Blog

GPT-5.4 gegen Claude Opus 4.6: Modellrennen, Militärkonflikt und Marktverschiebung

Sonntag, 8. März 2026

Hallo, dieser wöchentliche Digest arbeitet die wichtigsten neuen Videos aus rund 45 kuratierten KI- und Coding-YouTube-Kanälen durch — mit Substanz, kein oberflächliches Top-5. Pro Video eine vollständige Zusammenfassung, dazu ein Wochen-Überblick zu den dominanten Themen. Lies in Ruhe — oder kopier eine Zusammenfassung in den LLM deiner Wahl und geh in die Tiefe. Den Link unter jeder Zusammenfassung anklicken, um das Original-Video zu sehen.

Model-Releases & Benchmarks

GPT-5.4 dominierte die Benchmark-Diskussion der Woche, aber Google und xAI blieben nicht still. Gemini 3.1 Pro – natives Multimodal-Modell mit 1-Million-Token-Kontext und Google-Search-Grounding – teilt sich laut Artificial Analysis den ersten Platz mit GPT-5.4 bei kombinierten Benchmarks. Das kleinere Gemini 3.1 Flash Light ($0,025/Mio. Input-Token, 363 Token/Sek.) ist laut WorldofAI 2,5× schneller als Gemini 2.5 Flash und eignet sich für hochvolumige Developer-Workloads. GPT-5.3 Instant erschien als Zwischen-Update, das OpenAIs berüchtigtes „Overcotting” reduziert – weniger patronisierende Sicherheitskommentare bei trivialen Anfragen. Grok 4.20 von xAI läuft mit Multi-Agent-Architektur (vier parallele Spezialagenten), verdoppeltes Kontextfenster auf 2 Millionen Token.

Local & Open-Source AI

Qwen veröffentlichte eine neue Modellfamilie von 0,8 bis 9 Milliarden Parametern, die auf Consumer-Hardware läuft: Das 9B-Flaggschiff belegt nur 10 GB RAM und soll GPT-4o-Niveau erreichen, dank Destillation aus einem 397-Milliarden-Parameter-MoE-Modell und der neuen Gated-Deltanet-Hybrid-Architektur mit 256 K nativem Kontextfenster. Simone Rizzo zeigte Live-Demo mit Ollama. Schatten auf der Open-Source-Seite: Qwen-Führungspersonal (Technical Lead und Head of Post-Training) verließ Alibaba nach Umstrukturierungsplänen – ein mögliches Signal, dass kostenlose Open-Weights-Releases seltener werden. Bart Slodyczka demonstrierte, wie sich Claude Code über OpenRouter komplett kostenlos betreiben lässt, indem man auf freie Modelle wie Qwen 3 Coder (480 Milliarden Parameter, kein VRAM lokal nötig) routet.

Claude Code & Anthropic-Tooling

Claude Code war diese Woche die aktivste Produktkategorie überhaupt. Anthropic lieferte in kurzer Folge: native Scheduled Tasks in der Desktop-App (agentic, selbstkorrigierend, bis zu 7-Tage-Catchup); Loop-Feature für automatisierte Aufgaben bis 3 Tage innerhalb offener Sessions; Remote Control für alle bezahlten Pläne (Terminal-Sitzung vom Smartphone spiegeln); Voice Mode für ~5 % der Nutzer; einen überarbeiteten Skill Creator mit eingebauten Evals und Benchmarking. Nate Herk zeigte live, wie ein Morning-Brief-Skill per /schedule in eine tägliche 6-Uhr-Automation umgewandelt wird. Mark Kashef demonstrierte einen Multi-Model-Council-Skill, der Claude Code als Haupttreiber nutzt und über OpenRouter Gemini und Codex für Teilaufgaben heranzieht – das Ergebnis war eine visuell deutlich stärkere Landing Page. Liam Ottley baute ein vollständiges AI Operating System (AIOS) mit Claude Code als Kern: Context-, Data-, Intelligence- und Automation-Layer, gesteuert über Telegram, mit dem er vier Unternehmen und 60+ Mitarbeiter mobil verwaltet.

Coding Agents (non-Claude)

Cloudflare veröffentlichte V-Next – eine komplette Neuimplementierung von Next.js auf Vite-Basis, die in einem Tag mit KI-Agenten entstand (ca. 1.100 Dollar Token-Kosten) und laut Cloudflare-Benchmarks 4,4× schnellere Production-Builds und 57 % kleinere Client-Bundles liefert. Fireship zeigte den eingebauten Cursor-Migrations-Agenten, warnte aber vor Bleeding-Edge-Instabilität; Vercels CTO nannte das Projekt einen „slop fork”. Cursor Automations bringt trigger-basierte Cloud-Agenten (GitHub-Events, Slack, Linear, Cron) in isolierten Sandboxen, die autonom Security-Reviews und Code-Cleanup-PRs erstellen. CodeBuff (Apache-2.0, Multi-Agent-Koordination) behauptet laut WorldofAI dreifache Geschwindigkeit gegenüber Claude Code, läuft auf Opus 4.6 und zeigt parallele Sub-Agenten mit sichtbaren Diffs. Theo (t3.gg) veröffentlichte T3 Code – ein kostenloses Open-Source-Desktop-Tool mit Work-Tree-Workflows und One-Click-GitHub-Integration, das Codex CLI als Harness nutzt und Claude, Cursor CLI sowie Gemini integrieren soll.

Software-Engineering & Dev-Kultur

Cole Medin widersprach der Amodei-These vom Aussterben des Software-Engineering mit Daten: 90 % der Engineering-Teams nutzen KI „im Workflow”, aber nur 51 % täglich; 21 % der Lizenzen bleiben untergenutzt. Seine Begriffstrias – Prompt Engineering → Context Engineering → Intent Engineering – beschreibt die Verschiebung hin zu Architektur, Anforderungsübersetzung und Validierungsstrategien als Kerntätigkeit. Tech With Tim ergänzte: Junior-Entwickler müssen heute auf dem Niveau von Mid-Seniors vor fünf Jahren arbeiten, der Hiring-Prozess ist mit Leetcode-Interviews strukturell am falschen Problem. Matt Pocock und Melvynx beschrieben unabhängig voneinander denselben Produktivitätsgewinn: Open-Source-Projekte forken und mit Claude Code in Stunden zur personalisierten App transformieren.

Nate B. Jones analysierte den Claude-Code- versus Codex-Harness-Unterschied als strategische Architekturentscheidung: Dasselbe Claude-Modell erreichte auf dem Claude-Code-Harness 78 %, auf dem Small-Agents-Harness 42 % – rein durch Architektur. Die fünf Divergenzen (Execution Philosophy, State & Memory, Context Management, Tool-Integration, Multi-Agent-Architektur) erzeugen ein Lock-in, das er mit der AWS-versus-Azure-Debatte von 2010 vergleicht.

Personal AI OS & Agent-Frameworks

OpenClaw (auch als OpenCore und OpenCla transliteriert) war die meistbesprochen Open-Source-Plattform der Woche. Mehrere Kanäle verglichen es direkt mit Claudes Ökosystem: Kyle Balmer betonte, Dezember 2025 markiere den Wendepunkt – OpenClaw wurde mit ~260.000 GitHub-Stars zum meistgestörnten Open-Source-Projekt aller Zeiten, Claude Code generiert täglich 140.000 öffentliche Commits. Nic Conley ließ beide Systeme einen vollautomatischen Social-Media-Agenten bauen: OpenClaw postete am nächsten Morgen autonom um 9:02 Uhr auf einer VPS, Claude Codes Scheduled Tasks benötigten einen laufenden lokalen Rechner. Brian Casel etablierte das entscheidende Designprinzip: Skills als plattformagnostische Markdown-Prozessdefinitionen sind das portable Kapital – wer sie baut, investiert nicht in ein einzelnes Tool.

Dave Ebbelaar strukturierte die Komplexitätsstufen klar: Level 1 (Augmented LLM) bis Level 5 (Multi-Agent-Orchestration), mit der Kernaussage, deterministische DAGs seien in Produktion wartbarer als LLM-Knoten mit Tool-Calls. Nick Saraev stellte einen vollständigen Zwei-Stunden-Kurs vor: Agent-Chat-Rooms (fünf Agenten mit unterschiedlichen Persönlichkeiten debattieren ein Problem in chat.json), Stochastische Multi-Agent-Consensus (10 parallele Instanzen, Mode und Median), Sub-Agent-Verification-Loops und 60/30/10-Kostenregel (Haiku/Flash für 60 % der Tasks).

AI-Automation & Workflows

Nate Herk zeigte den kompletten Aufbau eines Executive Assistant mit Claude Code: vier parallele Sub-Agenten (Morning-Brief, Research, Pulse-Check, Visualisierung) in unter zwei Minuten statt 25 Minuten manuell, mit YAML-Front-Matter-Skills und Perplexity-API für günstigeres Research. Ben AI demonstrierte Lead-Qualification mit 150 Agenturen: 15 parallele Sub-Agents für Recherche, 18 für Enrichment via Apify-LinkedIn-Scraper, 17 für Outreach-Personalisierung – alles in einem Claude-Cowork-Chat. Leon van Zyl baute mit n8n einen persönlichen Assistenten mit zwei Gedächtnistypen (Kurzzeitgedächtnis der letzten 20 Nachrichten, persistente SQL-Tabellen für Nutzerpräferenzen) über OpenRouter mit Claude Sonnet 3.5. Das Datapizza-Hackathon-Finale (19 Teams, 24 Stunden, virtuelle Restaurant-Verwaltung) kristallisierte eine praktische Regel heraus: Teams, die zuerst das Problem durchdachten und dann minimal implementierten, schlugen Teams mit KI-generiertem Massencode durchgehend.

AI-Video & Content Creation

Nate Herk kombinierte Nano Banana 2 (via key.ai) mit Kling 3.0 und Claude Code, um Apple-ähnliche Scroll-Animationswebsites zu bauen: Start- und Endbild eines Produkts werden animiert, Claude Code extrahiert ~120 WebP-Frames via FFmpeg und verknüpft jeden Frame mit einer Scroll-Position. Fertige Sites werden über GitHub auf Vercel deployed; das Verfahren wird als 5.000–10.000-Dollar-Service für lokale Unternehmen vermarktet. Google veröffentlichte Notebook LM Cinematic Overviews (nur Google Ultra Plan, $200–250/Monat) mit Motion Graphics aus Quellmaterial – WorldofAI zeigte, wie Notebook LM als kostenloses Gemini-Research-Frontend Token-Kosten bei Claude Code spart.

AI-Business, Marketing & Freelancing

Zubair Trabzada baute ein kostenloses AI-Marketing-Tool mit 15 Claude-Code-Skills: /market audit startet fünf parallele Sub-Agenten für Content, SEO, Conversion, Konkurrenz und Strategie und erzeugt einen PDF-Report, der als Lead-Magnet für 2.000–5.000-Dollar-Monatsretainer dienen soll. Kyle Balmer und andere Kanäle wiesen auf das MIT-Studienergebnis hin: Top-down-KI-Pilotprojekte scheitern häufig, Grassroots-Training für normale Mitarbeiter funktioniert – damit entsteht ein Markt für KI-Workshops mit hunderten bis tausenden Euro pro Stunde. Everlast AI zeigte ein Kita-Praxisbeispiel: Voice Agent „Julette” übernahm 40 % der täglichen Anrufe, was eine Rezeptionistenstelle einsparte.

PKM & Knowledge Management

Nate B. Jones stellte Open Brain vor – eine agentenlesbare Gedächtnisarchitektur mit PostgreSQL, PG-Vector-Embeddings und MCP-Server für unter 30 Cent/Monat (kostenlose Tiers von Supabase und Slack). Das Kernversprechen: Statt proprietärer Silos (Claude Memory, ChatGPT Memory) ein plattformübergreifendes System, das semantische Suche über alle KI-Tools ermöglicht. Sebastien Dubois präsentierte drei Obsidian-Themen: das Time Machine Plugin (kombiniert File-Recovery-Snapshots mit Git-Timeline für granulare Teilwiederherstellungen), ein strukturiertes Buchverwaltungssystem mit verlinkten Konzept-Noten als Wissensgraph, und das Typefully-Plugin v3 für direktes Social-Media-Publishing aus Obsidian.

Prompting & AI-Literacy

Tech With Tim erklärte vier Prompt-Muster anhand von Genspark-Demos: Speed Layer (Sprachdiktat via Speakley), Persona Handoff (Expertenrolle mit konkreter Erfolgshistorie), Input Flip (Referenz statt Blank Canvas) und Constraint Box (mehrere Einschränkungen erzwingen Spezifität). Matt Pocock formalisierte sieben Entwicklungsphasen mit KI-Coding-Assistenten – von Idea über PRD und Kanban bis zum QA-Loop – und betonte, dass der Prototyping-Schritt vor dem Schreiben von PRDs die teuersten Redesigns verhindert. Melvynx untersuchte, wie Claude-Modelle (Sonnet 4.5, Opus 4.5, Opus 4.6) Tool-Auswahl nach statistischen Häufigkeiten treffen statt nach tatsächlichem Bedarf – ein „Benchmark-Business”, bei dem Unternehmen wie Vercel massiv davon profitieren, dass Claude täglich ihre Tools empfiehlt.

AI-Industrie & Strategie

Das Pentagon-Drama hatte direkte Finanzkonsequenzen: OpenAI sicherte sich laut Nate B. Jones die größte Privatfinanzierungsrunde der Geschichte ($110 Mrd., davon Amazon $50 Mrd., Nvidia $30 Mrd., SoftBank $30 Mrd.), während Anthropic trotz stärkerem Enterprise-Zugang von Regierungsprojekten abgeschnitten wurde. Mehrere Kanäle wiesen auf das Circular-Financing-Risiko hin: Cloud-Provider (AWS, Azure, Google Cloud) sind modellagonostisch und wollen Token-Volumen; wer die Infrastruktur kontrolliert, kontrolliert das Stromnetz der KI. Everlast AIs Expertenrunde berichtete, dass Anthropic in drei Wochen eine Marktwertvernichtung von knapp einer Billion bei Legacy-SaaS-Unternehmen auslöste, als Claude-Cowork-Plugins für Thomson Reuters, Legal Zoom und IBM verfügbar wurden. Googles AI Center Berlin eröffnete mit 18 Demos: Echtzeit-Lagebild für die Feuerwehr Düsseldorf, Mercedes-Auto-Interface, Uniklinik-Köln-Patient-Hotline.

TheAIGRID dokumentierte industrielle Distillation-Angriffe: Anthropic meldete über 24.000 betrügerische Konten, die 16 Millionen Claude-Austausche generierten (DeepSeek, Moonshot AI, Minimax als mutmaßliche Akteure). Die zeitliche Koinzidenz mit einer Trump-Administration-Entscheidung, die den Chip-Export nach China unter Bedingungen erlaubt, weckte Fragen, ob dies genuines Sicherheitsanliegen oder Lobbying für strengere Exportkontrollen ist.

AI & Gesellschaft / Future of Work

Jack Dorsey kündigte bei Block den Abbau von 4.000 von 10.000 Stellen an – bei wachsendem Geschäft; die Aktie stieg um ~20 %. Das ist nach Einschätzung mehrerer Kanäle (Kyle Balmer, Everlast AI) das erste prominente Beispiel für Stellenabbau wegen KI-Effizienz bei einer profitablen Wachstumsfirma, nicht als Notmaßnahme. Dario Amodei warnte öffentlich vor einem „Tsunami” – 50 % aller Einstiegsjobs gefährdet ab 2027. Nate B. Jones entwickelte das Konzept der „Frontier Operations” als neue Schlüsselkompetenz: fünf integrierte Fähigkeiten (Boundary Sensing, Seam Design, Failure Model Maintenance, Capability Forecasting, Leverage Calibration), die sich nicht einmalig lernen lassen, weil die Mensch-Agent-Grenze sich mit jedem Modellrelease verschiebt. Der französischsprachige Kanal „Le SamourAI” analysierte den ökonomischen Kollaps des Tagesatzsystems: GPU-Cluster ersetzen die sequenzielle, kopierbare menschliche Kognition, und überleben werden drei Profile – der CAP-Architekt, der Kontext-Wächter und der algorithmische Klempner.

Kurz notiert

Blitzy (Enterprise-Coding-Agent, mehrere Tausend kooperative Agenten, Pricing ab 50K Credits) zeigte laut Tech With Tim 150 Stunden Teamarbeit auf 6 Stunden Validierung komprimiert. Hostinger Horizons baute in einer Demo-Session einen vollständigen Schengen-Visum-Tracker als Fullstack-App inklusive Auth in ~4 Minuten, ohne manuelle Server-Konfiguration. Simone Rizzo präsentierte Rizzo Mesh, ein didaktisches Fine-Tuning-Projekt: ein Gemma-Basismodell lernte 3D-OBJ-Syntax durch LoRA auf 50.000 Thingiverse-Objekten (Kosten ~300 Dollar, 49 Stunden, 4,92 GB GGUF-Ergebnis). Perplexity Computer (Perplexity Max, $200/Monat) läuft mit Claude Opus 4.6 als Reasoning Engine plus Gemini, Nano Banana, Grok und GPT-5.2 für Spezialaufgaben und ist laut TheAIGRID für nicht-technische Power-User der zugänglichste Generalpurpose-Agent. Everlast AI interviewte Ernst Dickmanns – der Pionier des autonomen Fahrens fuhr 1994 1.000 km auf der A1 bei 130 km/h ohne GPS, nur mit Kameras; sein 4D-Ansatz (3D + Zeit) gilt als konzeptioneller Vorläufer moderner Agentarchitekturen.

AI Explained (1 neues Video)

• What the New ChatGPT 5.4 Means for the World
  6.3.2026, 16:25:26

  Das Video behandelt die Veröffentlichung von GPT 5.4 und seine Implikationen für weiße Kollar-Berufe sowie grundlegende geopolitische Spannungen zwischen OpenAI und Anthropic rund um Militärverträge.

  Zu GPT 5.4 selbst: Das Modell wurde blind gegen menschliche Leistung in 44GDP-relevanten Berufen getestet und schlägt menschliche Erstversuche in 70,8% der Fälle (83% mit Ties). Ein wichtiger Vorbehalt: Das Modell halluziniert beim Irrtum häufiger, statt zuzugeben, dass es etwas nicht weiß (89% Bullshit-Rate nach Artificial Analysis). Die Benchmark basiert auf selbstständigen, digitalen Aufgaben und ist nicht repräsentativ für die volle Bandbreite echter Berufstätigkeit. Paradoxerweise schneidet GPT 5.4 Pro (teuerste Version) in diesem Benchmark schlechter ab als Standard-GPT 5.4.

  Software-Development: Die neue CodeExec-Integration zeigt beeindruckende Fortschritte—etwa eine animierte Ligatabelle für einen Fußballclub „one-shot” erstellt—wobei das Modell verschiedene Tools und Web-Suchen kombiniert. Der Computer-Use hat sich dramatisch verbessert; GPT 5.4 kann Fehler sehen und korrigieren in einer fast geschlossenen Feedback-Schleife. Ähnliche Qualitätssprünge zeigen sich bei Präsentationen und Tabellen gegenüber früheren Versionen.

  Ungleichmäßiger Fortschritt: Trotz dieser Durchbrüche offenbaren OpenAIs eigene System Cards „spiky performance”: Bei internen ML-Benchmarks verdoppelt sich die Leistung (12% auf 23%), aber bei OpenAI-proof-Q&A (Fragen zu tatsächlichen Engineering-Bottlenecks) unterperformt GPT 5.4 Thinking sogar GPT 5.2. Das reflektiert die zentrale Debatte: Kann spezialisiertes Training auf eine Domäne zu besserer Generalisierung führen, oder benötigt man für Fortschritt in jeder Nische spezialisierte Daten?

  Militär-Verträge und Anthropic vs. OpenAI: Das Pentagon feuerte Anthropic vom Defense-Contract, nachdem dieses rote Linien bei autonomer Kriegsführung und Überwachung zog. Sam Altman und OpenAI bekamen den Vertrag. In einem geleakten Memo kritisiert Anthropic-CEO Dario Amodei, dass OpenAI „Sicherheitstheater” akzeptiert habe—bloss eine Classifier-Schicht auf legale Unbeschränktheit. Das Washington Post berichtet, Claude sei bereits im Palantir-System für den Iran-Einsatz verwendet worden (Zielkoordinaten, Priorisierung). Amodei revidiert später seinen Memo-Ton; das Pentagon erklärt, Verhandlungen seien vorbei. Google DeepMind arbeitet ebenfalls mit der Regierung, schweigt aber dazu.

  Implikation für Profis: Der Sprecher empfiehlt, 2026 nicht ohne beste AI-Tools zu arbeiten—Einsatz von GPT 5.4, Gemini 3.1 Pro, Claude 4.6 Opus und anderen. Er stellt ein eigenes Bench-Tool vor (Teil seiner Plattform), das Modelle blind gegen nutzerdefinierte Texte/PDFs testen lässt.

  Größerer Kontext: Anthropic hat sich von seiner Gründungsmission (sicher skalieren, nur für Safety-Forschung) gewandelt—skaliert nun wie andere, aber unter dem Narrativ „nur weil andere es tun”. Die Discourse um diese Unternehmen ist „gaslit” und unklar; es gibt keine eindeutigen Gut/Böse-Rollen.

  Das Video endet mit einem funktionierenden Viking-Timeline-Interactive, das die geschlossene Loop zeigt.

  Im Video explizit thematisiert: OpenAI (GPT 5.4, GPT 5.3 CodeEx, Altman), Anthropic (Claude 4.6 Opus, Amodei), Google DeepMind (Gemini 3.1 Pro), Palantir, XAI; Format: News-Update + Deep-Dive mit persönlicher Analyse und Demo.

AI Foundations

Keine neuen Videos in diesem Zeitraum.

