein React-Refactoring-Projekt mit automatischer Lint-Loop über sechs Stunden. Ralph läuft in einer bash-Schleife, bis man es manuell stoppt oder eine maximale Iterationszahl erreicht wird. Er warnt vor zu großen PR-Größen (20.000 Zeilen führten zu Merge-Konflikten) und empfiehlt stattdessen kleinere nächtliche Läufe über GitHub Actions.

  Planungsweisheit:

  Beide betonen, dass klassische Engineering-Literatur (The Pragmatic Programmer, tracer bullets, learning tests) heute aktueller denn je ist. Tracer Bullets — kleine, vollständig durch alle Layer gehende Änderungen — sollten das Modell leiten. Learning Tests gegen externe APIs sind essentiell, um Kontrakte zu verifizieren.

  Organisatorische Integration:

  Die Empfehlung für Anfänger: Beginnt mit gut definierten, kleinen Loops auf einem GCP-VM, beobachtet die Emergenz, versteht die Theorie statt nur das Tool zu nutzen. Sicherheit ist kritisch — untrusted input (Community-Issues) muss vor Übergabe an den Agenten gefiltert werden.

  Dex arbeitet an Code Layer — einem Open-Source-IDE für parallele Cloud-Code-Sessions, das auf diesen Erkenntnissen aufbaut und Workflows nun in sechs statt drei Schritten gliedert, um bessere Kontrollierbarkeit zu erreichen.

  Claude, Open-Source-IDE (Code Layer) explizit erwähnt; Live-Q&A mit praktischen Demos und Diagrammen.

• I was an AI skeptic. Then I tried plan mode
  15.1.2026, 16:31:33

  Der Autor beschreibt seine Transformation vom AI-Skeptiker zum Befürworter durch die Entdeckung von Plan Mode. Anfangs glaubte er nicht, dass KI-Tools anständigen Code in seiner Geschwindigkeit schreiben oder seinen Codebase verstehen könnten — bis er Plan Mode in Claude Code ausprobierte.

  Plan Mode funktioniert, indem die Schreibfunktion des KI-Agenten deaktiviert wird. Der Agent erkundet stattdessen das Codebase, sammelt relevante Informationen und erstellt einen detaillierten Plan, bevor er Änderungen vornimmt. Nach der Planung folgt ein Zyklus: Plan erstellen, ausführen, testen, committen und neu beginnen.

  Der Autor argumentiert, dass dieser Planungsschritt entscheidend ist — aus zwei Gründen: Erstens laden Plans die Kontextfenster des LLM mit relevanten Informationen und helfen dem Agenten, Codemuster zu verstehen (oft nutzt Claude Code dafür ein kostengünstiges Modell). Zweitens erzwingt die Planung beim Entwickler selbst Klarheit über die Anforderungen — ähnlich wie “Rubber Ducking”, das Durchsprechen mit jemandem. Ohne diese Iteration könnten sowohl KI als auch Mensch verwirrt über das tatsächliche Ziel sein.

  Anhand eines echten Beispiels (ein Datenbankbug im Course Video Manager) zeigt er, wie der Agent erkundet, Fragen stellt und iterativ einen Plan mit dem Autor verfeinert, bevor die Implementierung erfolgt. Konkrete Tipps: Im claw.md sollte man festlegen, dass der Plan “extrem prägnant” sein soll, dabei Grammatik für Kürze opfern, und am Ende ungelöste Fragen auflisten.

  Auf den Einwand “Das ist doch langsamer als selbst coden” antwortet der Autor: Bei großen Änderungen und in fremden Codebases oder Programmiersprachen hat Plan Mode großen Wert. Speed-Vorteile des Menschen werden langfristig durch schnellere Tools aufgelöst; stattdessen sollte man KI-Fähigkeiten und -Grenzen verstehen lernen.

  Claude Code mit Plan Mode (Feature-Demo und Reflexion).

• Frontend is HARDER for AI than backend (here’s how to fix it)
  12.1.2026, 15:11:03

  Zusammenfassung

  Das zentrale Problem: KI-Sprachmodelle schreiben deutlich besseren Backend-Code als Frontend-Code. Der Grund liegt in den unterschiedlichen Feedback-Schleifen. Backend-Entwicklung funktioniert textbasiert — Code wird durch Unit Tests, Linting und Type Checking validiert, alle Ausgaben sind Text. LLMs sind darin hervorragend. Frontend erfordert aber visuelle Feedback: Man schreibt Code, schaut sich die UI an, passt an, testet Animationen, versteht durch Design-Sense, wie Dinge zusammenpassen. Das ist überwiegend visuell, nicht textlich.

  Die Lösung besteht darin, dem KI-Agenten einen echten Browser zur Verfügung zu stellen. Der Autor zeigt ein Beispiel mit Claude Code und Chrome DevTools: Er konfiguriert ein MCP-Server (Model Context Protocol) mit einem laufenden Browser und Chrome Debugging Skill, sodass die KI Screenshots machen, Light/Dark Mode testen und andere visuelle Änderungen überprüfen kann — ähnlich wie ein menschlicher Developer. Die KI nutzt dann denselben ad-hoc-Test-Prozess wie Menschen: bauen, schauen, anpassen.

  Alternative MCPs im selben Bereich sind laut Community-Feedback Dev Browser und Playwright; diese sollen teilweise besser sein, allerdings sind viele Screenshot-basierte MCPs „context-heavy” und verbrauchen viele Tokens. Man kann auch die Claude Chrome Extension direkt verwenden, wenn dies auf der Plattform unterstützt wird.

  Das Ergebnis: Mit visueller Feedback-Loop wird AFK-AI-Coding massiv leistungsfähiger — ohne Browser-Integration „fliegt” die KI blind.

  Abschlussbemerkung: Claude (Code) als Primär-Modell, Chrome DevTools und alternative MCPs erwähnt; Meinung/Reflexion mit praktischer Demo zum Backend-Frontend-Problem.

Melvynx (4 neues Videos)

• Premier test COMPLET de GPT 5.2 VS Opus 4.5 (choqué du résultat)
  17.1.2026, 06:00:11

  Zusammenfassung: GPT 5.2 vs Claude Opus 4.5 – Umfassender Test

  Der Creator testet GPT 5.2 gegen Claude Opus 4.5 in drei Szenarien, um die verbreitete Aussage zu überprüfen, dass GPT 5.2 Opus dominiert.

  Test 1 – YouTube-Thumbnail-Generator erstellen:

  GPT 5.2 brauchte 9 Minuten, Opus nur 4 Minuten. GPT erzeugte eine stilisiertere Oberfläche mit mehr Features (z.B. Zeichenzähler), folgte aber nicht der Anweisung „keine Fragen stellen” – es stellte mehrmals Fragen. Opus respektierte das Prompt exakt (minimalistische, saubere UI), was technisch besser war, auch wenn es weniger visuell ansprechend wirkte. Beide Apps funktionierten fehlerfrei. GPT verbrauchte 35.000 Token, Opus 27.000.

  Test 2 – Komplexer Debug (E-Mail-Capture-Page lädt unendlich):

  Massive Diskrepanz: GPT benötigte 24 Minuten und löste das Problem nicht. Opus brauchte nur 3 Minuten 44 Sekunden und löste den Bug korrekt. Der Fehler lag in einer Proxy-Datei, die ES-Build-Anfragen blockierte. Opus analysierte systematisch die Git-Historie und identifizierte die problematische Änderung; GPT versuchte es mit dem Proxy, landete aber daneben. Opus zeigte überlegenes Tool-Usage (Commits durchsuchen, Dateien analysieren).

  Test 3 – Kreativität: Dashboard-Redesign:

  GPT benötigte 2 Minuten, Opus 6 Minuten (ohne die Zeit, in der auf Bestätigung gewartet wurde). GPT war „faul” – es änderte nur das Layout minimal und Spacing-Props, anstatt wie gefordert das Design grundlegend zu refaktorieren. Opus führte echtes Redesign durch (neue Summary-Cards, bessere Informationshierarchie) und erklärte die Designentscheidungen strukturiert. Zusätzlich: Opus formatierte seine Antwort besser (mit Farben, Titeln, Struktur), GPT lieferte schlecht formatierte Output.

  Fazit: Entgegen dem Hype-Narrativ ist GPT 5.2 nicht besser als Opus 4.5. GPT ist deutlich langsamer, folgt Anweisungen schlechter, löst komplexe Bugs nicht und liefert weniger durchdachte Creative-Outputs. Opus 4.5 zeigte durchgehend überlegene Problemlösung, Befehlsbefolgung und Nutzer-Experience – nur etwas langsamer bei einfachen Aufgaben.

  Explizite AI-Modelle: OpenAI (GPT 5.2), Anthropic Claude (Opus 4.5), Open Code als Test-Plattform — Demo/Vergleich, Standard-Schwierigkeit.

• ARRÊTEZ de payer 25 $ par mois pour Lovable (Utilisez CECI à la Place)
  15.1.2026, 15:59:00

  Zusammenfassung:

  Der Video kritisiert kostenpflichtige Low-Code-Plattformen wie Lovable und V0, die monatlich 25 Dollar oder mehr für limitierte Credits kosten. Das eigentliche Problem: Diese Tools sind lediglich Frontend-Interfaces für die APIs von Claude und GPT – sie markieren den Dienst stark auf, während die dahinterliegenden Kosten oft nur 10–15 Dollar betragen. Zusätzlich bleibt unklar, welche Modelle diese Plattformen tatsächlich nutzen.

  Als kostenlose Alternative wird VS Code mit der Erweiterung Cloud Code (oder Codex bei ChatGPT-Abo) vorgestellt. Der Workflow: VS Code öffnen, Cloud Code installieren, den gleichen Prompt ins Chat-Interface eingeben – und die KI generiert den Code direkt in einer lokalen Projektstruktur. Das Ergebnis ist ein deploymbarer Index.html-Ordner, der kostenlos auf Netlify (Drag & Drop) hochgeladen werden kann.

  Im Demo-Vergleich zeigt sich: Lovable und V0 erstellen eine Portfolio-Seite – kosten aber Credits; Cloud Code macht das gleiche ohne zusätzliche Kosten (nur das bestehende Claude-Abo nutzen). Der erzeugte Code ist sofort lauffähig und kann ohne weitere Gebühren modifiziert, verfeinert und veröffentlicht werden. Die Video endet mit dem Hinweis auf eine kostenlose Formatationsressource zum Lernen der Web-Grundlagen.

  Tools: Claude via Cloud Code Extension in VS Code, V0 (Vercel), Lovable, Netlify – Meinung/Reflexion.

• La seule entreprise IA qui innove – “Cowork” le nouveau Claude Code pour parents
  13.1.2026, 09:23:26

  Claude Cowork: Die neue AI-Schnittstelle für Nicht-Programmierer

  Der Creator stellt Anthropics neuestes Produkt vor: Claude Cowork, ein Interface für Claude mit Abonnement, das speziell für Menschen ohne Programmierkenntnisse entwickelt wurde. Die zentrale Idee: Während Claude Code sich an Entwickler richtet, soll Cowork allen ermöglichen, komplexe Aufgaben am Computer zu bewältigen – der Creator scherzt, das könne seine Mutter bald nutzen, statt ihn anzurufen.

  Funktionsweise und Interface:

  Cowork kombiniert eine visuelle Oberfläche mit einem agentengesteuerten Workflow. Claude kann Screenshots machen, Vorschläge unterbreiten und Aufgaben in einer Schleife ausführen, bis sie erledigt sind. Das Interface zeigt Aufgabenfortschritt, Artifacts und Kontext übersichtlich an. Nutzer können Ordner-Zugriff gewähren und Claude direkt mit dem eigenen Dateisystem arbeiten lassen.

  Getestete Use-Cases:

  Der Creator demonstriert mehrere praktische Beispiele: Automatisches Sortieren des Download-Ordners (Claude identifiziert 554 ungenutzte Dateien aus 1.240 Gesamtdateien und verschiebt sie), Brainstorming für SaaS-Projekte direkt in Projektordnern, und Dateimanagement mit Markdown-Dateien. Anthropic selbst nennt reale Beispiele wie Urlaubsrecherche, Slide-Erstellung, Email-Verwaltung und Abonnements kündigen.

  Sicherheitsmodell und Limitierungen:

  Cowork läuft in einer isolierten Linux-Virtual-Machine mit begrenzten Berechtigungen – nicht auf direktem Hardware-Zugriff wie Claude Code. Das schränkt ein: Der Agent kann Dateien lesen/schreiben und Code ausführen, kann aber nicht die Mac-Bildschirmhelligkeit direkt steuern. Chrome-Integration funktioniert dagegen gut; Claude kann Browser-Tabs steuern und Tutorials anzeigen.

  Einschätzung:

  Der Creator findet Cowork deutlich sicherer, aber auch limitierter als Claude Code. Für „Normies” (sein Wort für Nicht-Techniker) reicht es aus, aber für fortgeschrittene Nutzer ist es problematisch – etwa weil Custom-Bash-Commands nicht verfügbar sind. Das Abonnement kostet 100 Dollar pro Monat (Claude Pro), was für casual Nutzer hoch ist.

  Claude und Anthropic als Anbieter; Demo mit praktischen Workflow-Tests.

• Ce Plugin RALPH rend Claude Code 100x plus puissant
  11.1.2026, 15:59:01

  Zusammenfassung: Ralph Plugin für Claude

  Ralph ist ein Workflow-System, das Claude ermöglicht, Features autonom über mehrere Iterationen hinweg zu entwickeln, ohne durch das Kontext-Fenster begrenzt zu werden. Das Problem, das Ralph löst: Claude stoppt, wenn das Kontext-Limit erreicht wird. Ralph verhindert dies durch einen Loop-Mechanismus.

  Kernkonzept: Man schreibt ein PRD (Product Requirements Document), teilt es in User Stories auf (in einer Datei namens prd.gison), und Claude arbeitet diese iterativ ab. Nach jeder abgeschlossenen Story werden automatisch Commits erstellt, die prd.gison aktualisiert und Fortschritte in einer progress.txt notiert. Claude prüft dann, ob weitere Stories existieren, und startet die nächste Iteration oder beendet den Prozess.

  Setup-Optionen:

  1. Custom Workflow/Skill (empfohlen): Man erstellt ein interaktives Setup, das den PRD automatisch generiert, den Code exploriert und alle notwendigen Dateien (PRD, prompt.md, progress.txt, Ralph-Script) vorbereitet. Das Workflow fragt nach Feature-Name, Scope und aktualisiert alles automatisch. Claude wird dann mit dem generierten Prompt von außen über ein Bash-Script wiederholt aufgerufen.
  1. Offizielles Claude-Plugin “Ralph Wigun”: Deutlich einfacher, aber weniger mächtig. Es fügt nur einen Hook ein, der Claude anweist, nicht zu stoppen, bis „complete” gesendet wird. Das Plugin bietet die Befehle ralph loop, ralph elf und cancel ralph.