AI mit Arnie (3 neues Videos)

• OpenClaw ist gefährlich gut
  7.3.2026, 12:45:36

  OpenCrow: Der KI-Agent, der Dinge wirklich umsetzt

  Was ist OpenCrow?

  OpenCrow ist ein persönlicher KI-Agent, der konkrete Aufgaben ausführt – nicht nur antwortet. Er kann über WhatsApp, Telegram und weitere Kanäle erreicht werden, läuft auf einem privaten Server oder VPS, hat Zugriff auf den Browser, kann sich selbst modifizieren, wenn nötige Skills fehlen, und verfügt über persistentes Gedächtnis sowie Systemzugriff.

  Installation:

  Die Installation erfolgt via One-Liner auf beliebigen Maschinen. Empfohlen wird ein virtueller privater Server (z.B. Hostinger KVM2-Plan mit Oneclick-Setup), da hier weniger schiefgehen kann. Nach Dateneingabe müssen API-Keys für KI-Modelle (Anthropic, OpenAI, Gemini, xAI) und der Telegram Bot-Token eingegeben werden. Das Onboarding mit Anthropic wird empfohlen, danach kann zu günstigen Modellen (z.B. ChatGPT-Abo via OAuth-Token) gewechselt werden.

  7+ konkrete Use Cases:

  1. Fitness-Management: Trainings- und Ernährungslogging mit Makro-Tracking, personalisierte Mahlzeitenplanung basierend auf Zielen, Fotoanalyse von gegessenen Mahlzeiten – ersetzt MyFitnessPal und ähnliche Apps
  2. Video-Automation: Automatische Videobearbeitung (Stille entfernen, Transkription mit Whisper, Fehler erkennen, Schnitt via FFMpeg) – spart ~40% Bearbeitungszeit
  3. Bild-Erstellung und -Bearbeitung: Thumbnails erstellen (via Nano Banana), lokale Bild-Verarbeitung via Custom Skills (z.B. ComfyUI triggern)
  4. Internet-Zugang & Research: Brave Search für allgemeine Suchen, Perplexity für Research, Last-30-Days-Skill für aktuelle News von Reddit, X, YouTube, Hacker News und Bluesky; YouTube-Video-Zusammenfassungen; Newsletter-Aggregation
  5. Browser-Automation: Vollständige Browsersteuerung für Websites ohne API-Zugang; Vorsicht bei Cookies und Prompt Injections
  6. Mail-Management (mit Bedacht): Mails senden via Webhook-Agent empfohlen – Lesezugriff vermeiden (Sicherheitsrisiko durch Prompt Injections); besser: separater Agent nur für Versand
  7. Coding-Orchestrierung: Cloud Code, Codex oder andere Agenten orchestrieren; z.B. Videos von Spielen analysieren, Code-Specs generieren und Prototypen in Minuten bauen
  8. Rechnungsschreiben: Spezielle Skills (z.B. von Community-Mitglied Benny) können Rechnungen automatisieren
  9. Smarthome-Kontrolle: Kameras, Speaker, Alarmanlage steuern; proaktive Überwachung via Heartbeat-File (alle 30 Min.)

  Kostensparen & Performance:

  • Model Routing: Große Modelle nur für schwierige Aufgaben, günstige Modelle (z.B. Gemini Flash) für einfache Anfragen
  • Kontextmanagement: /context list zeigt Token-Verbrauch; /new setzt Kontext zurück; /compact komprimiert Sitzungen; Context-Daten als Markdown speichern für spätere Referenzen
  • Superagenten: Separate Personas (z.B. Marketing Agent mit eigenem Profil, günstigerem Modell) für spezialisierte Aufgaben – reduziert Token-Kosten
  • Multi-Agent-Architektur: OpenCrow als CEO mit verschiedenen fachspezialisierten Agenten (Fitness, Marketing, Programmierung etc.)

  Memory & Sicherheit:

  • Konfigurationen auf GitHub pushen als Backup
  • Vektordatenbanken + SQL-Datenbanken für verteiltes Gedächtnis
  • MCB-Server anbinden, um Memory mit anderen LLMs zu teilen (CloudDesktop, ChatGPT, Cursor etc.)
  • Keine Leserechte für Emails: Prompt-Injection-Risiko bei Mail-Lesezugriff; besser: Webhook-Agent nur mit Schreibzugriff

  Nicht optimal:

  Große Telegram-Gruppen-Verwaltung (wie bei ChatGPT hunderte Chats) – OpenCrow eher als Einzelkkonversation nutzen, Speichern via Memory/Markdown/Datenbanken steuern.

  Demo-Video ohne detailliertes Transcript verfügbar – zeigt Live-Setups, API-Key-Konfiguration, Telegram-Integration und zahlreiche praktische Beispiele.

  Thematisierte Tools/Anbieter: OpenCrow, Anthropic Claude, OpenAI (ChatGPT/o1/o3/Codex via OAuth), Google Gemini, xAI Grok, Hosting via Hostinger VPS, n8n, Floway (erwähnt), Telegram, Nano Banana (Bild-Gen), ComfyUI (lokal), Ollama, Whisper, FFmpeg, Brave Search, Perplexity, YouTube API, GitHub, MCB (Memory-Sharing-System). Format: Tutorial/Demo mit umfangreichen praktischen Use Cases.

• Fast alle nutzen KI falsch
  6.3.2026, 13:53:33

  CLI-Tools für KI-Modelle: Installation, Verwendung und lokale Alternativen

  Der Creator argumentiert, dass die Browser-Nutzung von ChatGPT, Claude oder Gemini ineffizient ist – man kopiere ständig Kontext hin und her, Modellwechsel fühlen sich mühsam an. Die Lösung: CLI-Tools (Command Line Interface), die zehnmal mächtiger seien und für alle zugänglich sind, nicht nur Programmierer.

  Die wichtigsten CLI-Tools

  Claude (Anthropic), Codex (OpenAI), Gemini CLI und Open Code sind die bekanntesten. Die Wahl hängt vom eigenen Abo ab: Claude Code bei Anthropic-Plan, Codex bei ChatGPT-Abo, Gemini CLI bei Google-Abo, Open Code kostenlos mit kaum Limits.

  Installation

  Installation funktioniert meist über einen einfachen Oneliner (z.B. für Gemini: entsprechender One-Liner), abhängig vom Betriebssystem. Bei Windows PowerShell kopieren, für npm-basierte Tools muss Node.js installiert sein. Nach Ausführung folgt meist eine einfache Authentifizierung mit API-Token oder Account-Daten.

  Praktische Vorteile gegenüber dem Browser

  Die CLI-Tools haben Zugriff auf die lokale Maschine: Sie können Befehle ausführen, Software installieren/deinstallieren, Dateien prüfen. Beispiel: Statt selbst nach Blender zu suchen, fragt man einfach „Hast du Blender installiert?” oder „Deinstalliere Blender für mich” – das Tool macht es. Auch Internet-Recherche funktioniert, z.B. Bitcoin-Preis abrufen, Nachrichten sammeln und einen Bericht als Markdown-Datei auf dem Desktop speichern – alles automatisiert.

  Kontext-Management und Parallelisierung

  Anders als ChatGPT lassen sich CLI-Tools für große Projekte stark nutzen. Beispiel: Ein Buch zu Bodybuilding-Ernährung (100 Seiten, 18 Kapitel) wird mit Claude Code im Plan-Modus erstellt. Das Tool startet mehrere parallele Agenten für verschiedene Kapitel, nutzt intelligentes Kontextmanagement, sodass jeder Agent nur seinen Teil bearbeitet, aber den roten Faden beibehält. Das Buch entsteht dabei in Minuten statt Stunden.

  Lokale Dateien und VS Code Integration

  Alle Dateien bleiben lokal auf dem PC; man öffnet einen Ordner in VS Code und kann dort die CLI parallel laufen lassen. Mit slash init erstellt das Tool ein Projekt-Merkblatt (Cloud.md oder Agent.md), das neue Agenten schneller orientiert. Man wechselt flexibel zwischen Modellen (z.B. von Claude zu Codex) ohne den Kontext zu verlieren – einfach neuer Agent, gleiche Dateien.

  Versionskontrolle mit GitHub

  Projekte lassen sich problemlos auf GitHub pushen und versionieren. git commit und git push werden vom Agent ausgeführt, danach ist das Projekt online verfügbar. Bei einem neuen Computer kann man es einfach runterladen, ohne alles manuell zu rekonstruieren.

  Anwendungsbeispiele

  • Bücher/Texte: Detaillierte Inhalte mit korrektem Aufbau erstellen lassen
  • Webseiten: Komplette Single-Page-Apps mit React bauen (Kontaktformular, mehrere Seiten, alles funktional)
  • Geschäftsdaten: Ordner mit Unterlagen, Meeting-Notizen, Reports analysieren und automatisch zusammenfassen
  • Zusammenarbeit: Kontext auf GitHub teilen, so dass Editor oder Team-Mitglieder die gleichen Dateien sehen und bearbeiten können

  Lokale Modelle für Datenschutz

  Falls Cloud-Dienste nicht in Frage kommen: Ollama laden, lokal Modelle wie Qwen 3.5 (0,8 bis 122 Milliarden Parameter) runterladen und starten. Ein 9-Milliarden-Parameter-Modell (6,6 GB) funktioniert auf typischen PCs mit 8–16 GB VRAM. Befehl: ollama run qwen:3.5 → Cloud Code lädt darüber lokal, vollständig datenschutzkonform und kostenlos. Auch kleinere Modelle lösen alltägliche Aufgaben (z.B. E-Mail-Log-Analyse).

  Fazit

  CLI-Tools sind der echte Gewinn: Volle Kontrolle über Dateien, schnelle Modellwechsel, parallele Agenten, Versionskontrolle, lokale Optionen. Statt den Browser-Weg zu gehen, sollte man sich „ein eigenes Betriebssystem” basierend auf diesen Tools aufbauen. Der Creator erwähnt einen kostenpflichtigen Kurs („KI Revolution → Classroom → Vibe Coding”), in dem alle Slash-Kommandos, Skills, Plugins und komplexere Use Cases tiefer behandelt werden. Parallel kann Thomas Automatisierungen professionell aufbauen.

  Explizite KI-Tools: Claude (Anthropic), Codex (OpenAI), Gemini CLI (Google), Open Code (kostenlos), Ollama (lokale Modelle) — Format: Tutorial/Demo mit Meinung; Schwierigkeit: Anfänger bis fortgeschritten, da das Video bewusst die Zugänglichkeit betont.

• Der KI-Crash kommt
  2.3.2026, 17:10:14

  Zusammenfassung: Die globale Intelligenzkrise 2028

  Das Video präsentiert ein düsteres Szenario: Die Wirtschaft erlebt laut dieser These eine historische Illusion – während Rekordgewinne auf dem Papier entstehen, braut sich unter der Oberfläche eine deflationäre Todesspirale zusammen. Das zentrale Problem: 70 % der Wirtschaft basieren auf menschlichem Konsum, aber KI-Agenten arbeiten 24/7 ohne Schlaf, brauchen kein Gehalt und kaufen weder Autos, fahren in den Urlaub noch gehen ins Restaurant. Die These prognostiziert für 2028 eine 13-Billionen-Dollar-Krise schlimmer als die Immobilienblase 2008, mit 10,2 % Arbeitslosenquote und 38 % Drawdown im S&P.

  Aktuelle KI-Entwicklungen beschleunigen dies:

  Die letzten Wochen zeigten massive Updates: Claude Sonnet 4.6 von Anthropic, Grok 4.20 von XAI, Gemini 3.1 Pro von Google sowie Tools wie Opal und Inception. Eine Benchmark zeigt die Eskalation: 2020 konnte GPT-3 Aufgaben von 9 Sekunden automatisieren, 2023 GPT-4 von 3 Minuten, 2025 O3 von 2 Stunden – Ende 2025 erreichte GPT-5.2 High bereits 6 Stunden, aktuelle Modelle wie Claude Opus 4.6 schaffen 14,5 Stunden komplexer Arbeit (z.B. Bug-Fixes in ML-Codebases) in einem Rutsch mit 50 % Erfolgsquote. Das erlaubt massive Parallelisierung zu minimalen Kosten.

  Konkrete Beispiele der Disruption:

  Andrew Karpathy hätte früher ein Wochenendprojekt für ein lokales Video-Dashboard zur Heimkamera-Verfolgung gebraucht – jetzt erledigt es ein Agent in 30 Minuten. Jack Dorsey von Block kündigte an, 4.000 von 10.000 Mitarbeitern zu entlassen, obwohl das Business wächst; die Block-Aktie stieg darauf um 20 %. Dario Amodei von Anthropic warnt öffentlich vor einer extremen Jobmarktkrise in 1–5 Jahren, die Führungskräfte hinter verschlossenen Türen diskutieren.

  Das Krisenszenario entfaltet sich so:

  Gut bezahlte Jobs werden gestrichen → Schuldenausfälle → Konsumabsturz. KI-Agenten zahlen keine Steuern und finden günstigste Preise ohne Markenlojalität → Deflation. Die Profite fließen fast ausschließlich zu BigTech-Playern (Token-Anbieter, effiziente Agent-Deployer). Der Mensch wird zum Bottleneck, nicht mehr wirtschaftlich notwendig.

  Weitere technische Durchbrüche:

  Programmatisches Tool Calling erspart bis zu 90 % Tokens, indem LMs Code direkt statt JSON schreiben. KI-Systeme wie die neuesten Cursor-Updates starten virtuelle Maschinen, validieren und iterieren autonom bis alles funktioniert.

  Geopolitischer Kontext:

  Das Pentagon stufte Anthropic als “Sicherheitsrisiko der Lieferkette” ein – ein Präzedenzfall, der normalerweise Unternehmen wie Huawei betrifft – weil Anthropic Guard Rails gegen autonome Waffen und Massenüberwachung einbaute. Gleichzeitig zeigt Samers Erlebnis (bei Meta, Safety-Lead für Superintelligence) die Fragility: KI löschte hunderte ihrer Emails; Prompt Injections und Jailbreaks sind ungelöst – autonome Waffen unter solchen Bedingungen als katastrophal bewertet.

  Die Gegenposition des Autors:

  Der Creator hält das Szenario für zu pessimistisch. Er argumentiert: (1) Falls die größte Sorge ist, dass die Wirtschaft zu effizient wird, finden sich Lösungen. (2) Die Wahrheit liegt irgendwo in der Mitte – nicht alle Jobs verschwinden bis 2028. (3) Nachfrage nach besserer Software steigt. (4) Verantwortungsübernahme, Geschmackurteil und emotionale Intelligenz können KI nicht ersetzen. (5) Leute, die Verantwortung übernehmen, werden in KI-Zeiten eher mehr zu tun haben. (6) Die Zukunft bleibt ungewiss; niemand hätte vor 3 Jahren vorhergesagt, wie es jetzt aussieht. Der Creator wirbt abschließend für seine KI-Masterkurse (KI Revolution, Classroom mit Kursen zu Claude Code, Prompt Engineering, App-Entwicklung, Multi-Agent-Systeme).

  Explizite Tools/Anbieter: Claude Opus 4.6 (Anthropic), Grok 4.20 (XAI), Gemini 3.1 Pro (Google), GPT-5.2 High / O3 (OpenAI), Opal, Inception, Cursor — Format: Meinung/Reflexion mit tiefer Analyse eines Krisenszenarios.

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

• GPT-5.4 Let Mickey Mouse Into a Production Database. Nobody Noticed. (What This Means For Your Work)
  7.3.2026, 16:00:00

  Zusammenfassung: GPT-4.5 im ausführlichen Vergleich

  Der Video bietet eine umfassende Evaluation von GPT-4.5 anhand blinder Evals gegen Claude Opus und Gemini 3.1, kombiniert mit echten Arbeitstasks und Vergleichstests.

  Zentrale Erkenntnis: GPT-4.5 ist nicht einfach das beste Modell – es ist das interessanteste, weil es stark segmentiert performt. Die Unterscheidung zwischen Auto-Mode und Thinking-Mode ist dabei entscheidend: In Thinking-Mode konkurriert GPT-4.5 um den ersten Platz bei faktischer Genauigkeit (korrekte Higgs-Boson-Masse, Apple-Kurse), während Auto-Mode zum schlechtesten Modell wird (nennt 2024er Nobel-Preisträger für 2025-Fragen). Dieser Unterschied durchzieht alle Tests.

  Wo GPT-4.5 dominiert: (1) Quantitative Modelle – baut mit Pythagorean-Win-Expectation und ELO-Systemen statistisch rigorosere Spreadsheets; (2) Dateiverarbeitung – verarbeitet 99,1% der Dateitypen (CSV, Excel, JSON, PDF, OCR-Bilder, korrupte Backups) gegenüber Claude 75%; (3) Selbstverständnis – kann besser als alle Konkurrenten die AI-Landschaft und eigene Fähigkeiten beschreiben.

  Wo GPT-4.5 schwach ist: Schreiben (Creative und Business-Prosa schlechter als Opus), verbale Kreativität (Opus findet bessere Wortspiele), Datenfilterung (lässt Mickey Mouse und 25.000-Dollar-Autowäschen durch) und schnelle Ausführung (56 Min. vs. Claudes 15 Min. bei komplexer Datenmigration). Das zentrale Muster: GPT-4.5 baut Infrastruktur ohne Urteilskraft – führt Pipelines aus, statt Probleme zu verstehen.

  Strategische Implikation: Mit der Einstellung von Peter Steinberger (Codeium/Copilot-Gründer) kurz vor dem Release wird deutlich, dass OpenAI auf agentic Systems hinarbeitet – nicht auf bessere Texterstellung. Die Betonung auf Computer Use, Tool Search, Long-Running Tasks und agentische Architekturen in der Dokumentation deutet auf eine OpenAI-eigene Agent-Plattform hin. Das erklärt auch die Geschwindigkeit (monatliche Releases, Pricing für Token-Dauerlast statt Chat-Turns).

  Praktische Implikationen: Für schreibintensive Arbeit (Executive Communication, Editorial) bleibt Opus 4.6 besser. Für strukturierte analytische Arbeit mit Datenmengen, besonders mit vielen Dateitypen, ist GPT-4.5 (in Thinking-Mode) einen Versuch wert – die Investition lohnt sich bei klaren Erfolgskriterien. Der ständige Umschalter zwischen Modes ist jedoch ein UX-Problem, das Nutzer selbst verwalten müssen.

  OpenAI, Claude (Anthropic), Gemini (Google) im Head-to-Head-Vergleich über strukturierte Evals und Realaufgaben; Deep-Dive mit detaillierter Nutzwertanalyse.

• Claude Code vs Codex: The Decision That Compounds Every Week You Delay That Nobody Is Talking About
  6.3.2026, 15:00:02

  Zusammenfassung: AI Harnesses – Die unterschätzte Architektur hinter KI-Coding-Tools

  Der zentrale Punkt: Bei der Bewertung von KI-Coding-Tools wird fast ausschließlich das Modell (die Intelligenz) verglichen – Claude vs. GPT-5.3 Codex, deren Leistung konvergiert. Das Entscheidende ist aber das Harness – die Gesamtarchitektur, die bestimmt, wo die KI arbeitet, was sie erreichen kann und wie sie sich ins Workflow integriert.

  Ein Benchmark vom AI Engineer Summit macht das konkret: Dasselbe Claude-Modell erzielte 78% im Claude Code Harness, aber nur 42% im Small Agents Harness – fast doppelte Performance durch reine architektonische Unterschiede, nicht durch das Modell selbst.

  Die fünf kritischen Divergenzen zwischen Claude Code (Anthropic) und Codex (OpenAI):

  1. Execution Philosophy: Claude Code folgt „Bash ist alles, was du brauchst” – gibt dem Agenten Unix-Primitives (grep, git, npm) und lässt ihn diese verketten. Codex baut spezialisierte Tools mit Chrome DevTools, ephemere Observability-Stacks (Victoria Logs/Metrics) und DOM-Snapshots.
  1. State & Memory: Claude Code speichert Wissen in strukturierten Artefakten (cloudprogress.txt, JSON-Features, Git-Commits) – der Agent merkt sich Fortschritt über Sessions. Codex nutzt das Repo selbst als System of Record – Architektur-Entscheidungen, Prinzipien, alles dort dokumentiert. Codex entwickelt dabei selbst „Slop”, deshalb baut Codex automatisierte Cleanup-Prozesse, die Refactoring-PRs öffnen.
  1. Context Management: Claude Code verwaltet Kontext durch Komprimierung, Summaries und parallele Sub-Agenten. Codex nutzt isolierte Cloud-Container – keine Kontention um einen zentralen Context-Window.
  1. Tool-Integration: Beide nutzen MCP (Model Context Protocol). Anthropic hat „Skills” (Markdown + Scripts auf dem Dateisystem) – der Agent sieht nur kurze Beschreibungen (50–100 Tokens), nicht die vollständigen Anweisungen (tausende Tokens). OpenAI nutzt bidirektionales JSON-RPC, das Agenten programmatisch gegen Endpoints aufruft. Beispiel: Composio musste einen Custom-Proxy bauen, um Codex mit Figma/Jira-MCPs zu verbinden.
  1. Multi-Agent-Architektur: Claude Code spawnt Sub-Agenten mit eigenen Context-Windows, gemeinsamen Task-Lists und können sich gegenseitig Nachrichten senden (Beispiel: API-Agent + Frontend-Agent + Test-Agent). Codex läuft jeden Task im isolierten Sandbox – Koordination über Git-Branches. Claude Code erlaubt mehr Parallelismus, Codex ist sicherer für autonome Arbeit.

  Das Lock-in-Problem: Ein Entwickler baut schrittweise spezifische Workflows auf: /commit, /worktree, /implement, /implement all – alles auf Claude Code Harness-Features aufgebaut. Ein Wechsel zu Codex bedeutet nicht, nur neue Befehle zu lernen, sondern die gesamte Automation vom Grund auf in einer möglicherweise inkompatiblen Architektur neuzubauen. Das multipliziert sich über Teams, Markdown-Dateien, MCP-Verbindungen – ein strategisches Lock-in, ähnlich der AWS vs. Azure Debatte von 2010.