  Praktischer Effekt: Eine komplexe Feature mit 25 User Stories kann autonome über mehrere Stunden laufen (z.B. während man am Strand ist), dabei automatisch Branches wechseln, Code schreiben, Tests durchführen und Pull Requests erstellen.

  Warnung: Der Token-Verbrauch ist erheblich – wer bereits viele Tokens nutzt, sollte vorsichtig sein und die wöchentliche/monatliche Nutzung im Auge behalten.

  Der Name „Ralph” bezieht sich auf die vereinfachte, „dumme” Herangehensweise des Systems: es führt Aufgaben zyklisch und iterativ aus, ohne zu kompliziert nachzudenken.

  Das Video thematisiert Claude und demonstriert ein Workflow/Skill-System; Format ist Demo + Anleitung mit fortgeschrittenem Schwerpunkt.

MoureDev by Brais Moure (1 neues Video)

• Las empresas ya no buscan sólo programadores (y nadie te lo explica)
  13.1.2026, 15:01:42

  Zusammenfassung: Las empresas ya no buscan sólo programadores

  Der Grund, warum Junior-Entwickler keinen Job bekommen, liegt nicht daran, dass sie schlecht programmieren oder der Markt zusammengebrochen ist – Unternehmen misstrauen ihnen, weil sie nicht verstehen, was Firmen wirklich kaufen. Unternehmen zahlen nicht für Code, sondern dafür, dass Probleme vorhersagbar, pünktlich und wartbar gelöst werden. Ein perfekter Code, der zwei Wochen zu spät kommt oder nur eine Person versteht, ist ein Risiko; das Schreiben von funktionierendem Code ist bloss das Minimum.

  Aus Unternehmerperspektive zählen völlig andere Fragen: Wann ist das fertig? Kann ich dieser Person vertrauen? Wird sie mich warnen, wenn etwas schiefgeht? Wird sie das Team blockieren? Die größte Sorge ist Unvorhersehbarkeit und Vertrauensverlust. Junior-Entwickler erscheinen von außen als „Black Box” – man weiß nicht, was sie tun oder wie es vorangeht. Deshalb bevorzugen Firmen oft jemanden, der etwas schlechter programmiert, aber zuverlässig und transparent ist.

  Um das zu ändern, sollten Junior-Entwickler fünf konkrete Dinge tun: (1) dokumentieren und Entscheidungen erklären, (2) klare Zeitschätzungen geben (auch wenn falsch), (3) Probleme früh ankündigen – Unternehmen hassen Überraschungen, nicht Probleme, (4) verstehen, welches Geschäftsproblem gelöst wird, nicht nur Code schreiben, und (5) zeigen, wie sie denken, nicht nur dass sie programmieren können. Der entscheidende Shift ist: von „Ich schreibe Code” zu „Ich bin zuverlässig, transparent und habe Verständnis für das Business”. Das ändert die Wahrnehmung fundamental – von einer Maschine zu einem Team-Player, in den man investieren kann.

  Meinung/Reflexion, keine spezifischen AI-Tools oder Anbieter erwähnt.

n8n (1 neues Video)

• How n8n Now Handles Permissions, Roles, and SSO
  12.1.2026, 16:23:55

  n8n: Neue Sicherheitskontrollen für Permissions, Rollen und SSO

  n8n führt zwei neue Enterprise-Features ein, um granulare Zugriffskontrolle in automatisierten Workflows zu ermöglichen: Custom Project Roles und SSO User Provisioning.

  Custom Project Roles

  Mit custom Rollen lassen sich für jede Ressource innerhalb eines Projekts – Workflows, Credentials, Datentabellen, Variablen, Ordner, Source Control – unabhängig definieren, wer was darf (View, Create, Edit, Delete, Transfer). Beispiele aus dem Video: Builder dürfen Workflows erstellen und bearbeiten, aber nicht credentials verwalten; Prover können zu Production pushen, dürfen aber keine Workflows editieren; Contributor können Workflows ansehen und klonen, aber nicht modifizieren. Im Demo wird gezeigt, wie man eine „Data Team”-Rolle erstellt (voller Zugriff auf Workflows und Ordner, kein Zugriff auf Credentials) und diese Rolle dann einem Projekt-Nutzer zuordnet. Die Rollen werden als wiederverwendbare Templates über alle Projekte hinweg konsistent eingesetzt, und Berechtigungen wirken sofort. Das System verhindert overpermissioning – statt jemandem Admin-Zugriff zu geben, erhält er nur genau das, was nötig ist.

  SSO User Provisioning

  Nutzer werden beim ersten Login über den Identity Provider automatisch in n8n erstellt und können sofort Rollen zugewiesen bekommen – basierend auf Attributen aus dem IDP (z.B. erhält ein Nutzer aus der Engineering-Gruppe automatisch die Developer-Rolle). Im Video wird konfiguriert, wie SAML oder OIDC eingebunden wird und welche Ebene der Role Provisioning gewählt wird: entweder n8n verwaltet Rollen (Standard), oder der IDP verwaltet Instance Roles, oder IDP verwaltet Instance und Project Roles. Das reduziert Admin-Overhead erheblich – nicht mehr nötig sind custom Workflows zur User-Synchronisation.

  Die Features bilden zusammen einen Governance-Stack (Role Control → Identity Control → Behavior Control) und sind speziell für Unternehmen gedacht, bei denen Sicherheitsbedenken bislang eine n8n-Einführung blockiert haben.

  Format: Demo mit Anleitung; n8n als Thema.

Nate Herk | AI Automation (4 neues Videos)

• Build ANYTHING with Claude Code & n8n (Beginner’s Guide)
  16.1.2026, 01:57:48

  Claude Code und n8n: Von Workflow zur Web-App

  Das Video zeigt, wie man bestehende n8n-Workflows mit Claude Code zu funktionsfähigen Web-Apps umwandelt – nicht nur Frontend-Oberflächen, sondern vollständige Backend-Optimierungen inklusive.

  Kernidee: Claude Code analysiert einen bestehenden n8n-Workflow (z.B. einen UGC-Ad-Generator), identifiziert Probleme für Web-Deployment (falsche Trigger, fehlende Fehlerbehandlung, Datenformat-Mismatches) und optimiert ihn automatisch: Chat-Triggers werden zu Webhooks, Base64-Strings werden konvertiert, HTTP-Requests bekommen Error-Handling, Variablenreferenzen werden überall nachgezogen.

  Praktischer Ablauf:

  1. Projekt-Setup in VS Code: Claude Code als Extension installieren, Folder öffnen, claude.md als System-Prompt erstellen, darin Projektkontext definieren (Workflow-Optimierung, Frontend-Bau, GitHub-Sync, Vercel-Deployment).
  1. MCP-Server und Skills verbinden: n8n MCP (für Workflow-Zugriff), n8n Skills (Expressions, Nodes), GitHub MCP, Frontend Design Skills – Claude Code installiert alles selbst, wenn man die URLs bereitstellt.
  1. Workflow optimieren: Claude Code im Plan-Mode durchsucht die Instanz, findet den Fitness-Coach-Workflow (Chat-Agent), diagnostiziert, dass der Chat-Trigger nicht kompatibel ist, ersetzt ihn durch einen Webhook, fügt Memory-Buffer ein, und updatet alle Konfigurationen.
  1. Frontend bauen: Claude Code erstellt lokal (localhost:3000) einen Dark-Mode-Chat mit Gamification (Message-Counter, Level-System), integriert die n8n-Webhook-URL, testet die Kommunikation. Ausgabe-Formatierungsprobleme werden iterativ gelöst (JSON-Body entfernen, Markdown-Formatierung reduzieren).
  1. Zu GitHub pushen und live gehen: Mit dem GitHub MCP aktualisiert Claude Code den Code, pusht ihn ins Repo, triggert eine Vercel-Redeploy – bei jeder Änderung wird die Live-App sekündlich aktualisiert.

  Sicherheits-Hinweis: Webhook-URLs können gehärtet werden (Authentifizierung, Environment-Variablen statt Hardcoding), Credentials in der lokalen MCP-JSON-Datei sind sicher, aber sollten rotiert werden, falls das Gerät kompromittiert ist.

  Skalierbarkeit: Nach Setup können weitere Workflows im gleichen Projekt hinzugefügt werden; Claude Code hat alle Skills und MCPs bereits verfügbar. Ferner können Domains gekauft und mit Vercel verbunden werden.

  Kosten: Pro-Plan (Claude API) reicht anfangs; bei hohem Gebrauch ist der $100–$200/Monat-Plan rentabel gegenüber Developer-Hiring.

  Das Video demonstriert eine End-to-End-Automation: n8n für Backend-Logik, Claude Code für Optimierung + Frontend-Development, GitHub für Versionskontrolle, Vercel für Production-Deployment – alles durch natürlichsprachliche Anweisungen orchestriert.

  Tools/Anbieter: Claude Code, n8n, GitHub, Vercel — Format: Tutorial (Beginner-freundlich, aber technisch dicht)

• Claude Code is Better at n8n than I am (Beginner’s Guide)
  14.1.2026, 23:31:01

  Zusammenfassung: Claude Code für n8n Workflows

  Der Creator zeigt, wie man Claude Code mit Visual Studio Code nutzt, um n8n-Workflows automatisch zu erstellen – ohne manuelles n8n-Konfigurieren. Der Workflow beginnt mit der Installation von VS Code und der Claude Code Extension, wobei man sich mit seinem Anthropic-Account authentifiziert.

  Das Herzstück der Lösung sind zwei Tools: der n8n MCP Server (bietet Zugriff auf alle ~1100 n8n-Knoten mit 99% Genauigkeit und über 2700 Workflow-Templates) und n8n Skills (sieben Fähigkeiten wie Expression Syntax, Node-Konfiguration, JavaScript/Python-Coding), die Claude Code supercharged machen. Diese werden über eine claude.md-Datei (Systemprompt für das Projekt) konfiguriert und im Projekt integriert.

  Der Prozess funktioniert so: Man erstellt einen neuen Projektordner, verbindet die MCP-Tools und Skills (Claude Code recherchiert die GitHub-Repos selbstständig), und gibt dann eine klare Beschreibung des gewünschten Workflows. Claude arbeitet im Plan-Mode, fragt Klärungsfragen (E-Mail-Adresse, Zeitzone, Tools), erstellt einen detaillierten Plan und generiert bei Genehmigung den fertigen Workflow direkt in der n8n-Cloud-Instanz.

  Im praktischen Beispiel baut Claude Code einen Newsletter-Workflow: Schedule-Trigger um 7 Uhr, erste KI-Agent (OpenRouter + GPT-4.5) für Perplexity-Recherche zu AI-Trends, zweite Agent (OpenRouter + Anthropic Sonnet 4.5) schreibt HTML-Newsletter und versendet per Gmail. Das funktioniert trotz kleinerer Konfigurationsfehler (z.B. falsche Modellversionen) beeindruckend gut. Der Creator warnt vor Performance-Grenzen: Sehr große Workflows (60+ Knoten) können die n8n-Cloud-API überlasten.

  Die wichtigste Botschaft: Man braucht keine Programmier-Kenntnisse, sondern nur die Fähigkeit, klare Anforderungen zu kommunizieren. Claude fragt nach, wenn etwas unklar ist. Die claude.md und der MCP-Server werden von der Community bereitgestellt (GitHub-Links im Video-Beschreibung).

  Tools/Anbieter: Claude Code, Anthropic, n8n, OpenRouter, Perplexity, OpenAI (GPT-4.5), Anthropic Sonnet — Format: Tutorial mit Demo; Anfänger-freundlich.

• Easiest Way to Migrate n8n Workflows Between Accounts (cloud to self-hosted)
  14.1.2026, 14:18:28

  Zusammenfassung:

  Das Video zeigt ein Tutorial zur Migration von n8n-Workflows zwischen zwei Instanzen (Cloud zu selbst-gehostet). Der Prozess nutzt drei Knotentypen und funktioniert in zwei Phasen: Zunächst werden alle Workflows aus der alten n8n-Instanz per API abgerufen und in ein Google Sheet gepusht, um sie zu tracken. Danach werden nur die Workflows mit Status „to process” gefiltert, ihre JSON-Daten geholt und einzeln in die neue self-hosted-Instanz übertragen, während der Status aktualisiert wird.

  Konkret werden zwei API-Keys benötigt – je einer aus den Settings der alten und neuen n8n-Instanz – und die Base URLs müssen mit /api/v1 konfiguriert werden. Das Google Sheet dient als Tracking-Mechanismus, um sicherzustellen, dass keine Workflows dupliziert werden. Die Migration überträgt alle Workflow-Details (Name, Nodes, Verbindungen, Parameter, Sticker), aber nicht Credentials, User oder Ausführungshistorien. Der komplette Workflow und die Google-Sheet-Vorlage stehen kostenlos in einer Community-Schule zur Verfügung. Als Alternative erwähnt der Autor auch die native Export-Funktion in der n8n Cloud, die ein ZIP mit allen Workflow-JSONs erzeugt.

  Tool/Anbieter und Format: n8n, Google Sheets, Hostinger (Hosting) – Tutorial mit Demo.

• I Built a Voice Agent That Calls Every New Lead (n8n + Vapi)
  12.1.2026, 13:56:00

  Zusammenfassung: Voice Agent für automatische Lead-Qualifizierung mit n8n und Vapi

  Der Creator demonstriert ein System, das automatisch eingehende Website-Leads per Telefon anruft und qualifiziert – während man schläft. Das Setup nutzt n8n für die Automation und Vapi als Voice Agent.

  Workflow-Überblick: Ein Formular auf einer Website erfasst Lead-Daten (Name, Telefon, Email, Unternehmen, Rolle, Anfrage, Unternehmensgröße). Sobald ein Lead einreicht, triggert ein n8n-Workflow automatisch einen ausgehenden Anruf. Der Vapi-Agent (genannt Elliot) führt ein qualifizierendes Gespräch, stellt vordefinierte Fragen und extrahiert strukturierte Daten. Das System speichert dann alle Gesprächsergebnisse in einem Google Sheet.

  Wichtige technische Schritte:

  1. Telefonnummern-Normalisierung: Ein Code-Node standardisiert Eingaben auf 10-stellige US-Nummern; falsche Formate werden markiert. Der Creator nutzt Claude, um den Code zu schreiben.
  1. Vapi-Agent-Setup: Der Agent wird mit System Prompt konfiguriert (Name Elliot, Kontext, Gesprächsablauf, erforderliche Qualifizierungstopics). Variablen wie {{lead_name}} werden im Prompt eingebunden und später von n8n dynamisch gefüllt.
  1. API-Aufrufe: Ein POST-Request erzeugt den Anruf (mit Assistant-ID, Phone-ID, Telefonnummer und Prompt-Variablen). Da die erste Anfrage nur „initiiert” zurückgibt, folgt Polling: Der Workflow wartet 60 Sekunden, dann wiederholt ein GET-Request die Call-Details bis Status = „ended”.
  1. Structured Outputs: Vapi extrahiert automatisch Felder wie Budget, Motivation, Dringlichkeit, Past Experience, Intent und Status – diese werden in Vapi konfiguriert und landen direkt im Google Sheet.
  1. Voicemail-Handling: Ein finales If-Statement unterscheidet zwischen erfolgreichen Calls und Voicemail-Callbacks.

  Im Demo-Szenario beantwortet Richard (ein Test-Lead) den Anruf von Elliot, der ihn zu seinem Automatisierungsbedarf (Leadgenerierung für Gartenbusiness) befragt. Das System erfasst seine Motivationen (Geschäftsverlangsamung), Timeline (1 Monat), Budget (5–10k) und dokumentiert alles im Sheet.

  Der Creator betont, dass ethisches Disclosure wichtig ist – der Agent stellt sich als KI vor. Er zeigt auch, dass das System fehlgeschlagene Nummern abfängt und falsch formatierte Eingaben als „Incorrect Phone” kennzeichnet.

  Zugang: Alle Templates, System Prompts und das Google Sheet sind kostenlos in einem Gemeinschafts-Community-Forum mit über 225.000 Mitgliedern verfügbar.

  Demo-Video mit Live-Anruf und technischem Breakdown; thematisiert n8n, Vapi, OpenAI (GPT-4 Turbo), Claude und Twilio.

NeuralNine (2 neues Videos)

• LlamaIndex Crash Course – AI Agents in Python
  16.1.2026, 17:01:13

  LlamaIndex Crash Course – AI Agents in Python

  LlamaIndex ist ein agentic Framework für Python, das der LangChain-Alternative ähnelt, aber mit stärkerem Fokus auf fortgeschrittene Retrieval-Techniken, Datenquellen-Parsing und verschiedene Datenconnectors. Der Sprecher empfiehlt, beide Frameworks zu lernen – LangChain für allgemeinere Aufgaben, LlamaIndex für Retrieval-fokussierte Anwendungen.

  Grundlegender Workflow: Mit SimpleDirectoryReader werden Textdateien als Dokumente geladen, dann via VectorStoreIndex in einen Vector Store konvertiert. Eine Query Engine ermöglicht anschließend natürlichsprachige Abfragen über den Content.

  Agents mit LlamaIndex: Ein FunctionAgent wird mit einem LLM-Modell (z.B. GPT-4o-mini oder lokal via Ollama), Tools (Python-Funktionen) und optionalem Systemprompt definiert. Der Agent nutzt await für asynchrone Abfragen und kann über Context eine Message History verwalten.

  RAG-Integration: Funktionen wie get_context_from_database() erlauben dem Agent, auf die Datenbank zuzugreifen und Fragen mit kontextuellem Wissen zu beantworten.

  Komponenten austauschbar: Via LlamaHub können Embedding-Modelle (z.B. OpenAI, lokal), Vector Stores (z.B. Faiss), LLMs (OpenAI, Google Gemini, Ollama) und Datenconnectors modular konfiguriert werden.

  Weitere Features: Prompt Templates mit Platzhaltern (PromptTemplate.format()), Message Histories für kontextuelle Konversationen über ChatMessage-Objekte, sowie Persistierung des Vector Store in Verzeichnisse.

  Der Crash Course deckt Basis-Retrieval, Function Calling, Context Management und modulare Konfiguration ab; erwähnt aber advanced Techniken wie Property Graph Indexes und hierarchical Retrieval nur am Rande.

  LlamaIndex (Open-Source), Ollama, OpenAI, Google Gemini, Faiss erwähnt; Tutorial mit Live-Coding in Jupyter Lab.

• Seaborn Crash Course – Data Visualization in Python
  12.1.2026, 17:01:28

  Seaborn Crash Course – Data Visualization in Python

  Das Video führt umfassend in Seaborn ein, eine auf Matplotlib basierende Python-Visualisierungsbibliothek, die statistische Grafiken mit deutlich weniger manuellem Aufwand erzeugt.

  Setup und Grundlagen:

  Zunächst werden die notwendigen Pakete (Seaborn, Jupyter Lab) installiert und eine interaktive Notebook-Umgebung aufgesetzt. Das Video erklärt die Vorteile von Jupyter Notebooks für iterative Datenanalyse.

  Styling und Farbpaletten:

  Seaborn bietet vordefinierte Themes (z.B. „dark_grid”) und verschiedene Farbpaletten (set1, set2, paired, hls, rocket etc.), die zentral über set_theme() und set_palette() konfiguriert werden können.

  Relational Plots (Scatter/Line):

  scatterplot() zeigt Datenpunkte und erlaubt, Features über hue (Farbe), size (Größe) und style (Marker-Form) zu kodieren – ohne manuelle Farb-Zuordnung. relplot() ist die figure-level Alternative mit zusätzlicher Möglichkeit, Plots per col oder col_wrap zu splitten. lineplot() funktioniert analog für Liniendiagramme.

  Distribution Plots:

  displot() mit kind='hist' erzeugt Histogramme, kann aber auch nach Features in mehrere Subplots aufgeteilt werden (z.B. col='sex'). kdeplot() zeigt Dichten als kontinuierliche Linien, optional mit zwei Variablen als Kontur-Plot. ecdfplot() visualisiert kumulative Verteilungen. rugplot() überlagert Histogramme mit den tatsächlichen Datenpunkten.

  Categorical Plots:

  catplot() mit verschiedenen kind-Parametern: stripplot() und swarmplot() zeigen einzelne Werte, boxplot() und violinplot() zeigen Verteilungen über Quantile und Dichte, boxenplot() für größere Datenmengen. barplot() aggregiert Werte mit automatischer Farbkodierung nach Kategorien, countplot() zählt Häufigkeiten, pointplot() visualisiert Bereiche mit Liniensegmenten.

  Explorative Plots:

  jointplot() zeigt Scatter-Plot mit Randhistogrammen der beiden Variablen. pairplot() plottet alle numerischen Features gegeneinander (Histogramme auf der Diagonale, Scatter-Plots sonst). heatmap() mit annot=True visualisiert numerische Tabellen farbcodiert – besonders nützlich für Korrelationsmatrizen mit anpassbarem cmap (z.B. „coolwarm”). clustermap() führt hierarchisches Clustering durch und ordnet Reihen und Spalten nach Ähnlichkeit an.

  Regression und Trends:

  lmplot() (figure-level) und regplot() (axis-level) fitten automatisch Regressionslinien; lmplot() unterstützt zusätzlich hue und col für mehrere Fits parallel.

  Design-Philosophie:

  Der Kern von Seaborn besteht darin, Feature-Namen statt manueller Codes zu übergeben – Legenden, Farben und Layouts entstehen automatisch. Figure-level Funktionen (relplot, displot, catplot, jointplot, pairplot, clustermap) ermöglichen zusätzlich Multi-Plot-Layouts per col/col_wrap. Für tiefere Anpassungen können Matplotlib-Funktionen kombiniert werden.

  Das Video behandelt Seaborn ohne spezifische externe Tools oder Anbieter; es ist ein praxisorientiertes Tutorial.

Nic Conley

Keine neuen Videos in diesem Zeitraum.

Nick Saraev

Keine neuen Videos in diesem Zeitraum.

Niklas Steenfatt

Keine neuen Videos in diesem Zeitraum.

No Priors: AI, Machine Learning, Tech, & Startups (1 neues Video)

• The Largest Untapped Market Inside U.S. Defense | Emil Michael
  15.1.2026, 11:01:13

  Emil Michael, Untersekreär für Forschung und Technik im Verteidigungsministerium (früher COO von Uber), skizziert eine umfassende Modernisierungsstrategie der US-Rüstungsindustrie angesichts der massiven militärischen Aufrüstung Chinas. Die Kernidee: Statt 14 kritische Technologiebereiche zu verfolgen, konzentriert sich die neue Strategie auf sechs priorisierte Bereiche – angewendete KI, skalierbare Hyperschallwaffen, skalierte Directed-Energy-Systeme und autonome Systeme – mit dem Ziel, schneller und kosteneffizienter zu innovieren als in den letzten 20 Jahren.

  Michael betont die Öffnung des Verteidigungsmarktes für neue Unternehmer: Während es in den 80ern 50 Rüstungsunternehmer gab (heute nur fünf), sollen Startups nun „durch die Vordertür” kommen, statt wie SpaceX, Anduril und Palantir verklagt werden zu müssen. Konkrete Initiativen umfassen Gen-AI-Mill (eine sichere KI-Plattform für 3 Millionen Beschäftigte – über eine Million Nutzer in 30 Tagen), die Defense Innovation Unit (DIU) für schnelle Verträge, und die Office of Strategic Capital mit 200 Milliarden Dollar Kreditautorität zur Behebung von Engpässen in Lieferketten (z.B. Germanium, Faserkabel, bürstenlose Motoren).

  Michael warnt Unternehmer vor Illusion: Der Verkauf an das Pentagon ist nicht wie ein klassisches B2B-Deal – Qualität und sichere Fertigung sind kritisch, da Leben auf dem Spiel stehen. Er hebt zugleich die Notwendigkeit hervor, kritische Materialien und Fertigungskapazitäten ins Land zurückzuholen, um nicht von Chinas strategischen Dumping-Praktiken abhängig zu bleiben. Die „Arsenal of Freedom”-Tour mit Secretary Hegseth propagiert eine Kultur, in der die Industrie weiß: Das Verteidigungsministerium hat ihren Rücken und will schneller, billiger und technologisch fortgeschrittener arbeiten.

  —

  Kontext: Keine spezifischen KI-Modelle als Schwerpunkt thematisiert, nur Gen-AI-Mill erwähnt (Gemini, Claude, Grok erwähnt als kommende Optionen). Format: Meinung/Reflexion mit Deep-Dive-Elementen; für technisches Publikum.

Productive Dude

Keine neuen Videos in diesem Zeitraum.

Sebastien Dubois

Keine neuen Videos in diesem Zeitraum.

Simone Rizzo (2 neues Videos)

• Nuova AI cinese che cambia le regole della generazione di Immagini: GLM-Image (Spiegato Semplice)
  15.1.2026, 16:25:44

  Zusammenfassung: GLM-Image – Chinesisches Modell mit hybrider Bildgenerierungsarchitektur

  Das Video erklärt GLM-Image, ein neues chinesisches Bildgenerierungsmodell des Unternehmens Zhipu, das eine ungewöhnliche Hybrid-Architektur nutzt statt des üblichen Diffusion-Ansatzes.

  Die beiden klassischen Generierungsmethoden:

  Bei der Autoregression werden Daten sequenziell erzeugt (ein Token nach dem anderen), was präzise, aber langsam ist – typisch für Textgenerierung bei Large Language Models. Bei Diffusion werden Daten parallel erzeugt, indem von reinem Rauschen ausgegangen und schrittweise Rauschen entfernt wird – schneller, aber weniger präzise. Beim Text dominiert Autoregression, bei Bildern dominiert Diffusion.

  GLMs hybridischer Ansatz:

  GLM-Image kombiniert beide Welten: Das Modell nutzt zunächst einen VQ-VAE (Vector Quantized Variational Encoder), um Bilder in Sequenzen von ganzzahligen Token umzuwandeln. Ein Large Language Model mit 9 Milliarden Parametern verarbeitet dann diese „Vision Token” autoregressiv und erzeugt eine Vorhersage-Sequenz. Diese wird nicht direkt visualisiert, sondern dient als Input für einen Diffusion-Decoder, der die Bildqualität verfeinert. So „denkt” das System autoregressiv über die zu generierende Szene nach und poliert das Ergebnis dann mit Diffusion.

  Performance:

  GLM-Image schlägt etablierte Modelle deutlich bei der Textdarstellung in Bildern – dem Rendering von Wörtern und Infografiken – weil die sprachliche Kompetenz des LLM hier Vorteile bringt. Bei generischen Bildqualitäts-Benchmarks bewegt sich das Modell auf Augenhöhe mit Modellen wie DALL-E 3 und anderen Diffusions-basierten Systemen. Das Modell unterstützt auch Image-to-Image-Tasks wie Style Transfer und identitätserhaltende Generierung.

  Die Demo zeigt ein generiertes Festivalplakat mit allen geforderten Textinformationen (Künstlernamen, Datum, URL), was die Stärke beim Textrendering unterstreicht.

  Das Modell ist kostenlos und Open Source auf HuggingFace verfügbar.

  Fazit: Die Kernidee ist das Verbinden zweier vorher getrennter Ansätze – das Hybrid-Design könnte ein Wendepunkt in der Bildgenerierung sein, da es semantische Tiefe des LLM mit der Qualitätsverfeinerung durch Diffusion kombiniert.

  GLM-Image (Zhipu), Demo und technischer Deep-Dive mit Fokus auf Architektur.

• Claude Cowork: il nuovo agente AI Collega che lavora al posto tuo!
  13.1.2026, 15:23:48

  Claude Cowork: Der neue KI-Agent, der für dich arbeitet

  Claude hat ein großes Update angekündigt: die Plattform wird von Claude Code zu Claude Cowork umgewandelt. Während Claude Code ursprünglich nur für Entwickler gedacht war, haben Nutzer es schnell für alle möglichen Aufgaben eingesetzt – von Dateiverwaltung über Dokumentorganisation bis zu Automatisierungen via Terminal. Diese Beobachtung führte zur Entwicklung von Cowork, einem universellen Agent für alle Menschen, nicht nur Programmierer.

  Verfügbarkeit und Grundfunktionen: Cowork ist aktuell in Research Preview nur für Claude Max Abonnenten auf macOS verfügbar. Im Gegensatz zu normalen Chat-Gesprächen hat Cowork eine vereinfachte GUI und Agentic-Fähigkeiten – es kann einen Task in Schritte zerlegen, diese systematisch abarbeiten und dich über Fortschritt informieren. Mögliche Anwendungen sind: Dateien erstellen und organisieren, Nachrichten versenden, Prototypen bauen, Besprechungsnotizen zusammenfassen (mit direktem Dateizugriff) oder den Desktop aufräumen.