  Praktischer Ansatz: Entwickler wie Calvin French Owen nutzen beide Tools komplementär – Claude Code für Planung, Orchestration, kreative Exploration (via Sub-Agenten mit Haiku), Codex für tatsächliche Implementierung (weniger Bugs). Manchmal lässt Codex Claude-Code überprüfen.

  Für Führungskräfte: Die Entscheidung ist nicht „welches Tool kaufen?” sondern „welche architektonische Philosophie organisieren wir die Arbeit um?” Das formt nicht nur Velocity, sondern auch Security (Claude Code: voller lokaler Zugriff, Risiko durch Incrementalism gemindert; Codex: Isolation = sicherer), Switching Costs und die Fähigkeit, Workflows später zu ändern.

  Ausblick: Diese Harness-Unterschiede „lecken” bereits in Knowledge-Work-Tools wie Codeium (Claude Code Foundation) und formen die Zukunft, wie nicht-technische Teams mit KI arbeiten werden.

  Explizit thematisiert: Claude Code / Codex (OpenAI), Anthropic, co-work, MCP, Composio; Format: Meinung/Deep-Dive.

• OpenAI Leaked GPT-5.4. It’s a Distraction. (The AI Lock-In No One Is Talking About)
  5.3.2026, 15:00:27

  Zusammenfassung: The Real AI Bet – Enterprise Context, Not Models

  Das Video argumentiert, dass die wahre Bedeutung von OpenAIs $840-Milliarden-Bewertung nicht in ChatGPT 5.x liegt, sondern in einem viel ambitionierteren Ziel: der Schaffung einer unternehmensweiten Kontextplattform, die als neue System of Record fungiert.

  Das Kernproblem: Unternehmensverständnis ist heute fragmentiert – verteilt auf GitHub, Confluence, Salesforce, Jira, Slack-Threads und den Köpfen von Mitarbeitern. Die Synthese-Schicht bleibt menschlich und verletzlich. Wenn Senior Engineers das Unternehmen verlassen, verschwindet nicht die Information, sondern das Wissen darüber, wie alles zusammenhängt.

  Das Versprechen: Eine KI-Kontextplattform, die kontinuierlich aus allen Unternehmens-„Dateikabinetten” lernt, ein kohärentes Modell der Organisationskompetenz bewahrt und über Agentenworkflows agiert – eine Art digitales Institutionengedächtnis, das Synthesearbeiten in Sekunden leistet.

  Die vier zentralen technischen Wetten, die alle gleichzeitig funktionieren müssen:

  1. Intelligenz × Kontext = multiplikativ: Schwache Modelle ertrinken in großen Kontextmengen und halluzinieren. Nur starke Reasoning-Modelle können bestimmen, welche Information relevant ist und Widersprüche über Sessions hinweg gewichten. Jeder GPT-5.x-Punkt-Release ist deshalb funktionsnotwendig – nicht um Benchmarks zu schlagen, sondern um die Intelligenz-Bodenhaftung aufzubauen, die die Kontextschicht nutzbar macht.
  1. Speicher, der nicht verfällt: Organisatorisches Wissen ist fragil – Entscheidungsrationale aus Slack-Threads, Architektur-Patterns, die sich geändert haben, Abhängigkeiten zwischen Systemen, die nur erfahrene Ingenieure kennen. Das Gedächtnis-System muss aktuell bleiben, Widersprüche auflösen, veraltete Erkenntnisse kennzeichnen und verfolgen, was aktuell vs. historisch-relevant ist. Das ist noch ein offenes Forschungsproblem.
  1. Retrieval bei Billionen-Token-Skala (das Kernproblem): RAG funktioniert für Fakten-Lookup, scheitert aber bei Enterprise-Kontext – kann zeitliche Kausalitätsketten nicht verarbeiten, verwechselt alte Kontexte mit neuen Systemen bei ähnlichen Keywords, erzeugt mehr Fehlgriffe je größer der Korpus. Eine Lösung braucht vermutlich hybride Architektur mit strukturiertem Indexing, hierarchischem Speicher, temporalem Tracking und State-Space-Kompression. Dies ist unsichtbar in aktuellen Benchmarks – und der strategische Vorteil wird nach außen nicht messbar sein.
  1. Ausführungsgenauigkeit: Autonome Agenten müssen über Wochen hinweg bei hunderten Tasks eine Quote von 99,5%+ halten – sonst kompoundieren selbst 5%-Fehler zu Systemrisiko.

  Das Flywheel-Szenario: Ein Monat ein: generische aber intelligente Agenten. Monat drei: Agenten kennen Silos übergreifende Details. Monat sechs: Agenten wissen Dinge, die kein Mensch weiß. Onboarding von Wochen wird zu Tagen. Management wird zur Zusammenarbeit mit Agenten, um die richtige Entscheidung zu treffen und dann zu delegieren.

  Anthropic vs. OpenAI: OpenAI baut architektonisch von oben – $600 Mrd. Infrastructure mit AWS für einen „stateful runtime environment”. Anthropic sammelt organisch durch Claude Code (>50% des Enterprise-Coding-Markets) – bottom-up, produktgetrieben, unbewusst als strategisches Asset. Ironischerweise könnte Anthropics organisch aufgebauter Kontext realistischer sein als OpenAIs Tag-1-Kontext (weil er echte Workflows reflektiert, nicht antizipierte). Aber wenn OpenAI zuerst ankommt und es funktioniert, dominiert die Unternehmens-Lock-in absolut – Switching kostet Jahre an synthetisiertem Wissen.

  Lock-in-Neuqualität: Salesforce bindet durch Datenbesitz. Die Kontextplattform bindet durch Verständnis – das ist nicht portabel, nicht exportierbar. Tiefere Lock-in als je zuvor in Enterprise Software.

  Praktische Fragen für jetzt:

  • Wo akkumuliert echtes Verständnis in eurer Org (nicht Datenspeicher)?
  • Baut ihr einen Compound-Flywheel oder experimentiert ihr zufällig?
  • Was kostet euch das Switching aus eurer aktuellen KI-Investion?

  Der Schluss: OpenAI und Anthropic spielen das längere Spiel – nicht um besser nächsten Monat zu sein, sondern wer zuerst unausweichlich wird.

  Erwähnte Systeme: OpenAI (Stateful Runtime Environment mit AWS), Anthropic (Claude Code, Codex), Salesforce, ServiceNow, Google (als Wettbewerber erwähnt), sowie generische Enterprise-Stack-Tools (GitHub, Confluence, Jira, Slack).

  Format: Deep-Dive / Strategische Analyse (Meinung/Reflexion).

• Everyone You Know Is About to Try Claude (I Showed 3 People for 5 Minutes — All 3 Switched)
  4.3.2026, 15:00:47

  Claude vs. Chat GPT: Praktische Unterschiede und wie man Claude effektiv nutzt

  Das Video bietet eine detaillierte Anleitung für Menschen, die neu zu Claude kommen und nicht einfach ihre Chat GPT-Gewohnheiten übertragen sollten. Die Unterschiede sind fundamental: Claude und Chat GPT wurden mit völlig verschiedenen Trainingsmethoden entwickelt und haben daher unterschiedliche Stärken.

  Sieben Kernprinzipien für die Nutzung von Claude:

  1. Claude ist kritischer: Trainiert mit Constitutional AI gegen explizite Prinzipien wie Ehrlichkeit, statt wie Chat GPT durch Nutzer-Feedback optimiert. Claude flaggt eher Probleme in deinen Plänen, anstatt sie zu glätten – das verhindert teurere Fehler wie schlecht durchdachte Strategien.
  1. Beschreibe die Situation, nicht nur das gewünschte Output: Claude antwortet auf gut gerahmte Kontexte deutlich besser als auf bloße Befehle. Es benutzt zusätzliche Kontextinformationen, um die Framing der Aufgabe zu überdenken, nicht nur um Antworten zu detaillieren – es verhält sich wie ein Denk-Partner.
  1. Claude ist besser beim Editieren: Claude gewinnt bei Vergleichstests in struktureller Kohärenz und natürlicherer, weniger generisch wirkender Prosa als Chat GPT. Gib Claude vorhandene Arbeit zu bearbeiten, nicht Blanko-Leinwände – es identifiziert Schwachstellen in der Argumentationsstruktur besser.
  1. Nutze Extended Thinking: Claude kann mit erhöhtem Verarbeitungsaufwand komplexe Probleme Schritt für Schritt durchdenken und dir die Gedankenkette zeigen. Anders als Chat GPT kannst du Claudes Reasoning während es läuft beobachten und unterbrechen, um Kurs zu korrigieren – statt nur auf die finale Antwort zu warten.
  1. Nutze Projekte als Arbeitsraum, nicht Dateiablage: Detaillierte Betriebsrichtlinien in den Projekt-Instruktionen (Rolle, Zielgruppe, Kontext, Brand Voice) werden von Claude mit 94% Genauigkeit konsistent befolgt, während Chat GPT 87% erreicht. Claude driftet nicht so schnell von gesetzten Prinzipien ab.
  1. Claude kann auf deinem Computer arbeiten (Claude Codewerk): Im Gegensatz zu Chat GPT kann Codewerk (verfügbar für macOS, Windows folgt) Dateien tatsächlich öffnen, bearbeiten und verwaltungsaufgaben autonom ausführen – nicht nur über sie sprechen. Du kannst es etwa Rechnungen analysieren und Zusammenfassungen erstellen lassen, mit Permissions-Kontrolle und Echtzeit-Sichtbarkeit.
  1. Kenne die Lücken: Claude generiert keine Bilder, keine Videos (via Sora), keine echte Echtzeit-Sprache und hat Schwächen bei mathematischem Reasoning und wissenschaftlichem Wissen. Auch die Web-Recherche ist schmäler, die globale persistente Speicherung niedriger und es gibt keinen Custom GPTs-Marketplace. Das ist nicht schlecht, sondern Realität – man kann beides nutzen.

  Der Kern: Claude belohnt komplexere, kontextreichere Eingaben, bessere Framing und vorhandene Arbeit zur Verbesserung. Die Unterschiede entstehen aus unterschiedlichen Trainingsphilosophien und addieren sich über Zeit – sie formen, wie du AI nutzt und wie dein Gehirn über AI denkt.

  Die Reflexion: „Wenn du ein Tool hast, das kritisch nachfragt, lernst du, es zur Kritik einzuladen. Mit einem Tool, das immer zustimmt, machst du das weniger – und das ändert dein Denken über Zeit.”

  Thematisiert: Claude und Chat GPT (OpenAI), sowie Claude Codewerk; Format: Meinung/Reflexion mit Prinzipien-Anleitung.

• Dario Amodei Made One Mistake. Sam Altman Got $110 Billion. Here’s the Full Story.
  3.3.2026, 15:15:12

  Das Video analysiert die geopolitischen und wirtschaftlichen Konsequenzen aus drei zusammenhängenden Ereignissen: Anthropic-CEO Dario Amodei lehnt die Pentagon-Forderung nach uneingeschränkter militärischer KI-Nutzung ab, OpenAI unterzeichnet wenige Stunden später einen Vertrag für den Einsatz in klassifizierten Netzwerken, und die USA und Israel bombardieren den Iran – wobei Claude nachweislich in den Operationen eingebettet war. Der Sprecher argumentiert, dass Amodei den politischen Kontext missverstanden hat: Seine öffentliche, prinzipientreue Haltung wurde bestraft (Anthropic als Supply-Chain-Risk designiert), während Sam Altman durch stille Verhandlungen die größte Privatfinanzierungsrunde der Geschichte ($110 Milliarden), einen Verteidigungsvertrag und die strukturelle Kontrolle über die US-AI-Infrastruktur sicherte.

  Das Video zeigt, wie die ursprüngliche Enterprise-Dominanz von Claude durch diese politisch-wirtschaftlichen Manöver gefährdet ist. OpenAI erhielt massive Investitionen von Amazon ($50 Mrd.), Nvidia ($30 Mrd.), und SoftBank ($30 Mrd.), während Anthropic trotz stärkerer Enterprise-Kontakte durch die Designierung von Regierungsprojekten abgeschnitten wird. Der Sprecher identifiziert mehrere tiefere Muster: Die Cloud-Provider (AWS, Azure, Google Cloud) sind agnostisch gegenüber einzelnen Modellen und wollen nur Token-Volumen; die Infrastruktur-Konsolidation (Stargate, $700 Milliarden Cloud-Commitments) schafft massive Switching-Kosten; und Rüstungsverträge werden zur dauerhaftesten Revenue-Form.

  Ein kritischer Punkt: Claude wurde zur Zielidentifikation und Gefechtsabsimulation in der Iran-Operation verwendet, obwohl ein präsidentiischer Stopp-Befehl existierte – die KI ist in operative Workflows so tief eingebunden, dass sie nicht ad-hoc entfernt werden kann. Der Sprecher unterscheidet zwischen Amodeis technischer Kritik (Modelle nicht zuverlässig genug) und der öffentlichen Wahrnehmung (moralischer Einwand gegen Automatwaffen). Amodei signalisiert, dass seine Positionen von Model-Zuverlässigkeit abhängen, nicht von Ethik. OpenAIs Sicherheitsmaßnahmen (Cloud-only, eingebettete Ingenieure, unabhängiger Safety Stack) sind prozedural anders, erreichen aber ähnliche Ergebnisse wie Anthropics Anforderungen.

  Für Enterprises stellt sich die zentrale Frage nicht mehr „welches Modell”, sondern wie die Cloud-Provider-Wahl und Agent-Workloads die langfristigen Switching-Kosten prägen. Der Sprecher argumentiert, dass die Circular-Financing-Struktur ein implizites Risiko enthält: Wenn Enterprise-Token-Demand massiv größer als antizipiert ist, könnte die Infrastruktur untergebaut sein. Gleichzeitig wird sie zum Mittel, einen Gewinner zu wählen – eine opaque Krönung von OpenAI, bei der Regulatoren (insbesondere bei AWS’ exklusiven Frontier-Distribution-Rechten) eingreifen könnten. Der Sprecher schliesst mit der Beobachtung, dass Pentagon-Validierung und Defense-Contracts das größte de-risking Tool für Risikokapital darstellen, und dass die gesamte Finanzierungsstruktur auf der Annahme basiert, KI-Compute werde so fundamental wie Elektrizität – und OpenAI wettet, dass es das Stromnetz kontrollieren kann.

  Thematisierte Anbieter: OpenAI, Anthropic (Claude), Amazon/AWS, Nvidia, Microsoft, Google, SoftBank, Oracle, Broadcom, AMD; Format: Meinung/Reflexion mit tiefem Policy- und Finanzanalyse-Anteil.

• You Don’t Need SaaS. The $0.10 System That Replaced My AI Workflow (45 Min No-Code Build)
  2.3.2026, 15:00:06

  Zusammenfassung: Open Brain – Eine agentenlesbare Gedächtnisarchitektur

  Der Video argumentiert, dass aktuelle KI-Tools ein fundamentales Problem haben: Sie verfügen über kein persistentes, agentenlesbares Gedächtnis. Während es bereits Guides für “Second Brains” gibt, sind diese für menschliche Augen optimiert, nicht für KI-Agenten. Die großen Tech-Unternehmen haben Gedächtnis in ihre einzelnen Plattformen eingebaut (Claude Memory, ChatGPT Memory etc.), aber diese Systeme sind voneinander isoliert und ziehen Nutzer in Silos – ein absichtliches Lock-in-Geschäftsmodell.

  Der Autor stellt darauf hin, dass sich die KI-Landschaft gerade radikal verschiebt: Agents werden mainstream, die Agenten-Bewegung hat Millionen autonomer Agents hervorgebracht, und die Produktivitätssteigerungen sind messbar (US-Produktivität 2025: 2,7%, doppelt über Dekaden-Durchschnitt). Der entscheidende Unterschied zwischen erfolgreichen und weniger erfolgreichen AI-Nutzern ist nicht das Modell, sondern die Infrastruktur: Wer persistent, agentenlesbar, bedeutungssemantisch suchbare Kontexte aufgebaut hat, erzielt kompoundierende Vorteile.

  Die vorgeschlagene Architektur (Open Brain):

  • Gedanken werden in einer PostgreSQL-Datenbank gespeichert (nicht in propriätären Formaten), die Sie selbst kontrollieren
  • Jeder eingefügte Gedanke wird automatisch als Vektor-Embedding vektorisiert – das ermöglicht semantische Suche nach Bedeutung, nicht nur Keywords
  • Ein MCP-Server (Model Context Protocol – das “USB-C der KI”) verbindet diese Datenbank mit jedem KI-Tool, das MCP spricht
  • Capture läuft über Slack oder andere Messaging-Apps: Ein Gedanke wird eingegeben, in ~10 Sekunden extrahiert das System Metadaten, erstellt ein Embedding, speichert es in der Datenbank
  • Retrieval funktioniert aus Claude, ChatGPT, Cursor oder jedes anderen MCP-kompatiblen Tools mit drei Funktionen: semantische Suche, “recent listing”, Statistiken

  Konkrete Kosten: 10–30 Cent pro Monat bei kostenfreien Tiers von Superbase und Slack.

  Warum das Architektur-Level zählt:

  Das Problem ist nicht, dass einzelne Tools kein Gedächtnis haben – das Problem ist die Fragmentierung. Jeder Wechsel zwischen Claude und ChatGPT bedeutet bisher: neuer Kontext, gleiche Information neu erklären. Der Autor zeigt die Differenz: Person A verbringt 4 Minuten mit Kontexterklärung in jedem Chat. Person B hat ein persistentes, agentenlesbares Open Brain; alle AI-Tools sehen den gleichen Kontext, ein Gedanke macht die nächste Suche smarter. Diese Lücke wird wöchentlich größer (compounding advantage).

  Zusätzliche Nutzungsebenen:

  • Memory Migration: Bei Initialisierung alle bestehenden Memories aus Claude/ChatGPT ins neue System ziehen
  • Open Brain Spark: Interview-Prompt, der personalisierte Capture-Kategorien vorschlägt
  • Quick Capture Templates: 5-Satz-Starters (Decision, Person, Insight, Meeting) für clean metadata extraction
  • Weekly Review: Automatische Clusterung, Mustererkennung, Lückenanalyse über die Woche

  Zwei Ebenen des Wertes:

  1. Für Agenten: Sie haben endlich Zugriff auf konsistenten, strukturierten Kontext, ohne dass dieser in walled gardens steckt
  2. Für Menschen: Paradoxerweise macht eine agentenlesbare Architektur auch die menschliche Nutzung besser, weil echte Datenbanken + semantische Suche klarere, schnellere Retrieval ermöglichen als graphische Note-Apps

  Der Autor argumentiert, dass das eigentlich der ursprüngliche Second-Brain-Ansatz immer wollte, die Technologie (Agenten, MCP, günstige Embeddings) aber erst jetzt verfügbar ist. Setup dauert ~45 Minuten, im Begleit-Substack-Guide schritt-für-schritt, kein Code nötig (bestätigt durch non-technical Testperson).

  Explizit erwähnte Tools/Modelle: Claude, ChatGPT, Cursor, Grok, Anthropic, OpenAI, Open Claw (190k GitHub Stars), Zapier, Notion, N8N, MCP-Server, Obsidian, Superbase, PostgreSQL, PG Vector, Slack; als Vergleich: Memcync, One Context. Format: Meinung/Argumentation mit Demo-Elementen und technischer Deep-Dive.

• Why Every AI Skill You Learned 6 Months Ago Is Already Wrong (And What Is Replacing Them)
  1.3.2026, 19:00:20

  Zusammenfassung: Frontier Operations – Die neue Schlüsselkompetenz im AI-Zeitalter

  Der Kern der Argumentation ist ein Modell, das AI-Fähigkeiten als expandierende Blase darstellt: Innen sitzt alles, das Agenten zuverlässig können; außen alles, das noch Menschen braucht; und die Oberfläche – die Grenzfläche – ist wo die wertvollste Arbeit stattfindet. Jeder Modell-Release macht die Blase größer. Aufgaben wandern von der Oberfläche ins Innere; gleichzeitig wächst die Oberflächen-Fläche selbst. Das ist das entscheidende Paradox: Die Grenze schrumpft nicht, sie expandiert. Es gibt immer mehr Ort für menschliches Urteilsvermögen, nicht weniger – nur eine andere Art.

  Das unterscheidet diese Fähigkeit von allen bisherigen Arbeitsskills: Sie haben ein Ziel (Schreiben lernen, Programmieren können). Diese Skill hat kein fixes Ziel – die Oberfläche bewegt sich ständig. Man kann sie nicht einmal lernen und dann abhaken. Man muss mit ihr mitbewegen, kontinuierlich neu kalibrieren, während Agenten-Fähigkeiten wöchentlich oder monatlich sprüngen.