  Sicherheit und Zugriff: Ein kritischer Designpunkt ist die Beschränkung auf eine vom Nutzer gewählte Ordner. Das verhindert, dass der Agent bei Prompt-Injection-Angriffen unkontrolliert Zugriff auf das ganze System erhält. Cowork kann Dateien lesen, bearbeiten und erstellen, benötigt aber explizite Genehmigung für bedeutende Aktionen. Potenzielle Risiken bestehen durch unbeabsichtigte destruktive Aktionen (Löschen von Dateien) und Prompt-Injections über manipulierte Webseiteninhalte – besonders wenn der Agent mit sensiblen Connectoren (Gmail, CRM, Datenbanken) verbunden ist.

  Erweiterbarkeit: Cowork funktioniert mit vorbereiteten Connectoren zu Apps wie Active Campaign, Bitly, Canva, Figma, Notion, N8N und vielen mehr. Bei fehlenden Apps können benutzerdefinierte Skills (Code-Funktionen) erstellt werden. Der Agent kann parallel mit Claude for Chrome arbeiten und im Browser navigieren.

  Praxisbeispiel: In der Demo wird Cowork darauf hingewiesen, den Desktop zu organisieren. Der Agent zählt 35 Fotos, 20 Screenshots und 18 Videodateien auf und reorganisiert alles Schritt für Schritt über Terminal-Befehle.

  Konkurrenzsituation: Claude Cowork konkurriert mit existierenden KI-Agenten wie Manus und Jenks Spark, die für normale Nutzer konzipiert sind. Ein großer Vorteil: Während viele dieser Agenten Wrapper über Claudes Modell sind, entwickelt Claude selbst diese Lösung – was sie robuster und performanter machen sollte. Wichtig: Meta hat kürzlich Manus akquiriert.

  Googles Universal Commerce Protocol (UCP): Google stellte auf der National Retail Federation ein Konzept für die Zukunft des E-Commerce vor: KI-Agenten werden Shopping übernehmen, nicht nur Produktsuche, sondern auch Checkout und Kauf direkt in der Chat-Anwendung. Google entwickelte dafür das UCP-Protokoll, das Produktsuche, Warenkorb-Verwaltung, Identitätsverknüpfung, Checkout, Bestellungen und Paketverfolgung vereint. Es basiert auf APIs, Model Context Protocol (MCP), dem Agent-to-Agent-Protokoll (A2A) und dem A2P-Zahlungsprotokoll.

  Auswirkungen: Zukünftig werden Käufe schneller, da der Agent den Nutzer kennt, seine Vorlieben versteht und passende Produkte vorschlägt. Allerdings verschärft sich ein Problem: Während heute Nutzer mehrere Produkte auf Webseiten entdecken, wählt der Agent künftig aus, welche Produkte angezeigt werden. Das verlagert das SEO-Problem zu einer „Agentic E-Commerce Optimization” – wer sich nicht gut gegenüber KI-Agenten positioniert, verliert Sichtbarkeit.

  Claude Cowork (Anthropic, nicht namentlich genannt), Google Universal Commerce Protocol – Demo/Produkt-Ankündigung, Anfänger-freundlich aber mit technischen Sicherheitsaspekten.

Tech With Tim (3 neues Videos)

• Learn NumPy in 40 Minutes – Python NumPy Tutorial
  15.1.2026, 21:04:17

  NumPy in 40 Minuten – Grundlagen für Python

  Das Video bietet einen umfassenden Überblick über die NumPy-Bibliothek für numerische Berechnungen in Python.

  Grundkonzept und Installation: NumPy (Numerical Python) ermöglicht effiziente Operationen auf großen mehrdimensionalen Arrays und Matrizen. Die Installation erfolgt via pip install numpy, der Import als import numpy as np. NumPy ist 35–36 Mal schneller als Python-Listen bei numerischen Operationen, da die Implementierung in C und C++ erfolgt.

  Array-Erstellung: Arrays lassen sich auf verschiedene Wege erstellen – aus Python-Listen via np.array(), mit np.arange() (ähnlich Python-Range), np.linspace() (gleichmäßig verteilte Werte), np.zeros(), np.ones(), np.full(), np.identity() oder np.random(). Alle Elemente eines Arrays müssen denselben Datentyp haben (dtype); bei gemischten Ints und Floats wird automatisch auf Float hochgestuft.

  Mehrdimensionale Arrays und Shape: Die Shape-Eigenschaft beschreibt die Dimensionen – z.B. (3, 4) für 3 Zeilen und 4 Spalten. Bei 3D-Arrays mit Shape (2, 3, 4) entstehen 2 Seiten mit je einer 3×4-Matrix. np.ndim gibt die Anzahl der Dimensionen an, np.size die Gesamtanzahl der Elemente.

  Indexierung und Slicing: Bei 1D-Arrays funktioniert Standard-Indexierung wie bei Python-Listen. Bei 2D-Arrays nutzt man Kommas zur Trennung der Dimensionen: matrix[1, 2] für Zeile 1, Spalte 2. Mit Colons lassen sich Slices erzeugen: matrix[0, :] holt die erste Zeile, matrix[:, 1] die zweite Spalte. Boolean-Indexierung erlaubt Bedingungen: array[array > 5] gibt nur Werte über 5 zurück.

  Array-Operationen: Element-weise Operationen (a + b, a * b, a / b) addieren/multiplizieren korrespondierende Elemente. Skalar-Operationen (a + 10, a * 2) beeinflussen jedes Element. Vergleichsoperatoren (a > 2) erzeugen Boolean-Arrays. Lineare Algebra umfasst np.dot() für Skalarprodukte, np.linalg.det() für Determinanten und np.linalg.inv() für Matrixinversion.

  Array-Manipulation: reshape() formt Arrays um (bei passendem Elementanzahl), -1 berechnet Dimensionen automatisch. flatten() konvertiert zu 1D. transpose() oder .T vertauschen Zeilen und Spalten. np.concatenate(), np.vstack() und np.hstack() verbinden Arrays.

  Achsen (Axes): Bei 2D-Arrays ist Achse 0 die Zeilenrichtung (vertikal), Achse 1 die Spaltenrichtung (horizontal). np.sum(matrix, axis=0) summiert Spalten, axis=1 summiert Zeilen. Bei 3D-Arrays kollabiert axis=0 über die Seiten.

  Statistische und nützliche Methoden: np.sum(), np.mean(), np.median(), np.std(), np.min(), np.max(), np.argmin(), np.argmax() ermöglichen schnelle Berechnungen. np.unique() entfernt Duplikate. np.where() findet Indizes, die eine Bedingung erfüllen. np.sort() sortiert Arrays.

  Praktische Beispiele: Bei Bildverarbeitung lassen sich Pixel-Werte (0–255) via np.clip() begrenzen, um Helligkeit und Kontrast anzupassen. Bei Datenanalyse können Studentennoten nach Durchschnitt, Test-Schwierigkeit oder Leistungsschwelle ausgewertet werden – alles mit wenigen NumPy-Befehlen statt manueller Schleifen.

  Das Video nutzt Jupyter Notebooks zur Interaktion und stellt am Ende ein Spickzettel mit häufig verwendeten Funktionen zur Verfügung.

  Tutorial mit Fokus auf NumPy-Fundamentale, kein spezieller KI-Tool-Bezug (nur Cursor als Editor erwähnt).

• Lovable vs MeDo, which AI app builder actually works?
  14.1.2026, 11:36:33

  Zusammenfassung: Lovable vs MeDo – Vergleich von AI App Buildern

  Der Creator testet zwei populäre AI App Builder – Lovable und MeDo – anhand von vier praktischen Kriterien: Vollständigkeit (Frontend/Backend/Datenbank-Integration), API-Integration (z.B. Stripe), Produktionsreife und Kosten.

  Testszenarien:

  1. Einfache Landing Page (SaaS-fokussiert): Beide Tools liefern ähnliche Ergebnisse in wenigen Minuten. MeDo nutzt 15 Credits, Lovable 2,4 Credits – wobei die Credits unterschiedlich „wertvoll” sind.
  1. Vollständige Full-Stack-Anwendung (Team-Pulse mit Auth, Rollen, Stripe-Integration): Beide brauchen mehrere Follow-up-Prompts zum Bugfixen. MeDo erfordert ~100 zusätzliche Credits über mehrere Iterationen; Lovable nutzt 12 Credits für die initiale Version, aber die Zahlungsfunktion läuft nicht richtig. MeDo implementiert die Stripe-Integration erfolgreich.
  1. Browser-basiertes Spiel (2D Arena mit Power-ups, Progression): Beide erzeugen spielbare Prototypen mit Soundeffekten, Menüs und Upgrade-System. MeDo folgt Anweisungen präzise; Lovable macht mehr eigene Design-Entscheidungen, teils mit Bugs (Main Menu funktioniert nicht).

  Design-Unterschied: Lovable produziert stärker stilisierte, polierte UIs; MeDo erzeugt eher Wireframe-ähnliche, funktionale Layouts, die weniger Credits verbrauchen.

  Kostenvergleich: Beim identischen Landing-Page-Test kostet das Ergebnis bei Lovable ~6 Cent pro Credit (berechnet rückwärts), bei MeDo ~1 Cent pro Credit. Über längere Projekte ist MeDo etwa viermal günstiger bei vergleichbarem Output. MeDo bietet zudem mehr kostenlose Startguthaben (300 vs. 5 Credits) und tägliche Boni (100 Credits pro Login vs. 5).

  Fazit: Beide Tools liefern funktionstüchtige Anwendungen, erfordern aber Nachbearbeitungen bei komplexeren Features. Lovable für designorientierte Projekte wählen; MeDo für kostenbewusste Entwicklung mit fokussierten Anweisungen.

  Demo, Vergleich von Lovable und MeDo – keine spezifischen AI-Modelle erwähnt.

• Interview Coder Just Leaked Users’ Full Names and Where They Got Offers
  12.1.2026, 21:00:39

  Interview Coder – Datenleck durch fehlerhaft zensierte Offer-Galerie

  Interview Coder, eine Plattform zum “Cheaten” in technischen Interviews mithilfe von KI, hat auf ihrer Website eine “Offer Gallery” mit echten Angeboten von Nutzern veröffentlicht – versehentlich mit unzureichend zensierter persönlicher Information. Der Videomacher zeigt, wie man durch simples Kopieren und Einfügen (trotz Redaktionsverlängerung) an vollständige Namen, Standorte, Unternehmen und Kompensationsdetails der Kandidaten kommt – beispielsweise Angebote von Amazon und Apple mit Zahlen wie 182K Jahresgehalt oder 350K in Restricted Stock Units.

  Die Plattform, betrieben von Roy Lee, wirbt damit, völlig anonym und unentdeckbar zu sein – das ist auch der Kernverkaufspunkt, da echtes Cheating bei Interviews massive berufliche Konsequenzen hätte. Das Datenleck ist besonders problematisch, da betroffene Kandidaten, wenn Arbeitgeber das Video sehen, vom Stellenprozess bei großen Tech-Unternehmen ausgeschlossen werden könnten. Dies ist nicht das erste Sicherheitsproblem: Interview Coder hatte bereits 2025 API-Keys in ein öffentliches GitHub-Repository geleckt. Der Videomacher warnt vor der Nutzung solcher Tools, betont ethisches Lernen durch legale Vorbereitung (DSA-Probleme, Mock-Interviews) und bewirbt sein eigenes Coaching-Programm als Alternative.

  Demo eines Sicherheitsmangels an einer spezifischen Plattform (Interview Coder); Format: Meinung/Warnung.

TheAIGRID (4 neues Videos)

• Nvidia Just Changed Self Driving Forever – Tesla Should Be Worried
  17.1.2026, 04:20:58

  Zusammenfassung: Nvidia Just Changed Self Driving Forever

  Nvidia hat mit Alpameo ein neues Open-Source-System für autonomes Fahren vorgestellt, das die Industrie grundlegend verändern könnte. Statt nur Chips zu verkaufen, stellt Nvidia der gesamten Branche frei zur Verfügung: Simulations-Tools, einen Datensatz mit 1.700 Stunden realer Fahrdaten aus 24 EU-Ländern und 50% US-Daten, und ein 10-Milliarden-Parameter Vision-Language-Action-Modell. Das Kernstück ist Alpameos Fähigkeit zum expliziten Reasoning: Das System denkt durch Szenarien logisch wie ein Mensch und kann seinen Entscheidungsprozess nachvollziehbar darstellen – etwa wenn es eine Person mit Leine sieht und vorahnend langsamer wird, weil wahrscheinlich ein Hund folgen könnte.

  Dies kontrastiert mit Teslas End-to-End-Learning-Ansatz: Tesla-Fahrzeuge lernen aus Millionen Fahrtstunden, ohne explizite Logikschritte, ähnlich wie intuitive Fahrfähigkeiten durch Erfahrung entstehen. Beide Methoden haben Vorteile, aber beide müssen das Longtail-Problem meistern – extrem seltene und unerwartete Szenarien, die aber berücksichtigt werden müssen.

  Nvidia kopiert die Android-Strategie: Kostenlose Software, um Hardware zu verkaufen. Mercedes (2026 CLA), Jaguar Land Rover, Lucid und Uber haben bereits Interesse signalisiert. Dies würde die Einstiegsbarriere drastisch senken – von Milliarden Dollar Entwicklungsbudget auf spezialisierte Ingenieure und Anpassung.

  Allerdings bleibt Tesla faktisch weit vorne: 7 Milliarden Gesamtmeilen Fahrdaten, über 6 Millionen Fahrzeuge im kontinuierlichen Echtzeit-Datensammeln (Schatten-Modus mit Dualvergleich), während Alpameos Datensatz statisch mit etwa 50.000–100.000 Meilen viel kleiner ist. Elon Musk tweetet entspannt, aber das wirtschaftliche Risiko liegt in „Death by a Thousand Cuts”: Wenn alle traditionellen Hersteller mit Alpameo konkurrenzfähige Systeme aufbauen, schrumpft Teslas Technologie-Vorsprung, auch ohne dass Nvidia Tesla direkt schlägt.

  Ein dritter Spieler wird übersehen: Waymo betreibt bereits echte, fahrerlose Robotaxis in mehreren Städten – keine Sicherheitsfahrer, echte Fahrgäste, echte Bezahlung. Waymo nutzt Lidar, HD-Karten und ein vorsichtigeres, redundantes System in begrenzten Gebieten. Das funktioniert heute, ist aber schwer skalierbar und teuer. Während Tesla und Nvidia an weltweiter Skalierung arbeiten, hat Waymo das Ziel bereits im kleinen Maßstab erreicht.

  Ein kritisches Detail: Alpameos Trainings-Datensatz schließt UK-Daten explizit aus (Brexit-Folge), obwohl Jaguar Land Rover ein früher Adopter ist. UK-Fahrer fahren links, verwenden andere Beschilderung und Kreuzungsdesigns – das könnte reale Deployments erschweren.

  Demo/Meinung zum Nvidia-Alpameo-Modell und dessen strategischer Implikation für den Selbstfahrer-Markt.

• How Googles Winning The AI Race
  14.1.2026, 13:39:19

  Zusammenfassung: How Google’s Winning The AI Race

  Der Creator argumentiert, dass Google das AI-Rennen gewonnen hat – auf Basis von vier Hauptfaktoren:

  Preis-Leistungs-Verhältnis: Google Gemini AI Ultra kostet etwa die Hälfte von ChatGPT Pro ($200/Monat) oder Claude Max, bietet aber deutlich mehr: Zugang zu Gemini 3, o1 3.1, 25.000 monatliche Video-Credits, Notebook LM, YouTube Premium, 30 TB Speicher und Gemini CLI. Zum Vergleich: ChatGPT und Claude bieten hauptsächlich mehr Tokens und frühen Feature-Zugang.

  Produktqualität: Gemini 3 schneidet in unabhängigen Tests gleichwertig oder besser als GPT-4 ab. Besonders bei Coding-Aufgaben präferieren Entwickler die saubere Code-Generierung und längere Context-Windows von Gemini. Weitere Stärken sind Video-Modelle (o1 3.1), Notebook LM und Google Whisk. Eine Poll des Creators zeigt, dass 53% der Nutzer Gemini als Daily Driver nutzen vs. 47% ChatGPT – ein dramatischer Wandel.

  Verteilungskanäle: Google hat unvergleichliche Reichweite – 3 Milliarden Nutzer bei Google Search, 1,9 Milliarden bei Gmail, 1 Milliarde bei Google Docs, 2,7 Milliarden bei YouTube, 3 Milliarden Android-Geräte. Gemini ist direkt integriert, nicht in separaten Apps. Damit erreicht Google AI-Nutzer automatisch, während ChatGPT User bewusst aufsuchen muss.

  Finanzielle Position: Google verdiente 2025 über 300 Milliarden Dollar Umsatz bei 70 Milliarden Gewinn. OpenAI hingegen verliert massiv – 9 Milliarden 2025, prognostiziert 17 Milliarden 2026 – weil die Inference-Kosten die Preisgestaltung übersteigen. CEO Sam Altman räumte ein, dass die $200-Tier unprofitabel ist. Google kann Gemini jahrelang subventionieren; OpenAI muss dringend profitabel werden.

  Marktanteile verschieben sich: ChatGPT-Traffic sank von 200 Millionen auf 158 Millionen tägliche Visits in 6 Wochen (Dezember–Januar), während Gemini stabil bei 55–60 Millionen blieb. Der Marktanteil von ChatGPT bei AI-Chatbots fiel von über 75% auf 64%.

  Notfall-Signal: Im Dezember 2025 erklärte OpenAI „Code Red” wegen Gemini 3, beschleunigte Releases und versetzt alle auf Fehlerbehebung. Google hatte so etwas nicht nötig – Zeichen, wer die Oberhand hat.

  Andere Spieler: Anthropic ist Gewinner in der Coding-Nische (Claude Opus), wird aber von Google und Amazon unterstützt, wodurch ein Google-Sieg ohnehin wahrscheinlich ist. DeepSeek commoditisiert günstig für Entwickler des Globalen Südens, ist aber kein Produkt-Unternehmen. Copilot von Microsoft hat zwar Distribution, aber wenig Innovation. Grok nutzt X-Integration, hat aber keine Nutzer-Basis wie Google. Google expandiert auch in Robotik (Wahimo, Boston Dynamics, Apollo).

  Das Video ist eine detaillierte Meinung/Reflexion mit Datenbelegen (Traffic-Zahlen, Finanzberichte, User-Polls), die den Trend dokumentiert, ohne ihn als Spekulation darzustellen.

  Format: Meinung/Reflexion mit Datenanalyse; thematisiert Google, OpenAI und Anthropic.

• Boston Dynamics Atlas Is The Only New Humanoid That Matters
  12.1.2026, 23:32:28

  Boston Dynamics Atlas ist der einzige neue Humanoide, der zählt

  Das Video argumentiert, dass Atlas von Boston Dynamics sich fundamental von allen anderen Humanoid-Robotern unterscheidet – nicht durch spektakuläre Tricks, sondern durch echte industrielle Einsatzfähigkeit. Während andere Roboter in kontrollierten Demos laufen, tanzen oder kämpfen, arbeitet Atlas bereits in echten Fabriken und erledigt komplexe Aufgaben wie das Greifen, Sortieren und Platzieren von Auto-Teilen völlig autonom – ohne Fernsteuerung, Stunden lang. Hyundai plant die Produktion von 30.000 Atlas-Robotern pro Jahr ab diesem Jahr.

  Der Autor führt mehrere Unterscheidungsmerkmale auf: Mobilität – Atlas kann Parkour bewältigen, sich selbst fangen, mit 360°-drehbaren Gelenken operieren und auf realen Fabrikböden mit Hindernissen navigieren. Manipulation – Dank fortgeschrittener Hände kann Atlas irreguläre Objekte greifen und präzise platzieren, während die meisten Konkurrenten nur Grundgriffe in perfekt positionierten Szenarien zeigen. KI und Autonomie – Boston Dynamics arbeitet mit Google DeepMind an „Large Behavior Models”, die es dem Roboter ermöglichen, neue Aufgaben in 48 Stunden zu lernen und dann tausendfach autonom auszuführen.

  Der Wissensvorsprung ist enorm: Boston Dynamics entwickelt seit über 30 Jahren, Tesla und Figure seit weniger als fünf Jahren. Tesla’s Optimus funktioniert bisher nur in kontrollierten Umgebungen; Figure, obwohl beeindruckend, ist noch Jahre hinter Atlas in Zuverlässigkeit und echtem Deployment. Chinesische Roboter-Videos fokussieren auf virale Momente, nicht auf industrielle Brauchbarkeit.

  Ein entscheidendes, unterbewertetes Feature ist die Modularität: Atlas ist so konstruiert, dass Teile vor Ort ausgetauscht werden können. Das reduziert Ausfallzeiten und Kosten massiv – Hyundai muss Roboter nicht zur Reparatur zurückschicken. Die Konkurrenz kopiert diesen Ansatz nicht, weil es extrem schwer zu konstruieren ist und die meisten Startups noch kämpfen, überhaupt ein funktionierendes Roboter zu bauen.

  Der zweite Teil des Videos adressiert die unbequeme Wahrheit der Jobverluste: Ein Atlas arbeitet 24/7 ohne Pausen, Krankheit oder Gehaltserhöhungen. Bei 30.000 Robotern pro Jahr und deren Fähigkeit, sofort voneinander zu lernen, werden komplexe Tätigkeiten in Fabriken, Lagern, Einzelhandel, Lieferketten etc. massiv automatisiert. Der Autor argumentiert, dass zwar neue Jobs entstehen (Roboterwartung, Programmierung), aber das Verhältnis negativ ausfällt: 100 ersetzte Arbeiter = vielleicht 10 neue Jobs. Im Gegensatz zu früheren Automatisierungswellen betrifft das fast alle physischen Branchen gleichzeitig. Die Gesellschaft habe keine Antworten auf Umschulung in diesem Ausmaß oder auf ein Wirtschaftsmodell ohne Massenerwerbstätigkeit – doch die Roboter kämen ohnehin, weil Bostons Dynamics’ Kapazitäten bereits ausverkauft sind.

  Das Video ist eine Meinung/Reflexion mit technischem Deep-Dive zur Leistungslücke gegenüber Konkurrenten sowie einer Warnung vor gesellschaftlichen Folgen; Boston Dynamics Atlas und Google DeepMind sowie Vergleiche zu Tesla Optimus und Figure Robotics werden explizit genannt.

• Mark Zuckerberg’s AI Dream is Becoming a Nightmare
  11.1.2026, 00:07:01

  Das Video argumentiert, dass Metas Strategie im AI-Rennen grundlegend gescheitert ist – trotz enormer Ressourcen. Die zentrale These: Statt einer kohärenten Vision werfen die Verantwortlichen Geld auf Probleme und produzieren bedeutungslose Produkte.

  Der Yan LeCun-Konflikt: LeCun, Turing-Award-Gewinner und Chief AI Scientist bei Meta seit über einem Jahrzehnt, vertritt die These, dass der LLM-Ansatz (wie ChatGPT) falsch ist. Er setzt stattdessen auf World Models und energiebasierte Lernmethoden, die menschliche Gehirne näher abbilden. Meta ignoriert ihn jedoch und baut einfach immer größere Sprachmodelle – während Tesla und DeepMind LeCuns Ideen ernsthaft verfolgen.

  Der Llama-4-Benchmark-Skandal: Meta manipulierte Benchmark-Ergebnisse für sein Flagship-Modell, indem es mehrfach testete und nur die besten Ergebnisse meldete, statt Durchschnittswerte zu berichten – was Vertrauen zerstört und strategische Fehlentscheidungen auf Basis falscher Daten ermöglicht.

  Meta Vibes und AI-Chatbots: Meta verschwendete Ressourcen auf minderwertige Produkte: eine App zur Massenproduktion von AI-Slop und Celebrity-Chatbots (einschließlich eines AI-Stepmom-Charakters) – generische, unerwünschte Content-Tools, die zeigen, dass Meta nur Engagement-Metriken statt echter AGI-Fortschritt verfolgt.

  Organisatorische Dysfunktion: Ein 28-jähriger Manager leitet angeblich LeCun, einen Turing-Award-Gewinner. Ohne technische Glaubwürdigkeit entstehen politische Machtkämpfe statt evidenzbasierte Forschungspriorisierung, und Top-Talente verlassen das Unternehmen.

  Akquisitions-Strategie ohne Plan: Meta kauft AI-Startups (wie Minds) und zahlt astronomische Gehälter, um Talente anzulocken, gibt ihnen dann aber keine sinnvolle Arbeit – sie landen bei Ad-Optimierung und Instagram-Features statt bahnbrechender Forschung.

  Der Video-Autor schlägt vor: LeCun echte Autonomie geben, Benchmarks korrigieren, Management mit technischer Kompetenz besetzen, AI-Slop stoppen und eine tatsächliche langfristige Strategie entwickeln. Stattdessen werde Meta wahrscheinlich weitermachen wie bisher und in fünf Jahren mit teuren, nutzlosen Chatbots dastehen, wenn OpenAI, Google oder ein unbekanntes Startup AGI erreiche.

  Thematisierte AI-Ansätze: Yan LeCun, LLMs, World Models, Energy-Based Learning; kein spezifisches Tool erwähnt — Meinung/Reflexion, kritische Analyse.

Theo – t3․gg (6 neues Videos)

• Claude Cowork: a small taste of AGI
  17.1.2026, 11:18:30

  Zusammenfassung: Claude Cowork – Ein Vorgeschmack auf AGI

  Der Ersteller nutzt Claude Code täglich, aber nicht primär zum Programmieren, sondern für persönliche Anwendungsfälle – etwa zur Analyse von iMessage-Verlauf oder zum Organisieren von Dateien. Anthropics neues Produkt Claude Cowork soll diese Nutzungsweisen für normale Nutzer zugänglich machen, die nicht im Terminal arbeiten möchten.

  Aufbau und Features: Cowork ist ein Tab in der Claude Desktop-App (neben Chat und Code), wo Nutzer eine Eingabeaufforderung eingeben und optional Dateien/Ordner anhängen können. Es läuft in einer virtualisierten Umgebung mit Ubuntu-VM (über Apples Virtualisierungs-Framework), separaten Netzwerk-Namespaces und Prozess-Isolation. Die App kann Browser-Tab übernehmen, Desktop organisieren und bietet Zugriff auf Plugins, MCPs, Skills, Connectors und Custom Extensions.

  Praktische Nutzung: Der Ersteller testet Cowork mit realistischen Szenarien – Desktoporganisation, Durchsuchen eines herunterladenen Ordners (27.500+ Dateien, 28 GB), Analyse von Blog-Entwürfen gegen eine Website. Die Tool zeigt sich bei Dateisystem-basierten Aufgaben brauchbar, scheitert aber bei Zugriff auf lokale Datenbanken (iMessage) ohne explizite Berechtigung und kann nicht auf Cloud-Speicher (Notion, Google Drive) zugreifen, solange nicht einzelne Dateien lokal vorliegen.

  Kritik am Produkt: Trotz Anthropics starkem Claude-Code-Modell ist die App UI defekt – Ladeprobleme, Flickering, Modales Chaos bei der Anmeldung, UI-Clipping. Der Ersteller vermutet, dass Anthropic-Mitarbeiter diese Bugs nicht sehen, weil bereits alle angemeldet sind und intern Claude Code anders verwenden. Diese Mängel unterminieren die Positionierung als Produkt für „normale Menschen”.

  Sicherheitsbedenken: Prompt Injection bleibt ein Risiko – malware Dateien könnten versteckte Anweisungen enthalten, die Claude manipulieren, Daten zu exfiltrieren oder unerwünschte Aktionen auszuführen. Anthropic hat Abwehrmaßnahmen (Summarization durch separate strenge System-Prompts, Sandbox-Isolierung), aber die Verantwortung wird etwas verschwommen kommuniziert. Non-technische Nutzer können „verdächtige Aktionen” von Prompt Injection nicht erkennen.

  Vergleich mit Claudebot: Der Ersteller erwähnt Claudebot (Open-Source, von Pete), ein ähnliches Tool, das Claude Code Remote über Telegram/WhatsApp/iMessage steuert – deutlich fähiger, offener und inspirativ für Coworks Entwicklung (Anthropic-Team sagte, es habe 2 Wochen gedauert, ganz mit Claude Code gebaut).

  Ausblick: Das Produkt signalisiert einen Wendepunkt – zum ersten Mal können Non-Techniker AI tatsächlich Aufgaben ausführen lassen (nicht nur Informationen abrufen). Cowork ist ein Blick in eine Zukunft, in der Betriebssysteme fundamental durch AI verändert werden. Für Executive Assistants und dateiintensive Jobprofile könnte es wertvoll sein.

  Abschließend: Der Ersteller fordert Anthropic dazu auf, Claude Code open-sourcen – die Anmeldungs- und UX-Probleme sind inakzeptabel für ein Produkt dieser Positionierung.