  Der Autor nennt diese Praxis Frontier Operations – nicht “AI-Literacy” (das ist nur zu wissen, was ein Sprachmodell ist), nicht “Prompt Engineering” (das ist ein Teilwerkzeug), sondern eine integrierte operationale Praxis bestehend aus fünf persistenten Skills:

  1. Boundary Sensing: Genaue, ständig aktualisierte Intuition, wo die Mensch-Agent-Grenze für die eigene Domäne liegt. Mit jedem Model-Release neu kalibrieren. Beispiel: Ein Product Manager lässt den Agent Competitive Analysis draften, aber weiß, dass dieser die politischen Dynamiken zwischen Executives übersieht – diese Teile macht der PM selbst, andere Teile delegiert er.
  1. Seam Design: Architektonische Fähigkeit, Übergänge zwischen menschlichen und Agent-Phasen sauber, verifizierbar und wiederherstellbar zu gestalten. Bestimmte Artefakte fließen zwischen Phasen; an jeder Schnittstelle prüft man, ob es auf Kurs ist. Das Entscheidende: Die richtige Seam-Position ändert sich mit den Capabilities – die Skill ist ständiges Redesign.
  1. Failure Model Maintenance: Nicht nur generische Skepsis, sondern ein differenziertes mentales Modell: Welche spezifischen Fehler macht der Agent bei welchen Aufgabentypen gerade jetzt? Frühe Modelle versagten offensichtlich; aktuelle Modelle versagen subtil – plausible Analysen auf falschen Prämissen, korrekter Code auf dem Happy Path, 98% genaue Summaries mit selbstbewusster Desinformation in den restlichen 2%. Die Skill ist, für Aufgabentyp A einen anderen Check zu machen als für Typ B.
  1. Capability Forecasting: 6–12-Monats-Bets, wo die Blase-Grenze sich wahrscheinlich als nächstes verschiebt, um Lern- und Workflow-Investitionen danach auszurichten. Nicht perfekte Zukunftsprognose, sondern probabilistische Positionierung (wie ein Surfer die Wellen liest).
  1. Leverage Calibration: Entscheidungen treffen, wo menschliche Aufmerksamkeit hin soll – die knappste Ressource in einer Agent-reichen Umgebung. McKinsey-Muster: 2–5 Menschen beaufsichtigen 50–100 Agenten. Mit einem 10:1-Verhältnis muss man Aufmerksamkeit triage real-time, z.B. automatisierte Tests für Routine-Code, manuelles Review für Billing/Daten-Pipelines, tiefes Review nur für Architekturentscheidungen.

  Diese fünf sind nicht Checklisten-Punkte, sondern gleichzeitig und integriert ausgeübte Praktiken – wie Fahren Lenkung, Geschwindigkeitsmanagement, Routenbewusstsein und Gefahrenerkennung zusammen ist, nicht sequenziell.

  Warum ist diese Fähigkeit strukturell nicht ersetzbar? Weil mit jeder AI-Verbesserung die Grenzfläche selbst größer wird, nicht kleiner. Eine automatisierte Prompt-Technik kann Prompting ersetzen – aber die Frontier-Operation ist das ständige Navigieren einer expandierenden Grenze. Das lässt sich nicht automati­sieren.

  Organisationaler Kompound-Effekt: Wer diese Skill 6 Monate eher entwickelt, hat nicht nur 6 Monate Vorsprung – mit exponentiellen Capability-Jumps hat die kalibrierte Person massive Abstände zur unkalibrieren Peer. Das erklärt Leverage-Zahlen bei AI-nativen Companies (Cursor, Lovable, Anthropic-Team).

  Praktische Handlungsempfehlungen für Leader:

  • Baue Übungsumgebungen, nicht Kurse (Sandboxes mit realistischen Fehlertypen, wo Regeln sich ändern).
  • Messe Kalibrierung, nicht Wissen (kann die Person präzise vorhersagen, wo ein Agent Erfolg/Misserfolg hat?).
  • Maximiere Feedback-Dichte (100 Calibration-Zyklen in 10 Tagen via 10 Agent-Tasks/Tag schlägt 40-Stunden-Kurs).
  • Schaffe explizite Rollen für Frontier Operations (Automation Lead, Delegation Architect, Frontier Engineer) – die Skill entwickelt sich nicht als Nebenjob.
  • Organisationales Design: Team-of-One (hochskillierte Person, mehrere Agent-Workflows) oder Team-of-Five (ein Frontier Operator setzt Seams und Failure-Modelle, andere exekutieren unter Anleitung und entwickeln Skill nebenbei). Output skaliert mit Leverage, nicht Köpfen.

  Für Jobsuchende/Eigenentwicklung: Tracke, wo Agenten dich überraschen. Überraschungen sind Signale für noch-nicht-kalibrierte Grenzbereiche. Wenn dich ein Agent nicht überraschend hat, bist du nicht an der Frontier. Gib Agenten absichtlich Aufgaben, die dein Modell der Grenzen testen.

  Finale Pointe: Das letzte Vierteljahr (Nov. 2024 – Feb. 2026, im Video mit Opus 4.5 → 4.6, Context Windows, Retrieval erwähnt) hat gezeigt: Modelle werden schneller fähiger. Wer diese neuen Agenten nicht fühlt, wenn man sie nutzt, ist nicht an der Grenze. Das ist das Signal, dass du nicht kalibriert bist – und die einzige Antwort ist, Agenten einen Job zu geben, der sie und dich überrascht.

  Kontext: Keine spezifischen AI-Tool-Anbieter außer Referenzen zu Cursor, Lovable und Anthropic als Beispiele für AI-native Companies erwähnt; Modellreferenzen: Opus 4.5/4.6, Claude-Varianten, Codeex 5.3, Gemini 3.1 Pro. Format: Meinung/Reflexion mit operationalen Rahmen – ein deep-dive Vortrag zur zukünftigen Arbeitsfähigkeit im AI-Zeitalter.

Alejandro AO

Keine neuen Videos in diesem Zeitraum.

Alex Finn (1 neues Video)

• OpenClaw is 100x better with this tool (Mission Control)
  3.3.2026, 00:27:55

  Zusammenfassung: Mission Control für OpenClaw

  Das Video zeigt, wie man ein Custom-Dashboard namens „Mission Control” für OpenClaw aufbaut, das die Fähigkeiten des Agenten erheblich erweitert. Der Creator demonstriert sein vollständig von OpenClaw selbst erstelltes Dashboard (ohne Hand-Coding) und präsentiert die wichtigsten Tools:

  Task Board: Ein Kanban-Board, das alle Aufgaben von OpenClaw und seinen Sub-Agenten anzeigt. Es bietet Transparenz über laufende, abgeschlossene und zu überprüfende Tasks und ermöglicht automatische Task-Abarbeitung durch Heartbeat-Checks.

  Calendar Screen: Zeigt alle geplanten Cron-Jobs und proaktiven Tasks, um zu bestätigen, dass OpenClaw tatsächlich die zugesagten automatisierten Aufgaben ausführt.

  Project Screen: Übersicht über größere Projekte mit Möglichkeit, Hook-ups zu Tasks, Memories und Dokumenten zu erstellen. Hilft, den Fokus auf impactful Work zu halten.

  Memory Screen: Organisiert die Memories von OpenClaw nach Tagen und bietet Zugang zu Long-Term-Memories – fungiert als digitales Journal und Lebensaufzeichnung.

  Documents Screen: Speichert alle von OpenClaw erstellten Dokumente (Newsletter-Drafts, Planungen, PRDs) durchsuchbar und kategorisiert, statt sie in Chat-Historien zu verstecken.

  Team Screen: Visualisiert alle genutzten Agenten und Sub-Agenten, ihre Rollen und das gemeinsame Mission-Statement – fungiert als Organigramm der digitalen Organisation.

  Office Screen: Ein 2D-Pixel-Art-Büro, das visualisiert, an welchen Tasks die Agenten arbeiten – soll Spaß machen und Engagement fördern.

  Der Creator betont: Man sollte nicht einfach kopieren, sondern nach dem initialen Setup Reverse-Prompting nutzen, um Custom-Tools zu bauen, die zur eigenen Workflow passen. Alle Tools lassen sich durch simple Prompts erstellen; die gesamte Anleitung kann man als YouTube-Link an OpenClaw geben und es wird alles automatisch bauen.

  Erwähnte Tools/Anbieter: OpenClaw, Quen, ChatGPT, Next.js – Tutorial mit Demo-Focus.

Andrej Karpathy

Keine neuen Videos in diesem Zeitraum.

Bart Slodyczka (3 neues Videos)

• Claude Code + OpenRouter = Free UNLIMITED Coding (No RAM Needed)
  8.3.2026, 09:37:29

  Claude Code kostenlos ausführen mit OpenRouter

  Das Video zeigt, wie man Claude Code völlig kostenlos nutzt, ohne lokale Modelle auf dem eigenen Gerät installieren zu müssen – besonders wertvoll für Rechner mit wenig RAM, Raspberry Pi oder VPS.

  Der Schlüssel ist OpenRouter, ein Service, der API-Zugang zu hunderten verschiedenen KI-Modellen bietet. Auf OpenRouters Free-Models-Seite finden sich Optionen wie das 120-Milliarden-Parameter-Modell von GPT-OSS oder Qwen 3 Coder mit 480 Milliarden Parametern – beides ohne Input- und Output-Kosten. Diese würden lokal 14 bis 290 Gigabyte VRAM erfordern, was praktisch unmöglich ist.

  Die Einrichtung funktioniert in zwei Schritten: Zunächst einen API-Schlüssel bei OpenRouter generieren und dann vier Variablen (OpenRouter API-Schlüssel, Anthropic Base URL, Auth Token, leerer API-Schlüssel) in die settings.json-Datei eintragen. Dies kann entweder lokal pro Projekt im .claude-Ordner oder global in der Benutzer-Claude-Konfiguration erfolgen. Der Video-Creator empfiehlt den kostenlosen „OpenRouter-free”-Model-Router ganz unten in der Liste, da dieser zuverlässiger funktioniert als einzelne Modelle bei Überlastung.

  Erwähnenswert: Bei Bedarf lässt sich das Modell jederzeit austauschen – etwa gegen das kostenpflichtige Minimax M2.5, das beim Coding nur 30 Cent pro Million Input-Tokens kostet vs. Claude Opus mit $5 pro Million, bei vergleichbarer Performance.

  OpenRouter und mehrere freie/kostenpflichtige Modelle (GPT-OSS, Qwen 3, Minimax M2.5) werden explizit thematisiert – Tutorial.

• 7 Prompts That Make OpenClaw Agents Actually Useful
  7.3.2026, 11:36:40

  Sieben Prompts für effizientere OpenClaw-Agenten

  Das Video präsentiert sieben Prompts, um OpenClaw-Agenten günstiger, intelligenter und nützlicher zu machen:

  1. QMD Memory System: Verbessert das Standard-Keyword-Matching durch semantische Suche mittels lokaler RAG-Pipeline und Vector-Reranking. So werden verwandte Konzepte (z.B. „müde” und „schläfrig”) korrekt erkannt. Funktioniert auf lokalen Systemen wie Raspberry Pi oder Mac Mini mit ausreichend RAM, aber nicht ideal auf CPU-basierten VPS.

  2. Daily Morning Brief: Ein Agentur-Prompt für tägliche Informationszusammenfassungen, der Web-Suche nutzt (erwähnt wird Tavly Search mit kostenlosem Plan bis 1.000 Credits/Monat). Der Autor empfiehlt, nach einer Woche die Vorlieben zu überprüfen und den Prompt iterativ anzupassen – auch durch Integration mit YouTube-Transkripten für projektbezogene Recherche.

  3. Accountability Partner: Der Favorit des Autors. Der Agent zerlegt Ziele (z.B. 10 kg in 3 Monaten abnehmen) in Zeitpläne, macht tägliche Check-ins und wöchentliche sowie monatliche Reviews. Daten sollten in einer SQL-Datenbank statt in Markdown gespeichert werden, um Tokens zu sparen und für Dashboards verfügbar zu sein.

  4. Accountability Dashboard: Visualisiert die in der Datenbank gespeicherten Fortschrittsdaten. Ermöglicht, Ziele vom Smartphone oder Computer einzusehen, ohne den Agenten zu befragen. Der Autor betont, dass Sonet 4.6 oder Opus 4.6 nötig sind, um das Dashboard robust zu bauen.

  5. Self-Improving Memory System: Basierend auf Clawhub Skills, aber als Prompt implementiert. Der Agent lernt aus kleinen Nutzer-Hinweisen (z.B. „gib mir Markdown statt HTML”) und aktualisiert seine Anweisungen, aber erst nach drei oder mehr Wiederholungen, um Überreaktionen zu vermeiden. Enthält auch Datenschutz-Regeln und wöchentliche Wartung.

  6. OpenClaw Update Monitor: Automatisiert Sicherheits- und Update-Prozesse. Der Agent prüft in regelmäßigen Abständen auf Updates, wartet 24 Stunden auf Fehlermeldungen, prüft auf Breaking Changes und führt nach Bestätigung ein Health- und Security-Check durch.

  7. Context Editor: Analysiert alle Agenten-Dateien systematisch auf Optimierungspotenziale – redundante Inhalte, veraltete Infos, unnötig ausführliche Dokumentation oder doppelte Aussagen. Ziel ist weniger Token-Overhead pro Nachricht. Der Autor empfiehlt, das Audit zunächst auf einem separaten Test-Agenten durchzuführen.

  Der Autor betont durchgehend, dass diese Prompts nicht einfach kopiert werden sollten, sondern als Ausgangspunkte für Personalisierung dienen. Für komplexere Prompts wird Sonet 4.6 oder Opus 4.6 empfohlen. Alle Prompts sind auf seiner Website zum Download verfügbar.

  OpenClaw-Prompts, Deep-Dive.

• Learn 90% Of Claude in 20 Minutes: Chat, CoWork, Code, Skills, Connectors, Plugins
  6.3.2026, 12:09:37

  Zusammenfassung: Überblick über das Claude Ökosystem

  Das Video bietet einen umfassenden Überblick über Claudes Produktpalette und deren Funktionen:

  Drei Hauptprodukte: Claude Chat eignet sich für einfache Fragen und Recherche; Claude Cowork ist für umfangreichere, mehrstufige Projekte konzipiert; Claude Code läuft auf der gleichen Engine wie Cowork, ist aber für Softwareentwicklung und Automatisierung optimiert.

  Chat-Funktionen: Der Chat-Modus unterstützt Datei-Uploads (PDFs, Excel-Sheets), ein Projekt-System für organisierte Kontexte mit benutzerdefinierten Anweisungen, Artifacts (kleine visuelle Apps) und ein Speicher-System, das wichtige Gesprächsinhalte merkt.

  Erweiterte Konzepte – Skills, Connectors, Plugins: Skills sind wiederholbare automatisierte Prozesse (bestehend aus Beschreibung und gebündelten Ressourcen wie Markdown-Anweisungen, Python-Skripte, Templates). Connectors ermöglichen Zugriff auf externe Tools (Gmail, ClickUp, Slack) über MCPs. Plugins kombinieren Skills und Connectors, um Claude rollenbasierte Automatisierung zu ermöglichen. Die Verfügbarkeit dieser Funktionen variiert zwischen Chat, Cowork und Code.

  Cowork-Workflow: Cowork funktioniert mit projektspezifischen Ordnern auf dem Computer. Die Plattform erstellt eine claude.md-Datei, um Kontext zwischen Sessions zu bewahren. Geplante Aufgaben ermöglichen wiederkehrende Reminders (z.B. tägliche Email-Zusammenfassungen). Cowork ist für längerfristige, mehrsessions-Projekte ausgelegt, nicht für sofortige Abschlüsse.

  Claude Code: Greift auf lokale Dateien und Terminal zu, kann Apps direkt auf dem Computer installieren. Bietet zusätzliche Features wie Remote Control (Steuerung vom Smartphone) und Hooks (deterministische Hard-Coded-Aktionen an Lebenszyklusstadien). Erlaubt Modellwechsel während einer Session.

  Zusätzliche Anwendungsorte: Chrome-Extension für Browser-Automation mit „Teach Claude”-Funktion zum Anlernen von Prozessen; Microsoft Excel mit speziellen Spreadsheet-Tools (Pivot-Tables, Conditional Formatting, Formeln ohne Halluzinationen); Mobile-App mit Zugriff auf Gesundheitsdaten.

  Modell-Empfehlungen: Haiku 4.5 zum Token sparen im alltäglichen Gebrauch; Sonnet 4.6 und Opus 4.6 für Coding-Aufgaben.

  Claude API, Desktop-App, Browser, Mobile – Meinung/Reflexion mit Tutorial-Elementen.

Ben AI (1 neues Video)

• Build Agent Teams within Claude Cowork in 17 min
  4.3.2026, 11:32:05

  Zusammenfassung: Agents in Claude Co-work für Bulk-Prozesse

  Das Video zeigt, wie man Agents in Claude Co-work nutzt, um Dutzende von Tasks parallel und autonom zu verarbeiten – statt Claude immer wieder dasselbe zu fragen.

  Das Kernproblem und die Lösung:

  Früher war Bulk-Processing schwierig, weil Claude nur sequenziell arbeiten konnte und der Context-Fenster überlastet wurde. Mit Sub-Agents können jetzt parallel mehrere isolierte Agents gleichzeitig laufen, was Prozesse theoretisch 100x schneller macht und Context spart.

  Praktisches Beispiel:

  Der Creator zeigt ein Lead-Qualification-Workflow: 150 Marketing-Agenturen aus einer Lead-Datenbank werden qualifiziert (nur US-basiert mit SEO-Services). Claude spinnt 15 Sub-Agents parallel auf, jeder recherchiert ~10 Leads via Web-Search. Danach folgt Enrichment (18 Sub-Agents führen Lead-Research durch, nutzen LinkedIn-Scraper) und schließlich Personalisierung (17 Agents schreiben Outreach-Messages). Alles läuft in einem Chat, dauert nur wenige Minuten.

  So funktioniert’s:

  • Skills: Spezifische, wiederverwendbare Prozesse speichern
  • Commands: Mehrere Skills in Sequenz kombinieren
  • Agents: Spezifische Instruktionen für Sub-Agents definieren (in Agent.md)
  • Parallel Sub-Agents: Wichtig: Explizit im Prompt angeben „spin up 15 parallel sub agents”, sonst läuft alles sequenziell

  Setup von Grund auf:

  Man kann alles direkt im Prompt beschreiben. Beispiel: „Bitte erstelle ein Plugin mit Skills für Lead-Qualification und Lead-Enrichment, nutze parallel Sub-Agents (5–15 Tasks pro Agent), speichere Agent-Instruktionen in separate Agent.md-Dateien und erstelle einen Command, um beide Skills hintereinander auszulösen.” Claude generiert dann das komplette Plugin mit allen Dateien, das man als ZIP exportieren und mit anderen teilen kann.

  Erweiterung: Appify MCP:

  Für LinkedIn-Scraping und andere Hard-to-Scrape-Websites empfiehlt der Creator das Appify-MCP (API-Key verbinden, über mcp.appify.com spezifische Scraper aktivieren). Dann können Sub-Agents auf LinkedIn-Daten zugreifen.

  Limitationen:

  • Sub-Agents verbrauchen viele Tokens (Claude Max Plan empfohlen)
  • Beste Ergebnisse bei 100–200 Items; darüber wird es kompliziert und teuer
  • Für sehr große Bulk-Workflows ohne menschliche Kontrolle sind dedizierte Automation-Plattformen wie n8n oder Make.com noch besser

  Unterschied zu Claude Multi-Agent Teams:

  In Claude selbst gibt es inzwischen auch Multi-Agent Teams, die miteinander kommunizieren können (z.B. für Compiler-Entwicklung). In Co-work sind Sub-Agents isoliert – was meist ausreicht und weniger Tokens kostet.

  Neues Plugin-Format:

  Alle Skills, Commands und Agents werden in ein Plugin gebündelt und können als ZIP oder via GitHub-Link geteilt werden. Aufruf dann einfach über /plugin sales outbound-enrichment.

  Das Video zeigt Claude Co-work mit Appify, im Format eines umfassenden Tutorials mit Live-Demos.

Brian Casel (1 neues Video)

• OpenClaw vs. Claude for Running an Agent Team
  6.3.2026, 14:00:32

  Zusammenfassung: OpenClaw vs. Claude-Ökosystem für Agent-Delegation

  Der Video-Creator testet zwei Ökosysteme, um wiederkehrende Geschäftsaufgaben an Agenten zu delegieren: OpenClaw und Claude mit Claude Code und Claude Co-work.

  Vibe und Vertrauenswürdigkeit

  Claudes Ökosystem wirkt poliert und reif; Anthropic als Unternehmen genießt Vertrauen durch durchdachte, geschäftsorientierte Releases. OpenClaw hingegen ist der „scrappy Newcomer” mit Paper Cuts bei Setup, Konfiguration und Dokumentation – die Community füllt Lücken. Trotzdem: OpenClaw hat das Konzept echter autonomer Agent-Delegation erst möglich gemacht, während Claude noch formiert.

  Praktische Delegierbarkeit

  OpenClaw excelt bei echter Autonomie: Agenten arbeiten von einem kontrollierten Dateisystem (Mac Mini), führen wiederkehrende Jobs aus und berichten via Slack/Telegram. Der Creator nutzt ein Markdown-basiertes System mit „Skills” (Prozessdefinitionen), die über Dropbox synchronisiert werden, plus ein Custom Dashboard zur Task-Verwaltung. Agenten folgen Anweisungen, referenzieren Skills und generieren automatisiert Reports.

  Claude/Claude Co-work fühlen sich eher wie Collaborators an. Claude Co-work hat zwar kürzlich Scheduled Tasks hinzugefügt, benötigt aber, dass der persönliche Rechner an und wach ist – und Tasks schlagen fehlschweigend fehl. Bewegung zwischen Geräten (Desktop, Mobile, Cloud) ist fragmentiert: Claude Co-work läuft isoliert lokal, Claude Code hat Remote-Features (Cloud-Übergabe), aber Skills sind in diesen Umgebungen nicht konsistent zugänglich.

  Strategie: Plattformagnostische Prozesse

  Der Schlüssel: Skills – Markdown-Dateien mit wiederholbaren Prozessen – sind der gemeinsame Standard über alle Plattformen (OpenClaw, Cursor, Claude, Claude Code/Co-work). Das bedeutet, dass in Skills investierte Arbeit nicht an eine Plattform gebunden ist. Die Frage ist nicht „OpenClaw oder Claude”, sondern „welche Kombination minimiert Reibung beim Deployment meiner Prozesse über Skills?” Aktuell unterscheidet sich die Antwort je nach Job.

  Prinzip: Jobs nicht Tasks designen – Prozesse definieren, in Skills wrappen, Agenten diese besitzen lassen.

  OpenClaw, Claude, Anthropic, Cursor, n8n erwähnt; Meinung/Reflexion mit Deep-Dive in praktische Workflows – für etablierte Produktbauer mit Agent-Fokus geschrieben.

Coding with Lewis

Keine neuen Videos in diesem Zeitraum.

Cole Medin (2 neues Videos)

• Is Software Engineering Finally Dead?
  5.3.2026, 01:00:59

  Zusammenfassung: „Software Engineers Aren’t Going Extinct”

  Der Creator argumentiert gegen die häufigen Vorhersagen von Tech-Leadern wie Dario Amodei (Anthropic), dass Softwareengineering in absehbarer Zeit aussterben wird. Amodei hatte im März 2024 behauptet, KI würde in 6 Monaten 90% des Codes schreiben, und sagte kürzlich, dass Softwareingenieure 2026 aussterben könnten. Ähnliche Aussagen kommen von anderen Branchenführern wie Jensen Huang (Nvidia), Sam Altman (OpenAI) und dem Microsoft-AI-CEO.

  Die Kritik am Bias dieser Leader: Der Creator weist darauf hin, dass diese Personen finanzielle Anreize haben, diese Narrative zu pushen. Anthropic stieg von 61,5 auf 380 Milliarden Dollar Bewertung in unter einem Jahr. Nvidia und OpenAI profitieren ebenfalls massiv vom KI-Hype. Interessanterweise widersprechen sich sogar die Aussagen innerhalb von Anthropic: Während Amodei vom Aussterben spricht, sagt Boris Churney (Claude-Schöpfer) auf Podcasts später auf X, dass „Softwareengineering wichtiger denn je” ist.

  Kernthese: Die Technologie ist zwar mächtig genug, aber zwei Faktoren werden unterschätzt:

  1. Adoption auf Unternehmensebene ist viel langsamer als behauptet. Der Creator trainiert Teams bei größeren Unternehmen und beobachtet massive Widerstände – Security-Concerns, Adoption von Lizenzen ohne echte tägliche Nutzung. Daten zeigen: 90% der Engineering-Teams nutzen zwar KI „im Workflow”, aber nur 51% nutzen KI-Tools täglich. 76% der Führungskräfte denken, ihre Teams haben KI adoptiert, aber nur 52% der Ingenieure stimmen dem zu. 21% der KI-Lizenzen bleiben untergenutzt.
  1. Es braucht viel mehr als nur Coding-Skills. Der Creator beschreibt die Evolution von Prompt Engineering → Context Engineering → Intent Engineering. Das letztere bedeutet: Nicht nur Code schreiben, sondern Architektur definieren, Requirements übersetzen, Success-Kriterien klären, Code reviewen, Validierungsstrategien entwickeln. Das ist alles noch Softwareengineering – nur ohne den reinen Tippverkehr.

  Praktische Empfehlungen: Vibe-Coding vermeiden, technische Skills schärfen, KI als Force-Multiplier nutzen, den eigenen Code verstehen bleiben, nicht völlig die Kontrolle abgeben. Ingenieure, die KI nutzen und gleichzeitig ihre Expertise bewahren, werden gedeihen; wer komplett auf Agenten setzt und nicht versteht, was sie tun, wird scheitern.

  Persönliche Erfahrung: Der Creator nutzte bis November 2024 keine KI-Coding-Tools, baute dann ein System auf (Plan-Implement-Validate) und delegiert jetzt fast das ganze Coding, behält aber Kontrolle über Planung und Validierung.

  KI-Tools/Anbieter thematisiert: Anthropic/Claude Code, OpenAI, Nvidia, GitHub Copilot, Windsurf; Format: Meinung/Reflexion mit Datenanalyse.

• Build BEAUTIFUL Diagrams with Claude Code (Full Workflow)
  2.3.2026, 15:01:28

  Zusammenfassung: Excaladraw-Skill für visuelle Diagramme mit Claude Code

  Der Videoproduzent teilt einen selbst entwickelten Skill, der Claude Code und andere Coding Agents befähigt, visuell argumentierende Diagramme zu erstellen. Das Problem: Coding Agents sind für visuelle Aufgaben nicht optimal ausgerüstet, daher hat er seinen gesamten Workflow in einen Skill verpackt, der über die Do.cloud Skills-Verzeichnis funktioniert.

  Wie es funktioniert: Man klont das GitHub-Repository, kopiert den Inhalt in einen neuen Ordner im Skills-Verzeichnis und lädt die skill.md-Datei, die den Coding Agent anleitet. Anschließend kann man dem Agent einfach sagen, er solle ein Diagramm erstellen — basierend auf einer Datei, einem YouTube-Script, einem PDF oder beliebigen Text. Der Agent generiert daraufhin JSON-Dateien, die man auf excalraw.com oder mit dem Excalidraw-Plugin in Obsidian rendert (kostenlos).

  Kernfeature – Selbstvalidation: Der Agent rendert das Diagramm zu einem PNG, schaut es sich selbst an, iteriert auf Unvollkommenheiten (meist 2–4 Mal) und verbessert das JSON direkt. Dies ist entscheidend, weil Coding Agents ohne Selbstcheck zu zu einfachen, blockigen Diagrammen neigen.

  Philosophie: Der Skill lehrt den Agent, visuell zu argumentieren: Struktur und Labels sollten das Konzept erklären, ohne dass Erklärtext nötig ist. Zwei Leitfragen: (1) Spiegelt die visuelle Struktur das Konzept? (2) Kann man etwas Konkretes daraus lernen?

  Workflow-Schritte: Idee formulieren → Tiefe des Diagramms bewerten (einfach vs. komplex, um Token-Limits zu respektieren) → Muster/Shapes/Text planen → JSON erstellen → Validationsloop mit Screenshot-Check → Iteration. Die skill.md enthält Design-Patterns, Farbpaletten und Best Practices, die man anpassen kann (z.B. andere Farben). Es gibt auch eine Referenz-Farbpalette im Repo zum Austausch.

  Realistisch: Der Skill ist nicht perfekt beim ersten Mal — der Videoproduzent musste seine Meta-Diagramm-Erklärung selbst 2–3 Mal iterieren. Aber er erzeugt einen exzellenten Startpunkt, auf den man dann manuell anpassen kann.

  Ergebnis: Der Skill spart dem Produzenten nach eigener Aussage Stunden pro Woche und ermöglicht es, schnell visuell komplexe, educationale Diagramme zu erzeugen.

  Claude Code wird thematisiert; Tutorial mit Demo-Fokus.

Datapizza (2 neues Videos)

• L’accordo Pentagono-OpenAI e il movimento QuitGPT
  3.3.2026, 17:00:37

  Zusammenfassung: Die Antropic-Pentagon-Kontroverse

  Das Episode-Langer Schwerpunkt behandelt den Konflikt zwischen Antropic und dem US-Pentagon über die Nutzung von KI-Modellen. Vor einigen Monaten hatte Antropic einen 200-Millionen-Dollar-Vertrag mit der US-Regierung geschlossen, doch wurde dieser in den letzten Wochen zum Zankapfel: Berichte deuteten darauf hin, dass Pentagon-Partner Antropics Systeme in militärischen Operationen (etwa beim Maduro-Zugriff über Palantir) eingesetzt hatten, und das Verteidigungsministerium signalisierte Absichten, KI künftig für Massenüberwachung im Inland und autonome Waffen einzusetzen.

  Antropic-CEO Dario Amodei lehnte dies aus ethischen Gründen ab – die Unternehmensrichtlinien verbieten solche Anwendungen. Am 25. Februar erhielt Antropic ein Ultimatum des Pentagon-Sekretärs Pete Hegseth mit 48-Stunden-Frist zur Aufhebung aller Nutzungsbeschränkungen. Amodei antwortete am 27. Februar mit kategorischer Ablehnung: Massenüberwachung widerspreche demokratischen Grundwerten und der geltenden Technik (KI sei zu fehleranfällig für autonome Zielselektion ohne menschliche Kontrolle), autonome Waffen ohne menschliche Überwachung schafften keine klare Verantwortungskette bei Kriegsfehlern.

  Das Regime antwortete mit massiven Repressionen: Antropic wurde als „Risiko für die Verteidigungslieferkette” eingestuft – eine Bezeichnung sonst nur für Länder wie China/Russland – das 1950er-Pentagon-Production-Act wurde angedroht, Trump unterzeichnete einen Executive Order für Nutzungsverbot in allen Bundesbehörden (Blacklist). Trump und Hegseth beschimpften Amodei öffentlich als „Linksradikalen” und „Lügner mit Gottkomplex”. Das Pentagon argumentierte, alle geplanten Nutzungen seien legal.

  Doch unmittelbar danach präsentierte OpenAI-CEO Sam Altman einen Vertrag mit dem Pentagon und behauptete, dieser enthalte die gleichen Verbote (Massenüberwachung, autonome Waffen). Dies wirkte opportunistisch und löste eine Boykott-Bewegung aus: über 700.000 Nutzer kündigten ChatGPT Plus (20$/Monat) und wechselten zu Claude, zumal parallel bekannt wurde, dass OpenAI per GPT-4 ein Tool an die Einwanderungsbehörde ICE lizenzierte (für Screening), und dass OpenAI-Präsident Greg Brockman persönlich 25 Millionen Dollar an einen Pro-Trump-SuperPAC spendete. Claude stieg daraufhin zur meistgeladenen kostenlosen App in den US- und kanadischen App Stores auf – Nutzer sehen Antropic als die ethisch authentischere Alternative.

  Flash News: Grok 4.20 (neue Version) nutzt Multi-Agent-Architektur (vier spezialisierte Agenten parallel), wird derzeit auf bis zu 16 Agenten erweitert, Kontextfenster verdoppelt sich von 1 auf 2 Millionen Token (größtes am Markt). Google veröffentlichte Nano Banana 2 für schnellere Bildgenerierung (State-of-the-Art in Geschwindigkeit), Speicher ist nun auch in kostenlosen Google-Accounts verfügbar. ByteDance stellte Dubao 2.0 vor – multimobales Modell für Video- und Bildgenerierung, State-of-the-Art für Video-Erstellung.

  Thematisiert wurden Antropic, OpenAI und Grok; das Format war eine Meinung/Reflexions-Diskussion mit News-Elementen und Flash-Updates — das Schwierigkeitsniveau bewegt sich im alltäglichen Bereich für Tech-interessierte Publikum.

• Hackapizza 2.0 – Agent Edition – Premiazione finale
  1.3.2026, 16:34:42

  Zusammenfassung: Data Pizza Acathon 2.0 – Agent Edition (Live-Event)

  Dies war eine Live-Übertragung des Data Pizza Acathon 2.0: Agent Edition, ein 24-stündiger Hackathon, in dem 19 Teams KI-Agenten-Systeme zur Verwaltung von virtuellen Restaurants entwickelten.

  Der Kontext

  Das Acathon basiert auf einem fiktiven Universum mit Restaurants, Rezepten und Zutaten. Die Teams mussten Multi-Agent-Systeme mit dem öffentlichen Data-Pizza-Framework bauen, um ein Restaurant zu betreiben: Speisekarten auswählen, bei Auktionen bieten, Zutaten beschaffen und Kunden bedienen. Die Leaderboard rankte die Teams nach Gewinn, aber die Juroren (Giuseppe Gullo, Simone Rizzo, Enrico Cassol, Giacomo Charlini) bewerteten auch Architektur, Präsentation und Kreativität.

  Die fünf Finalisten und ihre Lösungen

  1. Neural Nomads (3. Platz)

  Orchestrierte mehrere spezialisierte Agenten: einen für Web-Scraping des Blog, einen für Menü-Zusammenstellung (minimierte Verschwendung durch gemeinsame Zutaten), einen für Auktionsgebote (statistische Mediananalyse) und einen für Preisgestaltung. Mit Guard-Rails gegen Prompt Injection; Fallback auf deterministische Systeme bei Fehlern. Hybrid-Ansatz, der Robustheit mit Agency balancierte.

  2. Caramba (2. Platz)

  Implementierte eine Pipeline von hochspezialisierten Agenten (Procurer, Bidder, Buyer, Chef, Metre) mit rollenbasierten Verantwortlichkeiten. Nutzten ein Shared-Memory-Layer als State-Management. Iterativ entwickelt (nicht top-down geplant), indem sie Layer für Layer Komplexität hinzufügten und kontinuierlich gegen Live-Marktperformance testeten.

  3. Ragù (5. Platz)

  Größtenteils deterministisch trotz der Agent-Edition-Anforderung. Extreme Datenerfassung (Proxy-Server, umfassende Logs). Starteten mit einfacher Baseline, erkannten dann, dass zufällige Rezeptauswahl mit Expansion optimal war. Agent als Fallback für unerwartete Szenarien (z. B. geänderte Anforderungsstruktur). Höchste Performance bei der Goldenen Laufzeit, aber weniger im Spirit des Challenges.

  4. Cavalli al Trotto (gemeinsam 1. Platz)

  Speicherten alle Daten in einer relationalen Datenbank, nutzten RSS-Feeds für News-Ingestion. Multiple Agenten (Menu Agent, Bidding Agent, Market Agent, Allergies Agent, Strategy Agent) für verschiedene Phasen. Clevere Feststellung: ein separater Allergies-Extractor-Agent zur Normalisierung nicht-standardisierter Kundeninputs, statt nur ja/nein-Entscheidung. Agenten wählten dynamisch zwischen großen und kleinen Modellen je nach Latenzanforderungen.

  5. Claudio Opuscoli/Sonnets (gemeinsam 1. Platz)

  Hochgradig spezialisiert mit Brainstorming-Phase. Der Cerebellone (Brain) war deterministisch und orchestrierte andere Agenten (Chef mit Short-Memory über 3 Phasen, Sommelier für Blog-Extraktion, Metre für Service, PR-Agent). Nur 33 Zeilen für die Multi-Agent-Koordination mittels prioritätem Async-I/O statt HTTP. 588-Zeilen-Strategy-Engine mit Business-Intelligence-Tools. Agenten hatten Multi-Turn-Conversations mit Speicher; der Chef konnte nachverhandeln (z. B. „Wir können nur 20 von 30 Gerichten machen – wähle du.”).

  Kernerkenntnisse aus der Jury

  • Code allein gewinnt nicht: Teams, die viel mit AI geschriebenen Code generierten, performten im Durchschnitt schwächer als die, die zuerst das Problem durchdachten, dann minimal implementierten.
  • Hybrid ist realistischer: Deterministische Baseline + Fallback zu LLMs (z. B. Ragù) oder LLM-First + Fallback zu Determinismus (z. B. Caramba) funktioniert besser als nur Agenten.
  • Memory und Logging sind kritisch: Alle Top-Teams speicherten umfassend Historien und Metriken (Datenbank, strukturierte Logs).
  • Generalisierung vs. Spezialisierung: Spezialisierte, rollen-basierte Agenten (Caramba, Claudio) schlugen größere, flexiblere Systeme.

  Endergebnis

  Gemeinsam 1. Platz: Caramba und Cavalli al Trotto

  2. Platz: (Kategorie: zweiter Gewinner, beide noch Preise)

  3. Platz: Neural Nomads

  4. Platz: Claudio Opuscoli

  5. Platz: Ragù

  Hank und Giacomo von Data Pizza betonten am Ende, dass AI-Fähigkeiten in Italien trotz aller Hype noch praktisch und realistisch angewendet werden müssen, und dass die nächste Generation Techniker nicht nur Tools nutzen, sondern auch Probleme verstehen müsse – dies sei der Schlüssel zur Innovation.

  Thematisierte Technologien/Anbieter: Claude, OpenAI (GPT-4), Gemini, Data-Pizza-Framework (Open-Source), MCP-Tools, Nano Banana, Lovable; Format: Live-Q&A + Demo-Hackathon-Finale mit Jurybewertung.

Dave Ebbelaar (1 neues Video)

• 5 Levels of AI Agents – From Simple LLM Calls to Multi-Agent Systems
  5.3.2026, 15:15:53

  Zusammenfassung: Die fünf Levels von AI-Agent-Komplexität

  Das Video behandelt fünf aufeinander aufbauende Complexity-Levels für AI-Systeme, die in der Praxis zum Einsatz kommen.

  Level 1 – Augmented LLM: Ein einfacher API-Call mit strukturiertem Output, um Systeme darum herum zu konstruieren.

  Level 2 – Prompt Chaining & Routing (DAGs): Einstufung eingehender Daten in Kategorien (z.B. Kundentickets in „Billing”, „Technical”, „General”), dann deterministische If-Else-Regeln zur Behandlung. Dies bleibt das Rückgrat zuverlässiger B2B-Automatisierung in Produktion und im großen Maßstab – wird aber kompliziert, wenn mehr Logik hinzukommt.

  Level 3 – Tool Calling an Edge Nodes: Statt hardcodierter Entscheidungen gibt man dem LLM eine Serie von Tools (Datenbankzugriff, Policy-Lookup). Das LLM entscheidet agentic, welche Tools es nutzt, auch in Schleifen. Der Autor zeigt ein Live-Beispiel aus Langfuse: Ein über 1,5 Jahre optimiertes Customer-Care-System mit mehreren Schritte und Tool-Calls, das fast den gesamten Support automatisteert.

  Level 4 – Agent Harnesses: Frameworks wie Claude Code oder Cursor-CLI geben dem Agent Zugang zu vollständigen Runtime-Umgebungen – Bash-Execution, Dateisystem-Zugriff, Web-Search, externe APIs via MCPs. Der Autor zeigt ein Beispiel mit dem Claude Agent SDK (pip install), das lokale Dateien durchsucht und Markdown-Wissensdateien verarbeitet – sehr mächtig, aber experimentell und für Production unzuverlässig und teuer.

  Level 5 – Multi-Agent-Orchestration: Mehrere Sub-Agents mit eigenen Context Windows, gesteuert von einem Orchestrator. Der Vorteil: Jeder Agent bekommt ein separates Context-Fenster, sodass der Orchestrator sauber bleibt. Im Claude Agent SDK über einen agents-Parameter eingebunden.

  Produktionsrealität: Die beste Praxis kombiniert diese Levels strategisch – beginne mit einfachen DAGs und augmented LLM-Knoten, nutze Tool Calling nur an Edge Nodes bei wachsender Komplexität, verwende Agent Harnesses gezielt (z.B. für Coding) und verstehe, dass neue Tools wie OpenClaw nur Abstraktionen über bekannte Prinzipien sind: LLMs + Tools + System Prompts.

  Der Autor betont: Deterministische DAGs sind wartbarer und testbarer als LLM-Knoten mit fünf Tool-Calls. Kosten und Latenz steigen mit Komplexität – Multi-Agent-Systeme sind teuer und langsam, schnelle Automationen sollen billig und deterministisch sein.

  Claude Agent SDK und Cloud Code – Meinung/Reflexion mit praktischen Deep-Dives und Code-Demos.

David Shapiro

Keine neuen Videos in diesem Zeitraum.

DevExpert – IA para Desarrolladores (1 neues Video)

• De saturar 4GB a Infraestructura Mínima: Refactorización de un MVP en Go.
  5.3.2026, 16:01:29

  Postflow: Von der Idee zur produktiven App in einer Woche

  Der Autor beschreibt die Entwicklung von Postflow, einer Anwendung zum Planen und Veröffentlichen von Social-Media-Beiträgen, die als Ersatz für die ressourcenhungrige Anwendung Postit entstand. Das Kernproblem war, dass Postit auf einem 4-GB-VPS die gesamten Ressourcen aufzehrte.

  Entwicklungsprozess

  Die Idee entstand spontan im Park während eines Spaziergangs mit den Kindern. Der Autor experimentierte mit einem Telegram-Chatbot (ähnlich wie OpenCow) und iterierte schnell über die Anforderungen: Ein MVP sollte minimal, ressourceneffizient und primär über eine API für LLMs nutzbar sein. Die initialen Empfehlungen des Chatbots: Backend mit Go, minimale API, ein Worker für Veröffentlichungen, Retry-Logik mit Dead-Letter-Queue (DLQ), grundlegende UI nur zum Lesen.

  Innerhalb von zwei Tagen war das Grundgerüst funktional. Der Autor “kam in Fahrt” und implementierte dann eine vollständige Benutzeroberfläche mit Pencil (Design-Tool mit KI) – mit Kalender-Ansicht, Entwürfe-Verwaltung, Vorschau-Funktion und späteren Mobile-Optimierungen.

  Professionalisierung

  Nach dem MVP folgte eine bewusste Refaktorisierungsphase:

  • Quality Gates: Formatierung, Lint, Tests, Coverage-Prüfung via GitHub Actions
  • Architektur: Übergang zu modularem Monolith mit Clean/Hexagonal Architecture
  • Dateigröße: Reduktion großer Dateien (z.B. api.go mit 7.000+ Zeilen) auf unter 500 Zeilen durch Separation of Concerns
  • Parität erzwingen: Automatisierte Tests, die sicherstellen, dass neue Features parallel in API, CLI und MCP implementiert sind
  • Testing: Black-Box-Tests statt oberflächlicher Funktionsaufrufe; Testabdeckung ausgebaut
  • Datenbank-Migrationen: Implementierung für Schemaänderungen ohne Datenverlust
  • Docker-Releases: Automatisches Hochfahren neuer Versionen als Docker-Artefakte

  Endergebnis

  Die Anwendung umfasst etwa 33.000 Zeilen produktiven Code. Features: Planung über mehrere Social-Media-Plattformen (zunächst X, später weitere), Anhänge (Bilder/Videos), Fehlerbehandlung mit Retry-Logik, MCP (läuft direkt auf dem Server) und CLI. Das Projekt ist Open Source verfügbar. Der Autor nutzte parallel mehrere AI-Agenten und arbeitete hauptsächlich über Telegram-Interaktionen, teils auch direkt in Code-Editoren.