  Claude (Anthropic) wurde thematisiert; Formate waren Demo/Reflexion mit Live-Nutzungs-Tests und miteingeflecht News zum internen Labs-Programm von Anthropic. — Ein umfassendes Hands-on-Video mit starker Produktkritik und breiterer Visionsreflexion zum AGI-Moment in der Mensch-Computer-Interaktion.

• We need to talk about Ralph
  16.1.2026, 09:38:16

  Zusammenfassung: We need to talk about Ralph

  Ralph Loops sind Bash-Schleifen, die KI-Agenten wiederholt ausführen, um längere Aufgaben zu bewältigen. Das Konzept wurde von Jeff Huntley im Juli eingeführt; der Name stammt von einer Joke-Referenz auf Lee Quick und Ralph Wigum. Der zentrale Trick besteht darin, den klassischen Compaction-Ansatz zu umgehen (bei dem lange Kontexte komprimiert werden), indem jede neue Iteration mit einer frischen Instanz startet – statt den gesamten Chat-Verlauf zu behalten.

  Das Kernproblem: Wenn Modelle zu lange Kontexte sehen, tritt “Context Rot” auf (Qualitätsabbau durch Informationsüberflutung). Compaction verursacht Informationsverlust kritischer Details. Ralph Loops lösen das durch externe Orchestrierung: Ein Bash-Skript ruft den Agenten immer wieder auf, behält aber die Arbeitsdokumentation (PRD-Datei, Progress-Datei, Git-Commits) persistent außerhalb des Kontexts.

  Implementierungsvarianten: Der Plugin für Claude Code (bei dem die Schleife intern läuft) verliert viele Vorteile, weil Claude Code weiterhin die Kontrolle behält und der Context weiterhin anschwillt. Bessere Implementierungen (wie Bens Elixir-Approach) wickeln Claude Code von außen ein. Ryan Carsons Implementierung zeigt ein praktisches Muster: Markdown-PRD mit Aufgaben und Status, Prompt-Datei mit Instruktionen zum Lesen dieser Dateien, Agenten wählen prioritär aus (nicht sequenziell), commiten bei Erfolg, aktualisieren Fortschritts- und PRD-Dateien, Schleife bis promise complete ausgegeben wird.

  Wichtige Designprinzipien: Der anfängliche Prompt sollte Pfade zu Referenzdateien (Spec, Implementierungsplan) enthalten, nicht alle Informationen direkt einfügen – der Agent soll bei Bedarf nachschlagen. Akzeptanzkriterien können Text-Beschreibungen oder Tests sein. Pre-Commit-Hooks (z.B. mit Code-Analyse-Tools wie Code Rabbit) helfen, Code-Qualität zu sichern. Sequenzielle statt parallele Verarbeitung reduziert Komplexität erheblich, da Agenten nicht mehr voneinander abhängige Blockierungen mehrfach erkennen müssen.

  Kontext: Die Diskussion betont, dass nicht jedes längerlaufende Projekt Ralph Loops braucht – manche Modelle wie Codex führen längere, zusammenhängende Aufgaben besser durch. Ein erwähnter hochproduktiver Engineer (Peter) nutzt primär Codex und GPT-4, nicht Ralph Loops. Der gemeinsame Nenner aller Ansätze ist Context Engineering: die richtige Information zur richtigen Zeit bereitzustellen, damit der Agent richtig startet.

  Die konkrete Bash-Loop-Syntax ist sekundär; es geht um Prinzipien der Agenten-Orchestrierung und Kontextverwaltung für zuverlässigere Multi-Schritt-Aufgaben.

  Claude (via Cursor, Claude Code) und Code-Analyse-Tools wurden explizit thematisiert; das Video ist eine Reflexion/Deep-Dive mit praktischen Implementierungsbeispielen.

• What happens now?
  15.1.2026, 08:02:10

  Zusammenfassung: “What happens now?”

  Der Creator reflektiert über einen fundamentalen Paradigmenwechsel in der Softwareentwicklung. Der zentrale Punkt: Code ist nicht mehr teuer, sondern billig geworden – durch AI-Tools wie Claude Code und andere LLMs. Das hat massive Konsequenzen.

  Die Verschiebung:

  Während Code-Generierung trivial wurde, ist echte Software – ein Produkt, das Menschen lösen möchten – immer noch teuer. Der Creator vergleicht das mit der Compiler-Revolution: Damals kümmerte man sich nicht mehr um Assembly-Code, sondern um das, was kompilierte. Ähnlich jetzt: Die technische Umsetzung verliert an Relevanz, das zu lösende Problem gewinnt.

  Neue Ära: “Disposable Software”

  Menschen bauen jetzt wegwerfbare Werkzeuge – Scripts, Chrome-Extensions, kleine Tracker – für Ein-Zweck-Probleme. Code, der nur einmal läuft oder überhaupt nicht. Die Threshold, ab der es sich „lohnt”, etwas zu automatisieren, ist radikal gesunken. Der Creator hat Zehntausende Codezeilen geschrieben, die er direkt weggeworfen hat.

  Von SaaS zu Scratchpads:

  Statt sich ständig neue Tools zu abonnieren, öffnet man Claude Code und löst das Problem ad-hoc. Das funktioniert nur, weil die Reibung weg ist – keine Onboarding, lokale Daten, CLI-first-Interfaces.

  Aber: Code ist nicht Software

  Die meisten AI-generierten Apps sind fragil. Eine Subscription-Tracker bricht, wenn die Bank das CSV-Format ändert. Das Problem: Diese Tools verstehen Anforderungen nicht wirklich, sie generieren nur Syntax. Echte Software braucht Architektur, Fehlerbehandlung, Datensicherheit. Und das kann AI (noch) nicht.

  Distribution schlägt Engineering:

  Die neue Knappheit ist nicht mehr technische Kompetenz – das können jetzt alle –, sondern die Fähigkeit, Menschen zum Zuhören zu bringen. Der Creator erzählt vom Developer, der YouTuber werden wollte, aber nicht wusste, was YouTube ist: Er dachte, das Problem sei der Video-Editor. Typisches Dunning-Kruger-Phänomen. Die wahren Hürden (Audience-Building, Storytelling, Timing) bleiben.

  Wer gewinnt:

  • Domain-Experten mit lästigen Routineaufgaben
  • Interne Teams, die schnell Tools brauchen
  • Bereits etablierte Maker mit Distribution-Channels
  • Erfahrene Engineers, die AI als “orchester-fähigen Mitarbeiter” nutzen (nicht als Replacement)

  Wer verliert: Engineers, deren Vorteil nur „schneller Code schreiben” war. Das war eine seltene Fähigkeit, jetzt haben alle sie.

  Die These bleibt offen:

  Der Creator weiß nicht, wie Software 2030 aussieht. Aber: Motivation wird der Differenziator. Wer bereit ist zu lernen, zu iterieren, zu verstehen warum etwas bricht – der überlebt. Wer denkt, dass bessere Tools alle Probleme lösen – der nicht.

  Erwähnte Tools & Ansätze: Claude Code, Opus 4.5, Open Code, Cursor, Convex (als Datenbank-Lösung), SpaceTime (Sponsor – lokale MMO-Datenbank mit TypeScript); plus Diskussion über Retool, Lovable, Replit, n8n-Äquivalente im Kontext der neuen Landschaft.

  Format: Meinung/Reflexion mit Live-Coding-Experiment im Hintergrund (35-Minuten-Elixir-Projekt).

• Vibe Coding is For Senior Developers
  14.1.2026, 12:25:20

  Zusammenfassung: Vibe Coding is For Senior Developers

  Der zentrale Punkt: Nicht Anfänger, sondern Senior-Entwickler – Dan Abramov (React), DHH (Rails), Linus Torvalds (Linux), Anti-Res (Reddit) – nutzen massiv AI-Coding-Tools. Das widerlegt die These, dass diese Tools nur für schwache Programmierer taugen.

  Die Kernbeobachtung stammt aus einem Post von Eric bei Cursor: Senior Engineers akzeptieren mehr Agent-Output als Anfänger. Das liegt an mehreren Faktoren: Sie schreiben präzisere Prompts mit klaren Specs, zerlegen Aufgaben in Agent-kompatible Einheiten, und haben bessere Kontrollmechanismen zur Validierung. Anfänger generieren zwar viel, fehlt ihnen aber die Verifikations-Heuristik.

  Der größere Kontext: Der Unterschied zwischen Junior und Senior ist nicht nur Capability (Fähigkeit zu programmieren), sondern auch Clarity (Fähigkeit, Anforderungen klar zu beschreiben) und – entscheidend – Delegation und Orchestration. Während Juniors vor allem Capability aufbauen, sind diese beiden Letztgenannten der Schlüssel zur nächsten Karriere-Stufe. Linus Torvalds ist das Paradebeispiel: Er schreibt kaum noch Code selbst, sondern beschreibt Ideen präzise und lässt andere sie umsetzen – exakt das, was gute AI-Prompting erfordert.

  Konkrete Beispiele: DHH hat neulich ein Blog-Post verfasst, dass AI-Agents nun produktionsreife Contributions liefern. Anti-Res ersetzte eine 3.800-Zeilen-C++-Library durch minimales reines C, generiert von Claude und peer-reviewed mit Codeex GPT. Linus vibecoded selbst einen Audio-Visualizer in Python – ein Bereich, bei dem er weniger Stärke hat.

  Die provokative These: Die meisten Entwickler, die AI-Code ablehnen, haben historisch weniger Fokus auf Delegation und Orchestration gelegt. Capability wurde überbewertet; die Industrie muss Clarity und Koordination höher gewichten. Mit AI-Agents lernen Devs gezwungenermaßen, besser zu delegieren – genau die Fähigkeiten, die in großen Systemen zählen. Das ist nicht Angriff auf Programmierer-Capability, sondern eine Verschiebung, was echte Software-Engineering ausmacht.

  Konkreter Use-Case von Kernel (Sponsor): Browser-Zugang für Agents, um reale Web-Interaktionen zu automatisieren.

  Das Video behandelt Claude (Opus 4.5), Codeex GPT 5.2 und erwähnt Tools wie Cursor und Open Code — Meinung/Reflexion, mittlere bis gehobene Komplexität.

• It’s time to change your database
  13.1.2026, 13:07:28

  It’s Time to Change Your Database – Zusammenfassung

  Der Creator argumentiert, dass Entwickler von Supabase zu Convex wechseln sollten, basierend auf Preismodell, Architektur und Developer Experience.

  Pricing & Geschäftsmodell: Supabase bestraft Nutzer für mehrere Projekte – die kostenlose Stufe erlaubt nur zwei aktive Projekte. Wenn man eine Organisation upgradet, werden alle Projekte automatisch kostenpflichtig mit mindestens $10/Monat. Convex dagegen bietet großzügige kostenlose Kontingente (40 kostenlose Deployments, bis zu sechs Teamnutzer) und skaliert die Kosten nach tatsächlicher Nutzung statt nach Kapazität.

  Architektur und Code-Management: Der entscheidende Unterschied: Bei Convex liegt die gesamte Infrastruktur als Code in einem convex-Ordner im Projekt (Schema, Queries, Mutations, Actions). Supabase erfordert dagegen eine Verwaltung über Dashboards und zusätzliche abstrakte Konzepte wie Row-Level-Security (RLS). Convex erzwingt, dass Datenzugriff nur über definierte Funktionen läuft – das macht Permissions explizit und für Agents lesbar, während RLS in Supabase “arbiträr” in der Datenbank verankert ist.

  Developer Experience: Queries und Mutations in Convex sind pure TypeScript ohne spezielle Syntax. Datenbank-Änderungen deployen sofort, ohne Dashboard-Konfiguration. Agents (wie Claude Code) können problemlos Code schreiben, weil alles transparente TypeScript-Funktionen sind – nicht wie bei Supabase, wo sie über Datenbank-APIs, MCPs und Dashboards jonglieren müssen.

  Components-System: Convex bietet vorgefertigte Komponenten (Stripe-Integration, Work Pools für parallelisierte Tasks mit Limits, Crons, Collab-Editors, verschiedene Auth-Provider). Diese können einfach installiert werden, ohne externe Services zu betreiben.

  Real-time Sync: Convex invalidiert automatisch Query-Caches nach Mutations, sodass Clients sofort Updates erhalten, ohne explizite Logik.

  Downsides: Convex ist nicht für Analytics ausgelegt (keine großen Scan-Queries über Milliarden Zeilen), nicht optimal für BI-Tools oder Datenbankabfragen durch Analysten. Best Practice: Daten zu Snowflake/Databricks streamen für Analytics. Außerdem ist die TypeScript-Unterstützung am stärksten – andere SDKs sind weniger poliert.

  Live-Demo: Claude Code baut in ~20 Minuten komplett von Grund auf eine Image-Generation-App mit Convex, Fal-Integration, Gallery und Real-time-Sync auf – ohne dass der Creator eine Zeile schreibt. Errors werden inline gefixt, alles deployed sofort.

  Fazit: Convex ist optimal für Application Development in TypeScript – nicht für Data Analytics. Der Creator hat nach 4 Jahren Skepsis gegenüber Convex nun Tausende Dollar pro Monat darauf ausgegeben und nennt es „das beste Datenbankplatform für Application Development je gemacht”.

  Explizit thematisiert: Convex, Supabase, Claude Code, Cursor, Codeex als Agents; Architektur und Pricing-Vergleich — Meinung/Reflexion mit Demo-Element.

• You’re falling behind. It’s time to catch up.
  12.1.2026, 03:31:56

  Der Creator argumentiert, dass Programmierer jetzt zu spät sind, wenn sie noch nicht in AI-gestützte Entwicklung investieren – der Punkt, an dem abgewartet werden konnte, ist vorbei. Er berichtet aus persönlicher Erfahrung, dass 90% seines eigenen Codes und 70% des Codes in seinen Teams bereits von KI generiert werden, und dass dies an vielen führenden Unternehmen Standard ist.

  Konkrete Schritte zum Aufholen:

  1. Tools ausprobieren und Grenzen finden: Claude Code, Cursor oder Open Code mit den neuesten Modellen (Opus 4.5, GPT-4/5.2x) nutzen, echte Features aus eigenen Projekten damit umsetzen, Output lesen und Fähigkeiten/Limitierungen verstehen. Plan-Modi nutzen, um zu lernen, wie Agenten Codebases analysieren.
  1. Eigene Benchmarks bauen: Früher erledigte Aufgaben in Repos klonen, mit KI-Agenten testen und Ergebnisse speichern für spätere Vergleiche bei Model-Updates.
  1. Mindset umdenken: Anfangen, Probleme zu sehen, die man vorher nicht automatisiert hätte (weil es zu aufwändig schien) – jetzt völlig lösbar in Minuten statt Tagen. Beispiele: Asset-Management-Tools für Spiele, Alias-Generierung, Automatisierung von Workflows.
  1. Orchestrierung: Tools verbinden, Agenten-MDDateien nutzen, LSP/Linting/Type-Safety für besseres Feedback an Modelle, strukturierte Outputs, robuste Infra für Sandbox-Execution.