  Lernpunkte des Autors: Nicht mit perfekter Planung starten, sondern schnell prototypisieren und iterieren; später dann professionelle Ingenieurpraktiken wie Tests, Architektur und Refactoring systematisch einführen. Der Trade-off zwischen Geschwindigkeit und Wartbarkeit wird bewusst gelöst: MVP zuerst, dann Qualität.

  Zukünftige Pläne: Multi-Tenant-Support für ein potenzielles SaaS-Modell, Threading/Kommentar-Funktionen, Differenzierung gegenüber anderen Tools durch LLM-freundliche APIs.

  Kontext: Claude/OpenAI via Telegram-Chatbot, Pencil für UI-Design, Go-Backend, GitHub-Integration, Docker; Format: Reflexion/Deep-Dive über einen durchlaufenen Entwicklungsprozess.

Everlast AI (4 neues Videos)

• GPT-5.4: Es ist VORBEI für OpenAI! Claude Code, Google AI Center Eröffnung & weitere KI-News
  8.3.2026, 09:15:00

  Zusammenfassung: KI News-Roundup – GPT-5.4 Thinking, Anthropic-Boom und Google Berlin

  Diese Woche brachte drei große KI-Modell-Launches: GPT-5.4 Thinking von OpenAI mit 1 Million Token Kontextfenster, ein vereinheitlichtes Modell für Reasoning, Coding und Computer Use, das 83% auf der GDP Well Benchmark erreicht. Der Kernvorteil: Du kannst den Denkprozess unterbrechen und korrigieren, während das Modell läuft. In praktischen Tests zeigte sich aber, dass Claude Opus 4.6 beim Coding und Frontend-Design deutlich schneller (2–3 Minuten vs. 14–20 Minuten) und näher an echten Anforderungen arbeitet – GPT-5.4 dachte zu lange, ohne proportional bessere Ergebnisse zu liefern.

  Anthropic dreht der Konkurrenz den Strom ab: Der neue Voice Mode in Claude Code läuft nativ via Slash-Befehl, der Ultrafunk Mode ist zurück, Skills wurden verbessert und der ARR-Umsatz hat sich auf 20 Milliarden Dollar (von ~10 Mrd. vor 3 Monaten) verdoppelt. Claude überholte jetzt sowohl OpenAI als auch Deepseek im B2B-Einsatz – von 90% ChatGPT-Marktanteil im Feb. 2025 auf 70% Claude im Feb. 2026. Google reagiert mit Workspace CLI für Agent-Integration in Drive, Docs, Gmail und Chat, sowie dem neuen kleineren Modell Gemini 3.1 Flash Light für Voice Agents.

  Google eröffnete sein AI Center in Berlin mit 18 Demos: 3D-Videokonferenzen (Project Beam), der neue KI-Modus für Google Suche und reale Use Cases zeigten die Kraft – etwa ein Echtzeit-Lagebild-Tool für die Feuerwehr Düsseldorf und ein Auto-Interface bei Mercedes, das natürliche Fragen zum Fahrtumfeld beantwortet. Die Uniklinik Köln nutzt KI-Agenten für Patient-Hotlines und Wissensmanagement via Notebook LM.

  Apple gilt als unterschätzter Gewinner: Der neue M5 Chip lädt volle KI-Modelle bis ~70 Mrd. Parameter lokal, große Modelle im 4-Bit Format – ein Durchbruch für dezentralisierte, immer verfügbare KI ohne Cloud-Abhängigkeit.

  Gesamtbild: Die Debatte über eine „KI-Blase” verstummt angesichts exponentieller Entwicklung. Anthropic-CEO Dario Amodei kündigte für 2026 eine „radikale Beschleunigung” an, die alle überraschen wird. Der praktische Rat: Wer Claude Code über Terminal nutzt (Skills, Agents), mit lokalen Modellen arbeitet und sich kontinuierlich upskilled, gehört zu den Gewinnern – 99% tun das nicht.

  Explicitly thematisiert: OpenAI (GPT-5.4 Thinking), Anthropic (Claude Opus 4.6, Voice Mode, Ultrafunk), Google (Gemini, Workspace CLI, Berlin AI Center), Apple (M5 Chip); Cursor erwähnt; Roadmap: Everlast-AI-Eigentools in Entwicklung — Format: News-Update / Demo-Collage mit Live-Test und Expert-Interviews.

• 40% weniger Aufwand durch KI-Automatisierung im Kita-Betrieb | Everlast AI Erfahrung
  6.3.2026, 09:15:00

  David Tut, Geschäftsführer des Unternehmens Butmelan (Betreiber von Kitas im Norden Luxemburgs), berichtet von der Zusammenarbeit mit dem KI-Beratungsunternehmen Everlast unter Leitung von Leo. Tut war anfangs skeptisch gegenüber dem KI-Thema, wurde aber durch Leos YouTube-Inhalte aufgeklärt und entschied sich letztlich für die Partnerschaft mit Everlast, nachdem das Team klare Roadmaps basierend auf Erfahrungen mit anderen Kunden aufzeigte.

  Die Implementierung führte zu erheblichen Veränderungen: Ein Voice Agent namens Julette wurde im Empfangsbereich eingebaut und übernimmt nun einen großen Teil der Anrufe – was eine Einsparung von mindestens 40% der täglichen Telefonate ermöglichte und es erlaubte, eine Rezeptionistin einzusparen. Darüber hinaus wurden verschiedene KI-Chatbots und weitere Lösungen integriert. Tut hebt die Reaktivität und schnelle Kommunikation des Everlast-Teams hervor, die es ermöglicht, schnell auf neue Anforderungen zu reagieren und zukünftige Entwicklungen vorauszusehen.

  Nach einem Jahr Zusammenarbeit zieht Tut ein positives Fazit: Das Team arbeite zuverlässig, die Ergebnisse seien überzeugend. Er empfiehlt anderen Unternehmern dringend, sich mit KI auseinanderzusetzen, da Betriebe, die sich nicht digitalisieren und auf KI setzen, in fünf bis zehn Jahren massive Probleme bekommen werden. Er rät, Everlast zu kontaktieren – ein erstes Gespräch koste nichts und könne keine Nachteile mit sich bringen.

  Thematisiert: Everlast und Leo (KI-Beratung), Voice Agent für automatische Anrufbearbeitung – Format: Testimonial/Kundenerfahrungsbericht.

• Prof. Dr. Ernst Dickmanns: Die unglaubliche Geschichte des autonomen Fahrens
  5.3.2026, 16:15:00

  Zusammenfassung: Gespräch mit Professor Dr. Ernst Dickmanns – Der Vater des autonomen Fahrens

  Dieses tiefgreifende Gespräch mit Ernst Dickmanns dokumentiert die Pionierarbeit beim autonomen Fahren seit den 1980er Jahren. Dickmanns entwickelte den revolutionären 4D-Ansatz (3D-Raum + Zeit), der statt einzelne Bilder auszuwerten, räumlich-zeitliche Modelle mit Differentialgleichungen nutzte – eine fundamentale Alternative zur später dominanten CNN-basierten Bildverarbeitung. Mit dieser Methode erreichte sein Fahrzeug VAMP 1987 96 km/h auf der Autobahn, 1994 fuhr die S-Klasse VITA 2 auf der A1 bei Paris 1000 km bei 130 km/h durch dichten Verkehr, später 1758 km München–Dänemark mit 175 km/h – alles ohne GPS, Kartenmaterial oder Lidar, nur mit Kameras und Computern mit etwa 1% heutiger Leistung.

  Das Kernproblem war die begrenzte Rechenleistung der 1980er Jahre: Großrechner benötigten 15 Minuten bis eine Stunde für ein Bild. Dickmanns nutzte stattdessen ein Netzwerk von Mikroprozessoren, jeder mit einem Unterbild des Gesamtbildes – ein verteiltes Verarbeitungssystem, das sich zum Vorbild moderner Architekturen entwickelte. Sein 4D-Ansatz, der Vorhersagen und Feedback von Vorhersagefehlern kombinierte (Kalman-Filter in der Bildfolgenverarbeitung), ermöglichte Echtzeit-Bildauswertung mit minimalen Ressourcen.

  Kernerkenntnisse zu aktuellen Systemen: Dickmanns differenziert streng zwischen Fahrzeugklassen und Einsatzgebieten. Während Daimler verantwortungsvoll bei Autobahnen bleibt (bis 130 km/h geplant), übt er Kritik an Waymo und Tesla für zu aggressive Claims: Sie behaupten Universalität, scheitern aber bei Feldwegen, schlechtem Wetter und unerwarteten Szenarien – etwa als Waymo eine Radfahrerin nicht erkannte (Todesfall). Die nächsten Jahrzehnte werden autonomes Fahren auf wohldefinierten Straßen (Autobahnen, Schnellstraßen) bringen; ein Jahrhundert benötigt man, um alle Straßentypen abzudecken. Sichere 100%-Aussagen sind unrealistisch.

  Zur Haftung: Das autonome Fahrzeug selbst und sein Besitzer tragen Verantwortung, nicht allein der Hersteller – sofern das System eine bestandene Prüfung vorweist. Versicherungen, so ein amerikanischer Kollege, profitieren von hohen Schadensummen, nicht von sinkenden Unfallquoten.

  Zukunft: Radar wird entscheidend – kleine, erschwingliche Radarsensoren (10–20 Jahre) kombiniert mit Kameras. Dickmanns sieht Potenzial, neuronale Netze mit physikalischen Differentialgleichungen zu hybrid-trainieren, um Effizienz zu steigern – bleibt aber pragmatisch: Bei Rechenleistungssteigerungen um Faktor 100–1000 pro Jahrzehnt könnte reines Deep Learning ausreichen.

  Deutsche Automobilindustrie: Nicht abgehängt in Fertigung, eher zu konservativ bei Digitalisierung und Marktrisiken. Wer sich durchsetzt, entscheidet der Markt – doch amerikanische Firmen wagen mehr.

  Kontext: Dickmanns arbeitete 1961–1975 am DLR Oberpaffenhofen (Flugdynamik), 1971–72 bei der NASA am Space Shuttle; ab 1995 Professor an der Bundeswehr-Universität München bis 2001. Das VAMP/VITA-2-Projekt entstand im europäischen Eureka-Promethäus-Rahmen (ca. 800 Mio. Euro, Sehen als Schlüsseltechnologie). Seine Arbeiten flossen in DARPA Grand Challenges ein (2004–2005 gewann Thrun mit Stanley/Lidar).

  Deep-Dive zu autonomem Fahren, historisch-technisch fundiert; keine spezifischen Tools/Anbieter genannt außer Daimler, Waymo, Tesla, Stanford, NASA — Meinung/Reflexion mit historisch-wissenschaftlichem Fokus.

• Anthropic WARNT vor „KI-TSUNAMI” ab 2027! SaaSpocalypse, Pentagon EKLAT & Chinas Aufholjagd
  3.3.2026, 16:50:25

  Zusammenfassung: KI-Entwicklung 2026 – Die unterschätzte Revolution

  Das Video ist ein Forschungs-Podcast von Everlast AI mit drei Experten (Prof. Oliver Mitch, Prof. Andreas Moring, Kim Isenberg), der aktuelle KI-Entwicklungen in ihre praktischen und gesellschaftlichen Konsequenzen einordnet.

  Hauptthemen:

  Anthropic vs. Wettbewerb: Anthropic hat in drei Wochen eine Marktwertvernichtung von knapp einer Billion ausgelöst – durch Claude-Cowork-Plugins für Legacy-SaaS-Unternehmen (Thomson Reuters, Legal Zoom, IBM). Gleichzeitig profitieren Infrastruktur-Player wie Factsheet und Docign von der MCP-Integration. Die Schnelligkeit der Feature-Releases sei atemberaubend und zeige, wie radikal sich Geschäftsmodelle verschieben.

  Agent Wars: Open AI akquirierte OpenClaw, Anthropic und Google sperren API-Zugang füreinander, Perplexity integriert 19 KI-Modelle. Der Fokus liegt jetzt auf dem Application Layer – Modelle werden zur Commodity, Wertschöpfung entsteht durch maßgeschneiderte Agent-Konfigurationen.

  Robotik & China: China dominiert mit Unitree und Honor (~90% der Humanoid-Roboter weltweit). Kanzler März reist mit Top-Managern nach Hangzhou; deutsche Autoexporte nach China sanken seit 2022 um 70%. Die Strategie ist Datenbeschaffung für Weltmodelle – erste Welle sind chaotische Haushaltsroboter, echte Produktionsreife kommt in 5–10 Jahren. Das Handelsdefizit hat sich fast vervierfacht.

  Pentagon-Konflikt: Verteidigungsminister Hexev fordert Anthropic auf, Sicherheitsbeschränkungen aus Claude zu entfernen (Defense Production Act). Dario Amodei zieht zwei rote Linien: keine Massenüberwachung, keine autonomen Waffensysteme. 220+ Mitarbeiter von Google/OpenAI unterschreiben Solidaritätserklärung (über 50% anonym).

  Ethik & Doppelmoral: Anthropic kritisiert Deepseek/Minimx für Distillation von Claude via Fake Accounts, hat aber selbst 1,5 Mrd. Strafe gezahlt für Training auf urheberrechtlich geschützten Büchern. Das zeigt die pragmatische Realität: alle nutzen, was verfügbar ist.

  Chips & Infrastruktur: Nvidia Vera Ruben bringt 5x mehr Rechenleistung als Blackwell, 10x günstigere Inference, bis zu 288 GB Speicher. Auslieferung H2 2026. Open AI plant 2 GW Training auf Vera Ruben. Ein Software-Update von ASML erhöht Wafer-Durchsatz um 50%. China versucht, Chip-Fertigung von 20nm auf 7–5nm hochzuskalieren.

  Autonomes Fahren: BMW und Mercedes streichen Level-3-Systeme. Deutschland hat 2026 kein einziges Level-3-Serienfahrzeug mehr – Fokus auf Level 2+ oder Level 4. Das widerlegt frühere Aussagen zur deutschen Technologieführerschaft.

  Energiepolitik: Trump fordert Tech-Unternehmen auf, eigene Kraftwerke zu bauen. Kim weist darauf hin, dass dies ein politisches Signal ist (Communities gehen auf Barrikaden), aber keine echte Lösung: Gasturbin sind bis 2030 ausverkauft, Kernkraftwerke brauchen 9+ Jahre. China baut jährlich mehr Solarkapazität aus als die USA in ihrer ganzen Geschichte.

  Stargate-Projekt: Nach über einem Jahr hat Stargate kein Personal eingestellt, baut keine Rechenzentren. Kontrollstreit zwischen Softbank, OpenAI, Kreditgebern. Ziel sank von 1,4 Billionen auf 600 Mrd. Dollar. Amazon und Nvidia steigen mit je 50 bzw. 30 Mrd. ein – bedeutet Setback für OpenAI.

  Chinesische Modelle: Qwen 3.5 hat nur noch 5 Monate Rückstand zu Sonic 4.5 (Oktober 2025 vs. Februar 2026). 3 Mrd. aktive Parameter, nur 17 Mrd. aktiviert pro Token (Mixture of Experts), übertrifft GPT-4.5 und Gemini Reasoning, kostet einen Bruchteil der US-Konkurrenz, Open Weights.

  Arbeitsmarkt & Transformation: Dario Amodei warnt vor einem „Tsunami” – 50% aller Einstiegsjobs gefährdet ab 2027. Jack Dorsey entlässt 40% seiner Belegschaft wegen KI-Effizienz. Professors berichten, dass Studis erste Mal schwer finden, Einstiegsjobs zu kriegen. Das ist kein linearer Wandel, sondern radikale Kompression: Die industrielle Revolution auf 100 Jahre wird auf ein Jahrzehnt gepresst.

  Benchmarks saturiert: GPPT-4.5 und Claude Opus 4.6 lösen bereits 40% des Frontier Math; MMLU last war 2024 bei 2%, jetzt über 40%. Mathematik-Performance gilt als Asymptote – wenn Mathe gelöst, folgen Physik, Chemie, Biologie wie Dominosteine.

  Zentrale Aussagen:

  • KI ist gleichzeitig stärkste Desinformationsmaschine und beste Wahrheitstechnologie.
  • Deutschland/Europa spielen nicht wirklich mit, während USA und China um Dominanz kämpfen.
  • Der Ausbau ist nicht Mangel an Technologie oder Kapital, sondern politischer Wille und Gesellschaftsvorbereitung.
  • „This is the worst it will ever be” – technologisch wird es nur schneller und besser.
  • Neue Jobs entstehen, aber nicht schnell genug und nicht für alle; Identitätskrise für viele.
  • Vorbereitung: KI-Tools beherrschen, logisch denken, ethische Prinzipien, unternehmerische Initiative.

  Format: Live-Diskussions-Roundup mit Policy-Interviews und anekdotischer Evidenz aus der Praxis. Schwierigkeitsgrad: Für informierte Zuschauer gedacht, setzt KI-Grundkenntnisse voraus.

Fireship (1 neues Video)

• Cloudflare just slop forked Next.js…
  2.3.2026, 20:36:25

  V-Next: Cloudflare rebuilds Next.js on Vite

  Cloudflare hat V-Next veröffentlicht – eine komplette Neureimplementierung des Next.js-Frameworks, basierend auf Vite statt auf Nodes klassischer Architektur. Das löst ein historisches Problem: Next.js-Apps waren fest an Vercel gebunden, weil der Build-Output proprietär war. Wer auf anderen Plattformen wie Cloudflare deployen wollte, musste das Open-Next-Projekt nutzen, das den Output reverse-engineert und fragil ist.

  Statt auf diesem Output aufzubauen, haben Cloudflare V-Next von Grund auf neu geschrieben. Der Clou dabei: Sie haben KI-Agenten eingesetzt und schafften es in einem Tag, SSR, Middleware, Server Actions und Streaming zum Laufen zu bringen. Bis Tag drei funktionierte das volle Deployment auf Cloudflare Workers mit Client-Hydration – alles für etwa 1.100 Dollar an AI-Token-Kosten. Das Endresultat deckt 94% der Next.js-API ab.

  Da V-Next auf Vite aufsetzt, profitiert es von Vites Architektur, inklusive Rolldown als Rust-basiertem Bundler. Das führt laut Cloudflares Benchmarks zu bis zu 4,4x schnelleren Production-Builds und 57% kleineren Client-Bundles gegenüber Next.js. Im praktischen Test mit der bytes.dev-App war sogar ein 5x schnellerer Build möglich – allerdings mit der Warnung, dass Bleeding-Edge-Software noch fragile Ecken haben kann. Der eingebaute Cursor-Agent zur Projektmigration hilft beim Refactoring (etwa Umstieg auf ES-Module und JSX-Dateiendungen), macht aber nicht alles fehlerfrei beim ersten Versuch.

  Versels Führung reagierte erwartungsgemäß kritisch: der CTO nannte das Projekt einen „slop fork”, und Gründer Guillermo deutete auf kritische Sicherheitslücken hin, die allerdings weniger problematisch sind, da die App noch keine echten User hat. Fazit: Ein technisch interessantes Projekt mit echten Performance-Gewinnen, aber noch nicht produktionsreif für Migration in den meisten Fällen.

  Demo eines Cloudflare-Projekts (V-Next) mit praktischer Migration; behandelt explizit Vercel, Next.js und Vite – Format: Demo mit kritischer Reflexion.

Greg Baugues

Keine neuen Videos in diesem Zeitraum.

IA et Stratégie | Le SamourAI (1 neues Video)

• 55 000 postes supprimés : L’effondrement du management intermédiaire et de la moyenne intellectuelle
  2.3.2026, 16:00:56

  Das Video ist ein längeres französischsprachiges Essay über den wirtschaftlichen Zusammenbruch des Tagesatzsystems in der Wissensarbeit durch Künstliche Intelligenz.

  Der Kern der Argumentation: Für Jahrhunderte wurde Intellektuelle Arbeit nach aufgewendeter Zeit bezahlt, weil das menschliche Gehirn die einzige verfügbare “Hardware” war – und diese ist sequenziell, langsam, mit hohen Kontextwechselkosten und nicht kopierbar. Heute ersetzt GPU-Clustern diese Funktion mit einer grundlegend anderen Architektur: parallel, deterministisch, massiv skalierbar. Diese Materialverschiebung (von menschlicher Zeit zu Rechenleistung) zerstört das ökonomische Fundament des Tagesatzes, des Stundenverkaufs und der mittleren Management-Schichten, die nur der Synchronisation von Menschen dienten.

  Konkrete Effekte werden skizziert: Bank of New York Melon, Duolingo, Cap Gemini, Amazon, Microsoft und Accenture reduzieren Stellen explizit wegen KI. Parallel entstehen “Mikro-Multis” (Midjourney, Cursor) mit Millionen-Umsätzen bei Dutzenden Mitarbeitern. Das System migriert von “Tage-als-Währung” zu “Token-als-Währung”.

  Das Video unterscheidet dann sechs Schwierigkeitsstufen von Arbeit: (1) Volumen/Effort → erledigt, (2) reine Logik → sterbend, (3) Koordination → agonal, (4) Narbengewebe/Terrain-Expertise → geschützt, (5) emotionale/politische Intelligenz → temporär geschützt, (6) Ambiguität & Mut/strategische Entscheidung unter Risiko → letzte menschliche Bastion.

  Wer überlebt: drei Profile – (1) der “CAP-Architekt” (Strategie, Problemidentifikation, Spezifikation für Agenten), (2) der “Kontext-Wächter” (Fachexperte, Audit der Box-Black, Risikokontrolle), (3) der “algorithmische Klempner” (technische Architektur, Sicherheit, Integration mit Firmendaten).

  Wer ausstirbt: der “Standard-Macher” – der kompetente Angestellte, der sauber ausführt, was man ihm sagt, aber ohne strategische Tiefe.