  Für Leaders/Teams: KI-Code-Review-Tools (Graple, CodeRabbit) nutzen, Agenten Zugriff auf alle Dev-Tools geben (Linear, GitHub, Datadog, Sentry), Evals bauen, auf aktuelle Modellgenerationen updaten, Custom Fine-Tuning ignorieren (ist zu langsam gegenüber Prompt-Iteration).

  Kernbotschaft: Spielen, experimentieren, unbequem werden. Die besten Devs bauen bereits „crazy shit” damit. Wenn der Arbeitgeber es nicht erlaubt, sollte man es trotzdem versuchen oder sich einen besseren Job suchen – die Landschaft ändert sich schneller, als jemals zuvor.

  Demo-Highlight: Claude Code mit Convex und FAL baute in einem Take ein voll funktionierendes Bildgenerator-Studio mit Backend, Sync und Datei-Speicherung inklusive benutzerfreundlichem UI.

  Der Creator bespricht primär Claude und Cursor, erwähnt auch Open Code, Devon, GitHub Copilot, und referenziert intern Tools wie Claudebot sowie externe Erkenntnisse von RAMP-Ingenieuren; das Format ist eine ausführliche Meinung/Anleitung mit Demo-Elementen — Deep-Dive.

Tim Carambat

Keine neuen Videos in diesem Zeitraum.

Unsupervised Learning (1 neues Video)

• A Conversation With Kun Chen
  14.1.2026, 16:00:24

  Zusammenfassung: A Conversation With Kun Chen

  Kun Chen, Lead Architect bei Atlassian, diskutiert RoboDev, ein KI-Agent speziell für professionelle Entwicklerteams. RoboDev wurde zunächst intern bei Atlassian entwickelt und danach als öffentliches Produkt verfügbar gemacht – inspiriert davon, dass tausende eigene Ingenieure bereits Wert darin sahen.

  Das Kernproblem, das RoboDev adressiert: Während populäre AI-Coding-Tools wie GitHub Copilot und Cursor auf Einzelentwickler und Demo-Projekte optimiert sind (z.B. ein Minecraft-Klon), lösen sie nicht die Probleme professioneller Teams. Diese müssen sich mit CI/CD-Pipelines, Test-Coverage, Security, Code-Reviews und Wissensaustausch beschäftigen. RoboDev wurde speziell dafür ausgelegt – etwa um Dead Code wie alte Feature Flags zu bereinigen oder Incidents durch automatische Root-Cause-Analyse und Prevention-Guidelines zu verhindern.

  Messbare Erfolge: PR Cycle Time sank um über 40%, weil RoboDev als Code Reviewer sofort Feedback gibt und triviale Probleme früh abfängt, bevor Human Reviewer sich einschalten.

  Organisationales Wissen als Kern: Statt lange Prompts zu schreiben, nutzt RoboDev ein „Minimum Viable Prompt”-Konzept. Der Agent durchsucht automatisch Slack, Google Docs, SharePoint, Jira und andere Wissensquellen, die mit Atlassian verbunden sind, um den richtigen Kontext zu finden. Kodierstandards können in Markdown festgehalten werden; wenn ein vergangenes Incident dokumentiert wurde, erkennt RoboDev zukünftige ähnliche Muster und warnt Entwickler.

  Differenzierung zu anderen Tools: RoboDev optimiert nicht nur die 16% Coding-Zeit, sondern die 84% nicht-Coding-Friktionen (Recherche, Onboarding, Dokumentation, Incident Response). Ein weiteres Konzept: der Agent sollte „schlafen” und seine Erinnerung reorganisieren, indem er aus früheren Sessions lernt und Ineffizienzen in sein Memory extrahiert.

  Zukunftstrends: KI wird langsamer, weil Agents mehr Verantwortung übernehmen (Tests, Self-Correction). Das erfordert asynchrone Arbeitsmodelle – Entwickler müssen mehrere Agents parallel laufen lassen, nicht sequenziell arbeiten. Code Review wird zum neuen Bottleneck, da Coding jetzt schnell ist. Features wie „Full Context Mode” (ähnlich Claude’s Deep Research) ermöglichen gewollte, tiefere Recherche auf Abruf.

  RoboDev ist als CLI, VS Code/Cursor-Extension, Cloud-Agent (für Jira, parallele Sandboxes), PR-Reviewer und Incident-Response-Tool verfügbar – alle schichten sich auf derselben Architektur.

  Explizit thematisiert: Atlassian RoboDev, Cursor, GitHub Copilot — Live-Gespräch/Interview.

WorldofAI (7 neues Videos)

• Gemini Agent Mode Upgraded! Powerful Autonomous AI Coding Agent Can Build ANYTHING & IS FULLY FREE!
  17.1.2026, 04:59:03

  Gemini Agent Mode Upgraded – Google AI Studio erhält bedeutende Verbesserungen

  Google hat Google AI Studio, seine kostenlose Plattform für KI-gesteuerte App-Entwicklung, mit mehreren großen Upgrades ausgestattet. Die Neuerungen umfassen die Integration von VO3.1 direkt in der Studio-Umgebung, die verbesserte Datenverwaltung mit der Gemini API sowie erweiterte Agent-Building-Fähigkeiten.

  VO3.1 für Video-Generierung: Das neue Videomodell ist nun kostenlos in Google AI Studio verfügbar und bietet verbesserte Eingabe-zu-Video-Technologie mit konsistenter Charakterdarstellung. Es unterstützt native Videoformate im 9×6-Verhältnis für vertikale, mobile-optimierte Inhalte statt nur zugeschnittene Horizontalvideos. Zudem liefert VO3.1 höhere Auflösungen mit 1080p oder sogar 4K-Qualität.

  API und Datenhandling: Die Gemini API unterstützt nun direktes Hochladen von Dateien aus Google Cloud Storage oder signierten HTTPS-URLs (inklusive AWS S3 und Azure Blob Storage), ohne erneutes Hochladen. Die Dateigrößenlimits wurden von 20 MB auf 100 MB erhöht, was größere Bilder, Audio und Dokumente bei der Verarbeitung ermöglicht.

  Agent-Building und Automation: Python-Skripte können direkt in Google AI Studio generiert und in Frameworks wie Lovable oder Agent Zero importiert werden, um Working Automations zu erstellen – ohne manuelle Integration oder externe Tool-Warteschlangen.

  Dashboard-Verbesserungen: Der überarbeitete Usage-Tab zeigt API-Request-Erfolgsraten sowie Gemini-Embedding-Nutzung mit detaillierten Analysen pro Tag.

  Zukünftige Features: Laut Produktleiter Logan sind ein GitHub-Import-Feature und Gemini 3 (allgemein verfügbar) in Arbeit, ebenso wie vollständiger Backend-Support mit Authentifizierung, Stripe-Integration und Deployment.

  Build Mode Demo: Das Video zeigt ein Finance-App-Beispiel, das allein durch natürlichsprachliches Prompting generiert wurde, inklusive KI-Features zur Datenanalyse, mit voller Codevisualisierung, Device-Preview und GitHub-Upload.

  Thematisiert: Google (Gemini 3 Pro, VO3.1, Google AI Studio, Gemini API, Vertex AI), Agent Zero, Lovable – Demo/News-Update.

• How to Use Google’s Antigravity Better than 99% of People
  16.1.2026, 05:51:04

  Google’s Antigravity: Effektive Nutzung als Multi-Agent-System

  Google Antigravity ist ein kostenloses, Gemini 3-basiertes Agent-IDE, das häufig unterschätzt wird. Viele Nutzer verbinden ein einzelnes Tool, schreiben eine vage Anfrage und wundern sich dann über mittelmäßige Ergebnisse – sie realisieren nicht, dass Antigravity z.B. direkt Daten in Google Sheets manipulieren kann (Dateneingabe automatisieren, Datensätze bereinigen, Zeilen aktualisieren) oder als Browser-Integration arbeitet.

  Installation und grundlegende Nutzung: Nach der Installation für Mac OS, Windows oder Linux kann man ein Code-Repository öffnen oder von GitHub klonen. In den Agents-Panel lassen sich verschiedene Modelle (Gemini 3 Pro, Sonnet 4.5, Opus) in zwei Modi verwenden: „Planning” für komplexe Task-Listen und „Fast” für direkte Ausführung. Dateien können angehängt, Prompts per Stimme eingegeben werden.

  Agent Manager – das Kernfeature: Der Agent Manager definiert, wer welche Aufgabe übernimmt. Mehrere spezialisierte Agenten können gleichzeitig arbeiten (z.B. ein Agent crawlt Websites für Fonts und Farbpaletten, ein zweiter kompiliert das in ein Onboarding-Dokument, ein dritter schreibt automatisch eine Willkommens-E-Mail in Gmail). So lassen sich Workflows vollständig automatisieren.

  Browser-Integration: Der Chrome-Button aktiviert Browser-Automation. Ein Agent kann z.B. Webseiten scrapen, Inhalte als Markdown exportieren und zeigt die Session-Aufzeichnung im Editor an.

  Gemini MD & Skills MD: Diese Dateien fungieren als Blueprint (Persönlichkeit, Ziele, Verhalten des Agenten) und als Liste der Tools/Fähigkeiten. Sie können manuell geschrieben oder vom KI-Modell generiert werden. Das Planning-Modell liefert dabei auch Visualisierungen (z.B. in Magic Charts) und eine Execution-Strategie.

  Praktisches Beispiel – Finance-App: Mit detaillierten, beschreibenden Prompts (z.B. „wie ein Vollstack-Frontend-Builder für ein renommiertes Unternehmen”) generiert Antigravity funktionierende Apps. Die gezeigte Finance-App kann Rechnungen scannen, sie ins Ledger übernehmen und mit Vision-Modellen abfotografierte Quittungen automatisch transkribieren.

  MCP-Server Integration: Über die MCP Store können externe Datenquellen wie Pinecone integriert werden – ein Klick installiert die Verbindung, der Agent nutzt dann zusätzliche Datenquellen (GitHub, Slack etc.).

  Customization & Artifacts: Benutzerdefinierte Regeln steuern das Agent-Verhalten. Das Artifacts-Feature macht den Agent transparent: statt Black-Box-Arbeit zeigt es live, welche Dateien aktualisiert werden, wie der Agent plant und handelt. Man kann in Echtzeit eingreifen, Edits hinzufügen und den Workflow steuern.

  Tipp: Prompts sollten sehr detailliert sein – im Zweifel KI nutzen, um bessere Prompts zu formulieren. Die Beispielapp zeigt: mit präzisen Anweisungen entstehen professionelle, funktionale Schnittstellen.

  Demo-Video, das Google’s Antigravity mit Gemini 3 und MCP-Integrationen als praktisches Multi-Agent-Automation-Werkzeug präsentiert.

• Antigravity NEW Update is HUGE! Agent Skills, Subagents, AI Automation, and More!
  15.1.2026, 03:36:16

  Zusammenfassung

  Google hat ein großes Update für Antigravity veröffentlicht, das die Plattform erheblich erweitert. Das Hauptfeature sind Agent Skills – ein offener Standard, der ermöglicht, projektspezifische Workflows und Utilities als wiederverwendbare Skills zu verpacken (in Markdown oder YAML). Der Agent kann diese Skills automatisch erkennen und anwenden, was API-Integration, Browser-Testing, Bug-Fixing und andere sich wiederholende Aufgaben automatisiert und deutlich beschleunigt. Skills können direkt im Workspace hinzugefügt werden; das Demo zeigt einen Crypto-Exchange, bei dem Skills für das Starten/Stoppen der Server sowie das Hinzufügen von Trading-Paaren in Sekunden abgewickelt werden.

  Weitere Updates umfassen: Weekly Usage Caps für AI-Pro-User (zusätzlich zu bestehenden 5-Stunden-Refresh-Zyklen), was Power-User stärker Richtung AI-Ultra-Plan drängt – der unbegrenzten Zugang behält; Parallel Agents mit Background-Task-Orchestrierung, die mehrere Agenten gleichzeitig ausführen; Secure Mode mit strikten Sicherheitskontrollen (Website-Whitelisting, manuelle Freigabe für Terminal/JavaScript, Workspace-Lock); Gemini 3 Flash mit kostenlosem Tier und etwa halber Ausführungszeit gegenüber Gemini 3 Pro; Browser-Integration zur direkten Manipulation von Google Sheets und zum Website-Crawling; Fähigkeit, To-Dos als Jira-Tickets zu erstellen; und Google-Workspace-Support mit höheren Refresh-Raten für Geschäfts-Ultra-User.

  Das Update macht Antigravity deutlich produktiver für automatisierte Entwicklungsworkflows und Systemorchestration, während die Nutzungsbegrenzungen eine Einschränkung für intensive Sessions darstellen.

  Technik-Tools: Google Antigravity (powered by Gemini 3/Flash), Google Workspace, Jira | Format: Demo mit News-Update

• Ralph Loop TUI IS INCREDIBLE! Makes Claude Code 100x More Powerful and Autonomous!
  14.1.2026, 08:24:24

  Ralph Loop ist ein Framework, das Cloud Code und andere KI-Agenten in kontinuierliche autonome Entwicklung zwingt – ein Projekt wird iterativ verbessert, bis es vollständig ist. Das System verfügt über eingebaute Sicherheitsmechanismen gegen Endlosschleifen und übermäßige API-Nutzung und ist vom Simpsons-Charakter Ralph Wigum inspiriert, der dafür steht, hartnäckig an einer Aufgabe zu arbeiten, bis sie gelöst ist. Beispielsweise hat Ralph Loop in etwa drei Stunden eine ganze Programmiersprache erstellt.

  Das Hauptproblem: Ralph Loop fehlt ein Task-Tracker zur Orchestrierung mehrerer KI-Agenten. Hier kommt Ralph TUI (Terminal User Interface) ins Spiel – es bietet Echtzeit-Sichtbarkeit auf den gesamten autonomen Prozess mit einer Tasklist auf einer Seite und Live-Code-Output auf der anderen. Der TUI läuft in einer leichtgewichtigen Terminal-Umgebung und ermöglicht Keyboard-Steuerung (Pause, Resume, Quit, History-Inspektion) sowie Session-Persistenz, damit lange Tasks bei Crashes nicht verloren gehen. Ralph TUI funktioniert sowohl mit Claude Code als auch mit Open Code.