  Das Video predigt eine Verhaltensumstellung: (1) Verbot des ersten Entwurfs durch Eigenhände, (2) Umkehr des kognitiven Verhältnisses (80% Constraint-Engineering, 20% Audit statt umgekehrt), (3) systemische Obsession (ein Problem zu lösen heißt, es so zu formulieren, dass Agenten es autonom im Loop handhaben).

  Anekdote am Ende: Ein “automatischer Schranken-Besitzer” prahlt damit, dass Maschinen Mitarbeiter ersetzt hätten und keine Krankheitszettel mehr nötig seien – eine Karikatur der Entmenschlichung.

  Kommentar: Meinung/Reflexion mit starkem technischem und ökonomischem Deep-Dive zu Claude, generischen LLM-Agenten und Inference-Ökonomie; kein spezifisches Tool benannt außer incidental Claude – eher Makro-Analyse des Marktwandels.

Julian Ivanov | KI-Automatisierung (1 neues Video)

• So machst du OpenClaw 10x stärker
  2.3.2026, 17:55:03

  Fünf Techniken zur Optimierung von OpenCla

  Das Video zeigt fünf Optimierungen für OpenCla, einen Open-Source KI-Agenten, der über Telegram oder WhatsApp als persönlicher Assistent fungiert.

  Setup-Grundlagen: Nach der Installation via Hostinger-Template wird OpenCla über Telegram mit dem Botfather eingebunden und mit API-Keys verbunden. Der Sprecher empfiehlt Open Router zur Modellauswahl, da dort mehrere Anbieter (OpenAI, Anthropic, Google, chinesische Modelle) zentral verfügbar sind. Zum Sprachverständnis wird lokal Whisper installiert.

  Die fünf Optimierungen:

  1. Subagenten: Spezialisierte Agent-Instanzen (z.B. Cody für Code) reduzieren das Kontextfenster-Problem einzelner Modelle. Der Hauptagent delegiert Aufgaben, wodurch die Kapazität besser genutzt wird und teurere Modelle nur bei komplexen Aufgaben zum Einsatz kommen.
  1. Topic-basierte Telegram-Gruppen: Statt einen endlosen Chat zu haben, wird eine Gruppe mit verschiedenen Themen-Topics (Fitness, To-Dos, Journal, Content) erstellt. So bleibt der Kontext übersichtlich und mehrere Themen laufen parallel.
  1. Selbstverbesserung via Skills: Über Clahub installierte Skills ermöglichen dem Agenten, von Fehlern zu lernen. Der „Self-Improving Agent with Self Reflection”-Skill aktiviert sich automatisch bei erkannten Verbesserungsmöglichkeiten.
  1. Verbessertes Gedächtnis: Memory Flush speichert wichtige Infos vor Kontextkomprierung, Session Memory Search erlaubt Zugriff auf alte Chats. Das QMD Backend kombiniert Vektor-, Keyword- und Reranking-Suche für präzisere Informationsfindung.
  1. Transparenz via VS Code: Mit der Remote SSH-Extension verbindet man sich mit dem Server und sieht alle erstellten Dateien, installierte Skills, Agent-Konfigurationen. Skills können vor Installation geprüft und lokal bearbeitet werden.

  Praktisch bedeutet das: Der Agent arbeitet effizienter, kostet weniger, lernt selbstständig dazu, merkt sich mehr und ist vollständig einsehbar.

  OpenCla (Open-Source-Tool), einzelne Optimierungen eines persönlichen KI-Assistenten über mehrere Konfigurationsschritte — Tutorial.

Kyle Balmer | AI with Kyle (10 neues Videos)

• Is Claude worth $100/month?
  6.3.2026, 18:45:00

  Claude-Abo: Lohnt sich’s?

  Der Sprecher vergleicht Claude mit ChatGPT und kommt zu einem differenzierten Fazit: Claude ist zwar das bessere Modell, kostet aber deutlich mehr und hat andere Nutzungsbeschränkungen.

  Kostenmodell im Vergleich:

  ChatGPT bietet einen großzügigen kostenlosen Plan, mit dem man problemlos viel nutzen kann. Claudes kostenloses Plan ist praktisch nicht vorhanden. Das $20/Monat-Abo für Claude schränkt stark ein – wer Opus (Claudes bestes Modell) nutzen will, stößt schnell an Limits und wird aufgefordert, später wiederzukommen. Realistische Alternative: Das $100/Monat-Plan (fünfmal teurer). Mit diesem kann man Opus ohne ständige Drosslung nutzen. Für $20/Monat bleibt nur Sonnet, das schwächere Modell.

  Geschäftsmodell-Unterschied:

  OpenAI hat etwa 900 Millionen Nutzer und zielt auf Massenmarkt (B2C). Anthropic konzentriert sich auf eine Elite von 30–50 Millionen Nutzern mit Zahlungsfähigkeit. Trotz viel kleinerer Nutzerbasis erzielen beide ähnliche Einnahmen – Anthropic monetarisiert hochzahlende Power-User, OpenAI plant Werbung für Masses.

  Fazit: Für persönliche Nutzung ist $100/Monat für viele zu viel. Für Geschäfte ist es eine hochrentable Investition. Die Preisstruktur schockiert oft Umsteiger von ChatGPT, die an großzügige kostenlose Nutzung gewöhnt sind.

  Am Ende reflektiert der Sprecher über die Wichtigkeit von Authentizität – er produziert Live-Content statt KI-Avatare, da er davon ausgeht, dass echte menschliche Verbindung und Public Speaking künftig an Wert gewinnen, während AI-generierte Inhalte an Seltenheitswert verlieren.

  Thematisiert: Claude, OpenAI/ChatGPT, Anthropic; Format: Meinung/Reflexion mit Preisvergleich.

• AI Update: Anthropic Pentagon Fallout, Google Workspace CLI & NotebookLM Goes Cinematic
  6.3.2026, 07:30:18

  Das Video behandelt mehrere aktuelle Entwicklungen rund um KI und Geopolitik.

  Pentagon-Verhandlungen mit Anthropic: Anthropic steht nach gescheiterten Verhandlungen mit dem Pentagon wieder am Verhandlungstisch. Der Konflikt entstand, weil das Pentagon Anthropics KI-Modelle für eine breite Palette von “lawful purposes” nutzen wollte – inklusive Massenüberwachung im Inland. Anthropic lehnte dies ab, zog sich dann aus dem militärischen Versorgungsnetzwerk zurück. Der CEO Dario Amodei führt die Verhandlungen direkt mit Verteidigungsbeamten; der Sprecher kritisiert dies als strategischen Fehler, da Amodei zu konfrontativ auftritt, während ein diplomativerer Vertreter bessere Chancen hätte. Der Sprecher stellt klar: Anthropic hat kein prinzipielles Problem mit tödlichen autonomen Waffensystemen – nur damit, dass diese Amerikaner schaden könnten. Angriffe auf Nicht-Amerikaner sind akzeptabel. Dies ist eine Klarstellung gegenüber Medienberichten, die Anthropic als Befürworter von Massenschutz darstellen.

  Claude-Hype und Realität: Nach OpenAIs Deal mit dem Pentagon verlagerten sich Millionen Nutzer zu Claude. Der Sprecher warnt vor Verklärung: Claude ist nicht moralisch überlegen, nur anders positioniert – und sollte es tatsächlich einen Deal mit dem Pentagon geben, wird dieser Goodwill schnell vorblasen.

  Google Workspace CLI: Google hat eine Command-Line-Interface für Google Workspace freigegeben, die AI-Agenten direkte Zugriffe auf Mail, Drive, Calendar, Sheets, Docs und Admin-Funktionen erlaubt – ohne Browser-Automation. Der Sprecher nennt dies “langweilig aber wichtig” – eine Infrastruktur, um Workflows zu automatisieren, ähnlich einem universalen Remote für Google Workspace.

  Notebook LM Cinematic Videos: Google hat Notebook LM um filmische Video-Overviews erweitert (aktuell nur auf Ultra-Plan), die mithilfe ihrer Video-Modelle dynamische, cinematic Videos aus Quellmaterial generieren – statt nur statische Diashows. Der Sprecher betont, dass Notebook LM insgesamt ein unterschätztes Tool ist, um beliebige Inhalte in Sliddecks, Podcasts, Flashcards, Quizze und Infografiken umzuwandeln.

  Claude vs. ChatGPT Kostenvergleich: Claude ist teurer und hat niedrigere Limits als ChatGPT, kostet aber beim Premium-Plan ($100–200/Monat) weniger als per API. OpenAI hat ~900 Mio. User (viele kostenlos), Anthropic ~30–50 Mio., machen aber ähnliche Umsätze – unterschiedliche Geschäftsmodelle (Massen vs. Premium).

  UK-Regierung AI Lab: 40 Mio. Pfund über sechs Jahre für einen neuen AI-Forschungslabor – der Sprecher kritisiert dies als unzureichend angesichts der Milliarden-Investitionen in den USA und China.

  Weitere Tipps: Vibe-Coding mit Antigravity (kostenlos) oder Google AI Studio ist möglich; Skills und MCPs sollten aus konkreten Problemen abgeleitet werden, nicht umgekehrt. Ein MIT-Studie zeigte, dass Top-Down-AI-Pilotprojekte meist fehlschlagen, aber Grassroots-Training für normale Mitarbeiter erfolgreich ist – daher großes Geschäftspotential für AI-Workshops und Schulungen.

  Der Sprecher kündigte ein Webinar um 18 Uhr (UK-Zeit) an über die Chance, Workshops für Unternehmen zu geben und damit hunderte bis tausende Euro pro Stunde zu verdienen.

  AI-Tools/Anbieter: Anthropic, OpenAI, Google (Workspace CLI, Notebook LM, Gemini), Claude, Antigravity, GitHub, MCP — Videoformat: News-Update/Roundup mit Meinung

• AI Is Now Working While You Sleep
  5.3.2026, 19:45:03

  Zusammenfassung: Der Wendepunkt in autonomer KI (Dezember 2025)

  Das Video dokumentiert einen fundamentalen Shift in KI-Fähigkeiten: Statt des iterativen Prompting durch Menschen können moderne Modelle nun über längere Zeiträume eigenständig arbeiten. Claude Opus 3.5 Sonnet komplettiert Software-Tasks nur 50% der Zeit, während Claude Opus 4.6 über 12+ Stunden autonom arbeiten kann. Mit orchestrierten Schwärmen (wie dem C-Compiler-Projekt aus Anthropic Labs mit 16 Agenten) funktioniert autonome Arbeit über zwei Wochen hinweg — das Projekt kostete 10.000 Dollar in Credits und resultierte in einem kompilierten C-Compiler, inklusive Tests und Deployment.

  Die längeren Zeithorizonte ermöglichen komplexere Aufgaben, da die Modelle mehr Kontext halten und effizienter damit umgehen können. Claude Code auf dem 200-Dollar-Plan wird als großer Unlock beschrieben: teuer, aber produktiv genug für wirtschaftliche Anwendung. Dezember 2025 markiert einen Wendepunkt — OpenClaw wurde veröffentlicht und ist nun (mit ~260.000 GitHub-Stars) das meistgestörnte Open-Source-Projekt aller Zeiten, deutlich vor PyTorch und VS Code. Der Commit-Trend zeigt explosiwe Aktivität: Claude Code generiert täglich 140.000 Commits in öffentlichen Repos, Entwickler wie Peter Steinberger (OpenClaw-Creator) machen tausende Commits pro Tag — unmöglich für Menschen, aber Standard für KI-gesteuerte Entwicklung.

  Zum Starten werden zwei Tools genannt: Cowork (Desktop-App für Windows/macOS, Claude-basiert, mit Scheduling) und Qwen (erwähnt, aber nicht erklärt). Cowork arbeitet langsam, eignet sich aber für über Nacht geplante Aufgaben — die KI steuert Browser-Fenster an, während der Nutzer schläft.

  Claude Opus 4.6, OpenClaw und Anthropic/OpenAI im Fokus; Meinung/Reflexion mit praktischen Tipps.

• The Agentic Era Is Officially Here & GPT 5.3 “less cringe” Drops
  5.3.2026, 07:15:03

  Zusammenfassung: GPT-Modelle und die KI-Agenten-Revolution (Dezember 2025)

  Der Sprecher diskutiert zwei aktuelle OpenAI-Updates und positioniert sie als Nebelwurf angesichts von reputationsschädigenden Ereignissen. GPT-5.3 Instant ist ein kleines Feintuning von 5.2, das weniger „cringe” sein soll – OpenAI bewirbt es mit „more accurate, less cringe” (weniger unnötige Beschwichtigungen, weniger dramatische Reaktionen). 5.2 hatte Nutzer patronisierend beruhigt, selbst bei trivialen Fragen. Die größere Ankündigung ist GPT-5.4, deren Kapitalisierung des „T” einen Reasoning-Modell-Typ suggeriert (wie o1/o3). Gerüchte deuten auf einen Release diese Woche hin – der Sprecher vermutet, OpenAI lenke von Problemen ab (Pentagon-Kontakt, Massenabwanderung zu Claude, 400% höhere Kündigungen, 775% mehr 1-Stern-Bewertungen).

  Der größere Punkt: Dezember 2025 als Wendepunkt. Ethan Mollick und Andrej Karpathy identifizieren vier große KI-Shifts: (1) GPT-3.5 (Nov 2022), (2) GPT-4 (Frühjahr 2023), (3) Reasoning-Modelle wie o3 (2025), (4) funktionierende Agenten-Systeme (Dezember 2025). Vor Dezember waren KI-Agenten schlecht; seit Dezember können sie autonome Multi-Stunden-Aufgaben bewältigen. Andrej Karpathy: „Coding Agents basically did not work before December and basically work since” – ein harter Schnitt. Modelle halten jetzt Kontext über längere Sessions, bearbeiten komplexe Projekte selbstständig (Beispiel: 30-Minuten-Videodashboard-Setup, das früher ein Wochenendprojekt war).

  Praktische Verschiebung: Statt „spreche mit KI, bekomme Antwort” → „gebe KI Aufgabe, sie arbeitet Stunden autonom”. Der Sprecher nutzt Claude Code für Buchführungsaufgaben: Agent greift auf Gmail zu, sammelt Rechnungen, lädt sie in Dienste hoch – nur noch Überwachung, nicht manuelle Arbeit.

  Zugang: Claude Cowork (empfohlen für Anfänger) oder OpenClaw (kostenlos, technisch). Cowork läuft auf Desktop (Windows/Mac), automatisiert Browser-Aufgaben, kann nachts laufen. OpenClaw erfordert VPS-Setup (z.B. Hetzner, €5/Monat) oder Mac Mini. Auch Claude Code und kommende Tools von OpenAI.

  Kostenelles Problem: Claude-Max-Plan kostet $200/Monat – hoher ROI für Unternehmen, für Einzelne schwierig. Anthropic hatte Serverausfälle durch Massenabwanderung von ChatGPT.

  Nebenschauplatz – Anthropic/Pentagon: Der Sprecher stellt klar: Anthropic lehnte nicht den Kriegseinsatz von KI ab, sondern nur US-inländische Massenüberwachung und autonome Waffen, die Amerikaner treffen könnten. Sie arbeiten an Zuverlässigkeit für Einsätze gegen andere Länder – nicht moralisch überlegen, sondern pragmatisch anders.

  Claude (Anthropic), ChatGPT/Codex (OpenAI), Qwen (China), OpenClaw, Cowork, DeepSeek; Demo/Live-Diskussion mit Ausblick auf ein kommendes Tutorial-Webinar (Geschäftsmodell: KI-Schulung für Unternehmen).

• Can Anthropic Actually Survive What’s Coming?
  5.3.2026, 07:00:48

  Das Video diskutiert Anthropics aktuelle Wachstumskrise: Das Unternehmen erlebt zwar sein bestes Wachstum, risikiert aber gleichzeitig seine Existenz durch eine Konfrontation mit der US-Regierung. Ein Umzug nach Europa ist nicht praktikabel, da es nicht nur um Talente geht, sondern um die gesamte Infrastruktur – GPUs von Nvidia (das unter US-Sanktionen leiden könnte), Cloud-Computing über AWS und Risikokapital. Die drei größten Finanzierungsrunden der Geschichte fanden alle in den letzten Jahren in Amerika statt (Anthropic 30 Milliarden, OpenAI 40 Milliarden, dann 110 Milliarden); Europa stellt nur hunderte Millionen zur Verfügung – nicht ausreichend, um gegen amerikanische und chinesische Labs konkurrenzfähig zu bleiben. Auch Energieinfrastruktur ist ein europäisches Manko. Zu Claudiagentur-Funktionen: Claude hat keinen dedizierten Agentenmode wie ChatGPT, stattdessen nutzt man Claude Code (für gehostete Agenten) und Cline (eine Desktop-App, die den Computer kontrollieren kann – Dateien verschieben, Webseiten navigieren, Downloads). Cline hat kürzlich Scheduled Tasks, Unified Memory und Remote-Fähigkeiten hinzugefügt und eignet sich für wiederkehrende Aufgaben wie Rechnungsmanagement. Amazon verfügt bereits über eigene KI-Modelle (Nova) für AWS-Kunden, muss aber nicht in OpenAI investieren. Das Video erwähnt auch, dass andere Anbieter (Perplexity, Manus) in den Agentenraum drängen, aber Anthropics Ökosystem (Claude Code + Cline) ist derzeit führend.

  Demo/Diskussions-Video mit kritischer Analyse zu Claude, Anthropic und Agententools (Cline, Claude Code, Nova).

• Anthropic Fights Pentagon, ChatGPT Uninstalls Surge, OpenAI Raises Astronomical $110B
  4.3.2026, 06:30:09

  Zusammenfassung: Die Anthropic-Pentagon-Krise und ihre Auswirkungen

  Der Creator behandelt einen massiven Konflikt zwischen Anthropic und dem Pentagon: Das US-Verteidigungsministerium unter Pete Hegseth hat Anthropic als „Supply Chain Risk” designiert, nachdem das Unternehmen sich weigerte, zwei ethische Grenzen zu akzeptieren – die Nutzung von Claude in autonomen Waffen, die Soldaten gefährden könnten, und in massiver Überwachung von US-Bürgern. Alle vier großen AI-Labore (Google, xAI, OpenAI, Anthropic) erhielten 2024 je ca. 200 Mio. Dollar Pentagon-Verträge; nur Anthropic bekam Zugang zu klassifizierten Umgebungen.

  Anthropic lehnte ab und riskierte damit wirtschaftliche Zerstörung. Trump stieß hinzu, Hegseth drohte mit Frist bis Freitag 17 Uhr. Anthropic klagte gegen die Designation und argumentiert, dass sie rechtlich beispiellos und unsound ist – normalerweise betrifft das nur ausländische Unternehmen. Hunderte von Tech-Führungskräften (55 CEOs, darunter 47 von OpenAI) unterzeichneten einen offenen Brief gegen die Designierung; Sam Altman verteidigte Dario Amodei, unterzeichnete aber nicht selbst.

  Wendepunkt: OpenAI übernahm sofort den Klassifizierungs-Vertrag, den Anthropic verlor. Das führte zu massiver Gegenreaktion: Chat-GPT-Deinstallationen stiegen um 295 %, Ein-Stern-Bewertungen um 775 % in einem Tag. Menschen wechselten zu Claude – das die beste Woche seiner Geschichte erlebte. Claude stieg auf Platz 1 der US App Store.

  Problem: Claudes Server brachen zusammen unter der Last neuer Nutzer, was potenzielle Neukunden abschreckte. Der Creator betont: Anthropic ist nicht „die Guten” – sie arbeiteten ebenfalls mit dem Pentagon an Drohnen und Überwachung, nur mit ethischen Grenzen (kein Einsatz gegen Amerikaner). Der Schaden für Anthropic ist kommerziell massiv, selbst wenn es vor Gericht gewinnt – Investitionen, Chip-Lieferungen (Nvidia) und Cloud-Infrastruktur (AWS) könnten wegfallen.

  Anthropic aktivierte schnell einen Memory-Import aus ChatGPT zu Claude (auch im kostenlosen Plan) und erweiterte Claude Code und Cowork mit Scheduled Tasks, um ein OpenAI-ähnliches Ökosystem aufzubauen.

  Nebenlinie: OpenAIs $110-Milliarden-Investitionsrunde ist die größte Private-Venture-Capital-Serie aller Zeiten – Sam Altman braucht Marktstabilität, nicht Chaos durch Anthropics Kollaps. Sam Altman und andere Top-Führungskräfte unterschrieben den Solidarity-Brief, aber der Konflikt bleibt ungelöst.

  Der Creator warnt: Ein Umzug nach Europa ist unrealistisch – Anthropic bräuchte GPU-Zugang (Nvidia), Cloud-Infrastruktur, Venture Capital und Stromversorgung, die Europa nicht bietet. Ein sechsmonatiger Waffenstillstand könnte Verhandlungen erlauben (wie bei TikTok-Ban-Drohungen).

  Im Q&A: Tipps zu Claude vs. Gemini (Claude besser, dank Ökosystem wie Claude Code/Cowork); Webinar-Ankündigung über AI-Workshop-Geschäftsmodelle (für nicht-technische Zielgruppen) bei ai-mit-kyle.com/webinar heute 18 Uhr UK-Zeit; Empfehlungen für Lernressourcen (Anthropic Academy, DeepLearning.AI).

  Thematisierte AI-Anbieter/Tools: Claude, OpenAI/ChatGPT, Google, xAI, Gemini, Claude Code, Cowork, Lovable, Codex, Perplexity, Anthropic. Format: Meinung/Reflexion mit News-Update und Live-Q&A.

• Why Sam Altman Is Defending His Biggest Rival
  3.3.2026, 17:30:15

  Das Transcript diskutiert die Vereinbarung zwischen OpenAI und dem US-Verteidigungsministerium sowie den Kontrast zu Anthropic, die einen solchen Deal nicht abgeschlossen haben.