  Die Einrichtung erfolgt über bun install, dann ralph tui setup. Man wählt einen Task-Tracker (z.B. JSON-Datei), einen KI-Agent (z.B. Claude Code), maximale Iterationen pro Run und erstellt dann ein PRD (Product Requirement Document) durch Fragen-und-Antwort mit dem Assistant. Nach PRD-Erstellung generiert Ralph TUI eine Task-Liste mit Prioritäten. Mit dem Befehl S starten Sub-Agenten parallele Tasks; mit T visualisiert man deren Live-Arbeit; mit P pausiert man. Im Demo wurde eine „Second Brain”-App (visuelles Graph-basiertes Thought-Mapping) in etwa 1 Stunde 45 Minuten vollständig funktionsfähig generiert – mit Nodes, Verbindungen, KI-Chat-Assistent, Google-API-Integration und JSON-Export.

  Das Video stellt Ralph Loop und Ralph TUI vor und demonstriert die praktische Verwendung; Sponsor war Cubic, ein AI-Code-Reviewer — Demo, Claude Code basiert, Anfänger bis fortgeschrittene Nutzung.

• Claude Cowork: Anthropic’s AI Operating System That Automates Your Life!
  13.1.2026, 03:30:21

  Anthropic stellt Claude Cowork vor – ein agentic Tool, das wie ein Betriebssystem funktioniert und Desktop-Automatisierung für Normalnutzer ermöglicht. Im Gegensatz zu Cloud Code (das für Programmierer gedacht ist) bietet Cowork eine einfache Oberfläche: Nutzer können Claude Zugriff auf Desktop-Ordner geben und Tasks in natürlicher Sprache beschreiben – etwa Dateien organisieren, Daten aus Screenshots extrahieren, Berichte aus verstreuten Notizen erstellen oder Videos bearbeiten, ohne Code zu schreiben. Cowork arbeitet länger und tiefgründiger als klassischer Chat, kann mehrere Subtasks parallel bearbeiten, arbeitet asynchron im Hintergrund und fragt vor größeren Aktionen um Bestätigung. Das Tool erstellt einen Plan und arbeitet diesen schrittweise ab; es kann auch externe Konnektoren (z.B. Browser via Claude in Chrome) nutzen.

  Derzeit ist Cowork in Research Preview für macOS verfügbar, nur für Claude Max-Abonnenten im Desktop-App – alle anderen können sich auf eine Warteliste setzen (Zugang in etwa zwei Wochen). Ein Beispiel zeigt: Ein Nutzer stellte 320 Podcast-Transkripte zur Verfügung und forderte Cowork auf, die zehn wichtigsten Lektionen und kontraintuitive Wahrheiten herauszufiltern – das Tool erledigte dies in 15 Minuten. Interessanterweise wurde Cowork selbst von Cloud Code (ebenfalls von Anthropic) entwickelt.

  Claude (Anthropic) und Cloud Code wurden explizit erwähnt; Demo/Meinung.

• Opencode + Antigravity oAuth Fixes EVERYTHING! A New Alternative to Claude Code Max FOR FREE!
  12.1.2026, 05:40:41

  Am 9. Januar verschärfte Anthropic ihre Sicherheitsmaßnahmen und blockierte Third-Party-Tools wie OpenCode vom Zugriff auf Claude Pro und Max-Abos via OAuth-Spoofing. Viele Entwickler nutzten OpenCode als Open-Source CLI, um Claude-Modelle (Opus, Sonnet, Haiku) über ihre $200-Monats-Subscriptions zu routen – was Anthropic als nicht autorisierte Nutzung von Consumer-Plänen einstuft. Der Grund: Das Modell kostet Anthropic Geld ohne entsprechende Einnahmen. OpenAI reagierte konträr und signalisierte öffentlich Support für ein Ökosystem von Coding-Tools; Entwickler können CodexPlan weiter in OpenCode nutzen.

  Als Lösung präsentiert der Creator einen Workaround: Antigravity’s kostenloser Tier integriert in OpenCode, wo man Multi-Account-Rotation nutzen kann, um Rate Limits zu umgehen. Nach Ratenlimit-Erreichen fällt das System automatisch auf Gemini aus. Alternativen zur Claude Max-Nutzung sind (1) OpenAI’s ChatGPT Pro/Plus direktin OpenCode, (2) MinimaxPlan (günstiger, Qualität trainiert auf Gemini 3.0 und Opus-Ausgaben), und (3) Zhipus GLM 4-Modelle. Die Einrichtung funktioniert entweder automatisiert via LLM-Command oder manuell durch Config-Datei-Anpassung + OAuth-Login. Der Creator rechnet damit, dass dieser Workaround innerhalb einer Woche blockiert wird, und betont, dass Anthropics Schritt geschäftlich nachvollziehbar ist.

  Claude (Anthropic), OpenAI, Antigravity, Minimax, Zhipu — Demo/Tutorial.

• Rocket Coder: NEW AI Full-Stack Developer IS INSANE! Build HIGH Quality Full-Stack Apps With No CODE
  11.1.2026, 04:20:03

  Zusammenfassung: Rocket Coder – AI Full-Stack App Builder

  Rocket.neo ist ein KI-gestütztes Entwicklungs-Tool, das vollständige produktionsreife Web-Apps end-to-end ohne Code generiert. Die zentrale Besonderheit ist nicht nur die Code-Generierung, sondern die befehlsbasierte Ausführung durch KI-Agenten, die Nutzer-Intent präzise umsetzt.

  Neue Funktionen: Das Tool hat einen “Precision Mode” mit Slash-Commands eingeführt, die voreingestellte Befehle für konsistente, erste Versuche ermöglichen. Mit dem @-Befehl können Updates auf spezifische Dateien oder Ordner beschränkt werden, ohne Nebeneffekte. Zusätzlich wurde Rocket.neo Mobile gelauncht – eine vollständige Build-Umgebung für iOS, mit der Apps direkt vom Smartphone aus erstellt und iteriert werden können.

  Workflow: Nutzer beschreiben ihr gewünschtes Projekt möglichst detailliert. Das System wählt ein Standard-Framework (React, JavaScript, Tailwind CSS) oder erlaubt Anpassung. Es braucht etwa 10–12 Minuten, um die App vollständig zu bauen. Während der Erstellung gibt es Live-Vorschau und Terminal-Logs. Der generierte Code kann heruntergeladen oder direkt zu GitHub publiziert werden.

  Demo-Beispiel: Ein Finance-Manager-App mit User-Authentifizierung, OpenAI-Integration für KI-Features (etwa Ausgabenkategorisierung und einen Chat-Assistenten), Superbase für Backend/Datenbank, Stripe für Zahlungen. Die UI beinhaltete Transaktions-Übersicht, Budgetwarnungen, AI-Insights, Dark-Mode und eine Analytics-Seite mit Grafiken.

  Das Tool unterstützt diverse Integrationen (OpenAI, Superbase, Stripe, Google AdSense), Figma-Import und verschiedene Frameworks – alles konfigurierbar über natürlichsprachliche Anforderungen und Slash-Commands als Presets (z.B. Animationen, Theme-Switching).

  Sponsor-Hinweis: Kostenlos mit Free-Tier zum Einstieg; App für iOS im App Store verfügbar.

  Rockets Kernvorteil liegt in der Reduktion klassischer Prompt-Engineering-Probleme durch strukturierte Befehle und der neuen Mobil-Flexibilität — Demo eines AI-Code-Generators, Rocket.neo als Hauptthema, keine anderen konkurrierenden Tools genannt.

Zubair Trabzada | AI Workshop (3 neues Videos)

• Build ANY App with Google’s Antigravity + n8n (It’s Insane)
  17.1.2026, 14:01:42

  Build ANY App with Google’s Antigravity + n8n

  Der Entwickler zeigt, wie man vollständige AI-Anwendungen mit Antigravity (Googles visueller Entwicklungsumgebung) für das Frontend und n8n für die Backend-Automatisierung baut. Die Demo-Anwendung ist ein UGC-Ad-Generator: Der Nutzer lädt einen Produktscreenshot und eine Beschreibung hoch, das System sendet die Daten per Webhook an n8n, welches dann ein AI-generiertes Video-Ad mit einem Model erstellt und per Email versendet.

  Konkrete Schritte:

  1. Frontend mit Antigravity: Mithilfe eines Prompts wird ein sauberes Premium-Design für den Ad-Builder generiert. Antigravity nutzt Google Gemini zur Bildgenerierung (über Nano Banana) und erstellt automatisch alle notwendigen Dateien lokal auf dem Computer. Der Entwickler zeigt, wie man mittels natürlicher Sprache Fehler behebt, wenn die Integration nicht sofort funktioniert.
  1. Backend mit n8n: Ein Webhook wird konfiguriert, der als Trigger fungiert. Ein zweiter Prompt instruiert Antigravity, dass das Frontend die hochgeladene Datei, Beschreibung und Email-Adresse an den Webhook senden soll, mit Loading-State und Bestätigungsmeldung.
  1. Workflow in n8n: Das Bild wird zu Google Drive hochgeladen (zur Zugriffsmachung als Link), OpenAI beschreibt das Bild, ein AI-Agent erstellt einen Image-Prompt, dann wird Nano Banana über file.ai angesprochen, um ein neues Bild mit dem Model zu generieren. Anschließend wird Vue 3.1 (ebenfalls über file.ai) verwendet, um aus Bild und beschreibendem Prompt ein Video zu erstellen. Am Ende wird der Video-Link per Email versendet.

  Das System produziert hochwertige, fotorealistische UGC-Videos von Models mit Produkten – eine Alternative zu echten Talent-Shootings.

  Bezug: Google Antigravity, n8n, Google Gemini, Nano Banana (Google), OpenAI, file.ai (HTTP-Requests), Vue 3.1 — Demo mit vollständiger Workflow-Durchlauf.

• Build & Sell AI Websites with Dashboards to Local Businesses (No-Code)
  15.1.2026, 14:01:34

  Build & Sell AI Websites with Dashboards to Local Businesses (No-Code)

  Das Video zeigt, wie man mit reinen Prompts ein modernes, animiertes Geschäfts-Website mit Besitzer-Dashboard erstellt und an lokale Handwerksbetriebe verkauft.

  Die Demo-Website umfasst:

  Ein dunkles, animiertes Landing-Page mit einer 3D-Glühbirne im Hero-Bereich, die sich dreht und sanft leuchtet. Beim Scrollen tauchen animierte Inhalts-Karten auf mit Hover-Effekten. Am Ende eine Kontaktform für Kundenanfragen (Quote Requests). Der Besitzer kann sich via Google-Authentifizierung anmelden.

  Das Dashboard zeigt:

  Statistik-Karten (Gesamtanfragen, neue Anfragen heute, Pending Jobs, fertiggestellte Arbeiten). Eine tabellarische Übersicht aller eingegangenen Anfragen mit Kundenname, Dienstart, Standort und Status. Der Besitzer kann Anfragen zwischen Status-Kategorien (New, In Progress, Completed) verschieben – die Daten ändern sich in Echtzeit.

  Der Workflow:

  Man sucht sich auf Google Maps einen lokalen Betrieb (z.B. Elektriker, Klempner) mit schlechter Online-Präsenz. Man nutzt deren Logo und Markenidentität als Inspiration für die Prompts. Der Erste Prompt beschreibt das Website-Design und die Animationen; der zweite Prompt fügt Google-Login und Dashboard hinzu. Die App generiert alles basierend auf reinen Text-Anweisungen. Man kann die Daten in einer Cloud-Datenbank sehen und verwalten, die Website veröffentlichen und an eine Custom Domain binden oder eine neue kaufen.

  Geschäftsmodell: Die erstellte Website als Einstiegspunkt an lokale Betriebe verkaufen (beispielsweise für ein paar hundert Dollar), um Fuß in der Tür zu fassen und später weitere Services zu verkaufen.

  Das Video nutzt Mocha als No-Code-Platform und war ein Tutorial mit praktischer Demo des gesamten Workflows von der Recherche bis zur Veröffentlichung.

• Build & Sell Voice AI Websites to Businesses (Gemini 3 + n8n)
  12.1.2026, 14:01:11

  Build & Sell Voice AI Websites to Businesses (Gemini 3 + n8n)

  Der Creator demonstriert ein vollständiges System, um maßgeschneiderte Voice-AI-Websites für Unternehmen (hier: ein Med Spa) zu erstellen und zu verkaufen.

  Frontend-Website: Mit Google Gemini (kostenlos) wird eine One-Page-Website gebaut, auf der Kunden ihre Daten eingeben (Name, E-Mail, Telefon, Service) und ein “Book Consultation”-Button klicken. Der gesamte Prozess erfolgt durch einen einzigen Prompt an Gemini, wobei wichtig ist, dass die Formulardaten per Webhook an n8n geschickt werden.

  n8n-Backend: Das n8n-Workflow wird durch den Webhook-Trigger ausgelöst, empfängt alle Kundendaten und sendet sie an Retool AI (den Voice-Agent). Parallel werden die Informationen in Google Sheets als CRM gespeichert (optional).

  Voice Agent in Retool AI: Ein KI-gesteuerter Sprachagent basierend auf GPT Real-Time (12,5 Cent/Minute) ruft automatisch den Kunden an und führt ein natürliches Gespräch. Der Agent folgt einem vordefinierten Prompt mit Schritt-für-Schritt-Anweisungen: Begrüßung mit dynamischem Namen, Service-Bestätigung, Verfügbarkeitsprüfung (über cal.com API), Terminbuchung, Kontaktdaten-Bestätigung und höfliches Beenden des Anrufs. Alle Variablen (Name, E-Mail, Telefon, Service) werden vom Backend eingespielt, sodass der Agent personalisiert agiert.

  Praktischer Wert: Der Creator zeigt, dass das System als Verkaufsprodukt dienlich ist – man kann es bestehenden Unternehmen vorführen und verkaufen. Er erwähnt, dass Community-Mitglieder bereits Clients mit ähnlichen Lösungen akquiriert haben, darunter ein $22.000-Projekt mit $1.500/Monat Retainer. Alle Prompts und n8n-Templates sind im kostenlosen Community-Bereich verfügbar; zusätzlich gibt es ein kostenpflichtiges Zertifizierungsprogramm, nach dem man als zertifizierter Voice-AI-Partner auf Retool AIs Website gelistet werden kann.

  Thematisierte Tools: Google Gemini, n8n, Retool AI, cal.com, Google Sheets — Demo mit ausführlichem Step-by-Step-Walkthrough.

---

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