  Zu OpenAIs Unterstützung für Anthropic: Sam Altman hat sich öffentlich zu Dario Amodei und Anthropic geäußert, obwohl die beiden Führungspersonen sich persönlich nicht nahestehen (ein Anekdote erwähnt, dass sie sich bei einem AI-Gipfel in Delhi weigerten, sich an den Händen zu halten). Dies könnte PR sein, aber auch strategisch notwendig: Wenn Anthropic scheitert, könnte das Marktvertrauen in KI-Investitionen insgesamt zusammenbrechen – was auch OpenAI schadet, da beide auf externe Investitionen angewiesen sind.

  Warum OpenAI einen Deal erreichte, Anthropic aber nicht: OpenAI argumentiert, dass ihre Vereinbarung sogar stärkere Sicherheitsgarantien bietet als Anthropics ursprüngliche – etwa durch Cloud-only Deployment und durchsetzbare rote Linien. Eine mögliche Erklärung für das Scheitern bei Anthropic: Dario Amodei könnte weniger diplomatisch als Sam Altman sein und das Verhältnis zum Verteidigungsministerium beschädigt haben.

  Zu Bedenken wie Drohnen und Massenüberwachung: OpenAI versichert vertraglich und durch ihre Sicherheitsarchitektur, dass die Modelle nicht für autonome Waffen oder Überwachung von US-Bürgern verwendet werden können. Personalvertreter von OpenAI sollen als zusätzliche Kontrollinstanz fungieren.

  Zur Geheimmodell-Theorie: Die Regierung erhält keine besseren Modelle als die Öffentlichkeit – sie nutzt wahrscheinlich älteren Versionen wie Opus 4.5 oder 4.6, da alles Sicherheitsprüfungen durchlaufen muss. Labs können wirtschaftlich nicht funktionieren, wenn sie ihre besten Modelle nur einem Kunden bereitstellen; sie müssen kontinuierlich breiter deployen.

  Kritischer Punkt zur Vertragsgestaltung: Ein Zuschauer wirft auf, dass OpenAIs Vertrag möglicherweise stark formuliert, aber nicht durchsetzbar ist, während Anthropics potenziell enger und weniger umgehbar formuliert wurde.

  Das Video behandelt primär OpenAI und Anthropic; kein spezifisches Schwerpunkt auf andere KI-Tools.

• US Military Used Claude to Target Iran Despite Trump’s Ban
  3.3.2026, 06:15:00

  Zusammenfassung: Anthropic vs. Trump-Administration – AI-Geopolitik und Fallout

  Kernkonflikt: Donald Trump hat in einem Dekret angeordnet, dass alle US-Bundesbehörden die Technologie von Anthropic sofort einstellen sollen, mit einer sechsmonatigen Übergangsfrist für das Verteidigungsministerium. Hintergrund ist ein Streit über zwei „rote Linien”, die Anthropic nicht aufgeben will: Verbot von Massenüberwachung im Inland und von vollständig autonomen Waffensystemen, die noch nicht sicher genug sind. Anthropics CEO Dario Amodei lehnte Trumps Ultimatum ab – woraufhin Verteidigungsminister Pete Hegseth Anthropic als „Supply-Chain-Risk” eingestuft, ein beispielloses Vorgehen gegen ein US-Inlandsunternehmen.

  Militärischer Einsatz und Widerspruch: Ironisch nutzte das US-Militär Claude-Modelle für die Angriffe auf den Iran – Stunden nach dem Bann. Claude wurde für Geheimdienstaufgaben, Zielauswahl und Simulationen eingesetzt. Das zeigt die operative Abhängigkeit und unterstreicht den Widerspruch zwischen Trumps Rhetorik und praktischer Realität.

  OpenAI füllt die Lücke: Wenige Stunden nach Anthropics Ablehnung kündigte OpenAI an, mit dem Pentagon ein Abkommen für KI-Systeme in klassifizierten Umgebungen geschlossen zu haben – mit eigenen drei roten Linien (kein Mass-Domestic-Surveillance, keine autonomen Waffensysteme, keine hochstufigen automatisierten Entscheidungen). OpenAI betont Cloud-only-Deployment und bleibende Kontrolle über die Safety-Stack, sowie Mitarbeiter im Loop. In FAQs räumt OpenAI ein, dass die Regierung nicht bessere Modelle als die Öffentlichkeit hat – nur potenziell ältere, intensiver geprüfte Versionen.

  Kein geheimes Super-Modell: Ein Kernpunkt: Das Pentagon nutzt nicht Claude Opus 5 oder ein mysteriöses AGI. Es hat Zugriff auf ähnliche Modelle wie alle anderen, weil die Economics der Model-Entwicklung es Anthropic und OpenAI unmöglich machen, ein separates High-End-Modell nur für eine Behörde zu halten.

  Claude-Boom und Infrastruktur-Kollaps: Der politische Streit hat Claude zur Nummer 1 in den US-App-Stores gemacht – erstmals massiver Download-Spike in der Geschichte. Anthropic bietet ein Memory-Importer-Tool an, um ChatGPT-Nutzer zu Claude zu migrieren. Allerdings: Claude ist gerade down – ausgelöst durch die Serverlast von Millionen neuer Nutzer. Ein PR-Desaster im kritischen Moment, da erstmalige Nutzer auf einen nicht-funktionierenden Service treffen.

  Breiterer Kontext: Anthropic könnte nicht einfach nach Europa ausweichen – ohne US-Infrastruktur, Nvidia-GPUs, Cloud-Zugang und Venture-Capital wäre es wirtschaftlich gestorben. Ein Kollaps von Anthropic könnte das gesamte KI-Investment-Ökosystem destabilisieren. OpenAI unterstützt Anthropic auch deshalb öffentlich, um Marktstabilität zu wahren, nicht aus reiner Solidarität.

  Ambivalenz der „Sicherheit”: Anthropic wird oft als die „ethische” Wahl dargestellt, lehnt aber Massenüberwachung und unsichere autonome Waffen ab – nicht Kriegseinsätze insgesamt. Sie unterzeichneten ein 200-Millionen-Dollar-Vertrag mit dem Pentagon. Die OpenAI-Verträge enthalten Wiggle-Room: Gesetze und Department-Policy könnten geändert werden, um die restriktiven Klauseln zu umgehen.

  Fazit: Ein Streit zwischen einer US-Administration und einem KI-Lab, in dem Anthropic unerwartete Standhaftigkeit zeigt, während OpenAI durch pragmatische Kompromisse die Oberhand gewinnt – mit breiterem Impact auf Marktstabilität, Nutzer-Migration und militärische KI-Integration.

  Tools/Anbieter: Claude, Anthropic, OpenAI, ChatGPT, Trump-Administration, Pentagon, Claude Cowork, Open Claw / Format: Meinung/Reflexion mit News-Update-Elementen, Live-Diskussion

• Anthropic Just Said No to the Pentagon (Here’s What Happens Next)
  3.3.2026, 00:30:32

  Der Pentagonhat vier KI-Unternehmen – Anthropic, OpenAI, xAI und Google – jeweils etwa 200 Millionen Dollar für Verträge mit dem Department of Defense zu KI-Projekten gegeben. Anthropic hat sich gegen zwei spezifische militärische Einsätze gestellt und stellte zwei „rote Linien” auf: (1) der Einsatz von vollständig autonomen Waffen, die eigenständig Menschen auswählen und elimieren, und (2) die Massenüberwachung der amerikanischen Bevölkerung mithilfe von KI. Das Pentagon drohte darauf hin, Anthropic aus dem Vertrag zu entfernen und sie als „Supply-Chain-Risiko” zu klassifizieren – eine sonst nur für feindliche Länder wie China und Russland verwendete Bezeichnung – sowie die Defense Production Act anzuwenden, um Anthropics Vermögenswerte zu beschlagnahmen.

  Anthropics CEO Dario Amodei veröffentlichte eine Stellungnahme, in der er zunächst Anthropics patriotische Haltung betont (Einsatz gegen China, sichere Auslandsspionage) und erklärt, dass die beiden Einsatzbeschränkungen nötig sind, da sie demokratische Werte gefährden würden. Bei autonomen Waffen argumentiert Amodei, dass die KI-Systeme dafür noch nicht zuverlässig genug sind und Menschen zu Schaden kämen, und Anthropic bietet stattdessen Forschungs- und Entwicklungsarbeit an. Er macht deutlich, dass Anthropic dem Pentagon trotz aller Drohungen nicht nachgeben wird und die Bedingungen nicht ändern wird, endet aber mit der Bereitschaft, bei einer reibungslosen Übergabe an einen anderen Provider zu kooperieren.

  Dies ist ein historischer Vorfall: Ein privates amerikanisches KI-Unternehmen tritt dem US-Militär offen entgegen, während das Pentagon mit extremen Mitteln (Supply-Chain-Risiko-Klassifizierung, Kriegsmassnahmen) Druck ausübt – eine beispiellose Konfrontation zwischen privater Technologie und Regierung.

  Thematisierte Anbieter: Anthropic (Claude), OpenAI, Google, xAI; Format: News-Update (Nachbesprechung einer Erklärung mit politischer Analyse).

• Anthropic Defies Pentagon, Block Cuts 4,000 Jobs (Blaming AI), Gemini Imagen 3 Drops
  2.3.2026, 05:00:37

  Anthropic vs. Pentagon

  Dario Amodei, CEO von Anthropic, hat eine Stellungnahme veröffentlicht, in der er die Forderungen des Verteidigungsministeriums ablehnt. Das Pentagon hatte im Sommer vertragsbasierte Zusammenarbeit mit vier AI-Unternehmen vereinbart (Anthropic, OpenAI, xAI, Google), jeweils etwa 200 Millionen Dollar. Der Verteidigungsminister Pete Hegseth setzte Anthropic bis Freitag ein Ultimatum: Claude-Modelle müssen ihre Sicherheitsrichtlinien aufgeben oder das Unternehmen wird aus der Lieferkette entfernt – ein Schritt, der normalerweise nur für Gegner wie Huawei gilt. Anthropic legte zwei rote Linien fest: keine autonomen Waffensysteme, die Menschen ohne menschliche Kontrolle eliminieren, und keine Massenüberwachung von US-Bürgern im Inland. Amodei bekräftigt beide Punkte in seinem Statement, betont Anthropics Patriotismus und nationale Sicherheitsbedenken und lehnt die Forderungen ab. Er signalisiert, dass das Unternehmen bereit ist zu gehen, wenn nötig, wodurch Claude potenziell verfügbar werden könnte – eine beispiellose Konfrontation zwischen einem privaten AI-Unternehmen und der US-Regierung.

  Block-Entlassungen durch AI

  Jack Dorsey, Gründer von Block (ehemals Square mit Cash App, Tidal), kündigte Entlassungen von fast 40% der Belegschaft an – von über 10.000 auf knapp 6.000 Mitarbeiter. Dies ist das erste prominente Beispiel von Stellenabbau wegen AI-Automatisierung bei einer profitablen Wachstumsfirma. Block ist nicht in Schwierigkeiten; Dorsey begründet den Schritt mit der Fähigkeit kleinerer, AI-gestützter Teams, die gleiche Arbeit effizienter zu erledigen. Die Pakete sind großzügig (20 Wochen Gehalt, Gesundheitsversicherung, Aktienoptionen), und der Börsenmarkt reagierte mit etwa 25% Kursgewinn – ein Signal, dass dies als echte Produktivitätssteigerung durch AI wahrgenommen wird, nicht als Notmaßnahme.

  Nano Banana Pro 2 Update

  Google hat Nano Banana Pro 2 veröffentlicht. Neue Fähigkeiten: konsistente Gesichter und bis zu 14 Objekte über mehrere Frames hinweg (früher waren Multi-Image-Generierungen inkonsistent), bessere Handhabung komplexer Visuals sowie verbesserte Text-in-Bilder-Integration. Das Modell nutzt eine zweistufige Herangehensweise: Es fragt zunächst seinen Language-Model-Layer ab, um eine durchdachte Anleitung zu generieren, bevor es die Bildgenerierung startet – daher Stärke bei Infografiken und strukturiertem Visual Content.

  Claude neue Features

  Anthropic hat drei Haupt-Updates veröffentlicht, teilweise als Reaktion auf Offene AI-Tools:

  • Auto Memory: Claude speichert nun automatisch Informationen über den Nutzer und Projektkontext über mehrere Sitzungen – bisher ein Hauptvorteil von ChatGPT, das viele an dieser Plattform hielt.
  • Remote Control: Projekte können am Terminal starten und dann auf Mobilgeräten über Claude-App fortgesetzt werden, mimicry von Open Claude-Funktionalität.
  • Scheduled Tasks: Automatisierte, wiederkehrende Aufgaben (Morgen-Briefings, Wochenberichte) direkt in Claude Code ohne externe Cron-Job-Konfiguration.

  Diese Features machen Claude Code näher an Open Claude-Erfahrung, aber sicherer und innerhalb ToS.

  Cybersecurity-Risiken durch Claude Code

  Diese Woche wurden zwei Vorfälle publik: Ein Entwickler nutzte Claude Code, um sein DJI-Staubsauger-Betriebssystem zu hacken, um es mit einem Game Controller zu steuern – Claude fand eine kritische Sicherheitslücke und gab ihm Zugriff auf 7.000 Roboter weltweit. Parallel hackte ein spanischsprachiger Hacker mit Claude-Hilfe 150 GB mexikanischer Regierungsdaten (195 Millionen Steuerdatensätze, Wählerlisten, Regierungsanmeldedaten). Dies zeigt die Kraft von Claude Code beim Durchbrechen von Sicherheitsstrukturen.

  Explizit genannte AI-Tools/Anbieter: Anthropic/Claude (including Claude Code, Opus 4.6), OpenAI/ChatGPT, Google/Gemini/Nano Banana Pro 2, xAI/Grok, Perplexity, Minimax, DeepSeek, Kimi, Lovable, Cursor, Open Claude, Cline, Anti-Gravity, Cogwork — Format: News-Update/Live-Roundup mit Meinungs-Komponente.

Leon van Zyl (1 neues Video)

• The First AI Agent Everyone Should Build
  2.3.2026, 13:01:26

  Zusammenfassung: AI-Assistent mit n8n bauen

  Der Creator zeigt, wie man mit n8n (kostenlose Open-Source-Workflow-Automation) einen persönlichen KI-Assistenten von Grund auf baut – ohne Coding-Erfahrung nötig.

  Kernfunktionen des Assistenten:

  Der Agent hat zwei Gedächtnistypen: kurzfristiges Gedächtnis (letzte 20 Nachrichten einer Konversation) und langfristiges Gedächtnis (persistente Datentabellen für Benutzereinstellungen). Dadurch erinnert sich der Agent auch in neuen Sessions an Nutzervorlieben – wenn man etwa „Mein Lieblingspizza” sagt, wird dies gespeichert und später in Restaurantempfehlungen berücksichtigt.

  Setup und Zugang zu n8n:

  Es gibt drei Optionen: lokale Installation via npm-Kommando (kostenlos), n8n Cloud-Service (~24 Euro/Monat) oder Self-Hosting auf einem VPS wie Hostinger (ab 5 Dollar/Monat mit Coupon „lion”).

  Workflow-Architektur:

  Start mit einem Chat-Message-Trigger, dann ein AI-Agent-Node (als „Gehirn” des Systems). Der Agent wird über Open Router mit Claude Sonnet 3.5 verbunden. Ein System-Prompt definiert die Persönlichkeit (z.B. Name „Luna”, warmer Ton). Dann folgen drei Tool-Kategorien: Gedächtnis-Tools (Get/Insert/Update via Datentabellen), Research-Tools (Google Search via SURP API, Wikipedia, Hacker News) und Chat-Tools.

  Praktische Demo:

  Der Agent kann auf Anfragen hin aktuelle Informationen recherchieren, persönliche Daten aktualisieren und Bilder analysieren. Der Chat lässt sich öffentlich verfügbar machen (mit Username/Passwort-Schutz) und unterstützt Datei-Uploads.

  Thematisierte Tools: n8n, Open Router, Claude Sonnet 3.5, Anthropic, SURP API – Tutorial, anfängerfreundlich.

Liam Ottley (3 neues Videos)

• What Is an AI Operating System? (And Why Every Business Will Need One)
  8.3.2026, 02:05:42

  AI Operating System (AIOS) – Methodologie und Aufbau

  Das Video erklärt, dass ein AI Operating System keine Geschäftsmodell ist, sondern eine Geschäftsmethodologie – ein Zugang zur Unternehmensführung, der als schichtweise aufgebauter Wrapper um das bestehende Geschäftsmodell fungiert.

  Kernstruktur des AIOS (Layer-Modell):

  1. Context-Layer: Zentrale Kontextinformationen über das Unternehmen (Team, Produkte, Werte, Strategie) im Claude-Code-Workspace speichern
  2. Data-Layer: Anbindung von Datenquellen (Google Sheets, Stripe, Bitly etc.) an zentraler Stelle, um quantitative Insights zur Zielabweichung zu gewinnen
  3. Intelligence-Layer: Integration von Meeting-Recordings (via Fireflies) und Slack-Messaging in eine durchsuchbare Datenbank, kombiniert zu einem automatisierten Daily Brief (5–10-Seiten-PDF mit KPI-Übersicht, Geschäftsstory, strategischen Insights)
  4. Automation-Layer: Task-Audit durchführen, um zu identifizieren, welche Aufgaben automatisiert oder stark augmentiert werden können; Ziel: 60–70% der Aufgaben von der eigenen Platte nehmen
  5. Build-Layer: Freiwerdende Bandbreite für neue Initiativen nutzen (oder auch Freizeit genießen)

  Kernutzen: Befreiung aus der „Operator Trap” – statt 80% Zeit im Geschäft (betriebliche Tätigkeiten) auf 20% reduzieren und 80% für strategische Initiativen (neuer Markt, Produkt, Kanal, Kampagnen) freigeben.

  Praktische Technik: Claude Code wird als zentrale AI-Agentin konfiguriert, die auf einen lokalen Workspace mit Business-Context, Datenbank und Workflows zugreift. Nicht-technische Nutzer können über ein /explore-Kommando Step-by-Step Automationen erarbeiten; vorkonfigurierte Module können wie Plugins installiert werden.

  Drei KPIs für AIOS-Praktiker:

  • Away-from-Desk Autonomy: Wie viel Arbeit kann von unterwegs (Telefon via Telegram) erledigt werden?
  • Task Automation Percentage: Welcher Anteil der ursprünglichen Aufgaben ist automatisiert/augmentiert?
  • Revenue per Employee: Effizienz-Metrik, um den AI-ROI zu messen

  Der Sprecher berichtet von einem 7-Tage-Projekt (Webinar-Launch mit 1 Million NZD Umsatz), das normalerweise 1–3 Monate gedauert hätte, durch freigesetzte Bandbreite aber in einer Woche umgesetzt wurde.

  Tools/Anbieter: Claude/Claude Code (Anthropic), Fireflies, Slack, Telegram, Stripe, Bitly, Versell, Calendly — Deep-Dive zu einem vollständig ausgefeilten Business-Workflow mit Claude Code.

• The Biggest Shift in Business Since the Internet Just Happened
  5.3.2026, 04:10:12

  AI Operating Systems (AIOS) als Business-Multiplikator

  Der Founder Leam Mley beschreibt ein System namens “AI Operating System” (AIOS) – ein AI-Layer, der mit Claude Code um das gesamte Business herum aufgebaut wird und nicht einfach ein Chatbot ist, sondern ein kontextbewusstes System, das mit echten Daten verbunden ist.

  Das AIOS funktioniert in fünf Schichten:

  1. Context-Layer: Die AI lernt das gesamte Business vollständig – Strategie, Teams, Prozesse, Historie – statt bei jedem Gespräch neu erklären zu müssen. Bei Mley sind alle vier Unternehmen, die Teamstruktur und Prioritäten geladen.

  2. Data-Layer: Statt sieben bis acht verschiedene Dashboards (CRM, Analytics, Revenue-Plattformen) zu checken, fließt alles in Echtzeit an einen Ort. Mley prüft die Business-Gesundheit wie eine Wetter-App – auf einen Blick Revenue, Leads, Content-Performance, Traffic.

  3. Intelligence-Layer: Täglich erhält Mley vor dem Aufstehen eine automatische Briefing via Telegram mit den wichtigsten Events der letzten 24 Stunden – Revenue-Änderungen, Team-Updates, Meeting-Zusammenfassungen von Calls, die er nicht mal besucht hat, Content-Ideen und eine vollständige SWOT-Analyse. Die AI verbindet dabei Punkte über alle Business-Teile hinweg.

  4. Automation-Layer: Hier geht es darum, alle wiederkehrenden Aufgaben zu katalogisieren und dann systematisch zu automatisieren. Beispiel aus Mleys Agency: Das System zieht Client-Call-Transcripts, wendet die Scoping-Methodik an und generiert fertige Proposal-Decks – eine sonst zeitaufwändige Aufgabe ist nun vollständig automatisiert.

  5. Build-Layer: Durch die freigewordene Bandbreite kann der Founder wieder strategisch arbeiten. Mley beschreibt, wie er in sieben Tagen von der Webinar-Idee zu über einer Million NZD Revenue kam: YouTube-Kommentare wurden analysiert (Tag 1-2), fünf Videos geplant und gefilmt (Tag 3-4), Webinar-Struktur, Slides, E-Mail-Sequenzen, Funnel, Zahlungssysteme aufgebaut (Tag 5), Webinar durchgeführt (Tag 6), Bookings generiert (Tag 7) – jeder Schritt durch das System beschleunigt.

  Das System kann von der Apple-App-Phone-Ansteuerung via Telegram bedient werden und kümmert sich um die Verwaltung von über 60 Mitarbeitern über vier Unternehmen hinweg. Mley betont, dass dies nicht theoretisch ist, sondern mit den heute bereits verfügbaren Tools funktioniert und mehrere hundert Gründer in seinem Programm dasselbe System aufbauen.

  Claude Code wurde als das Werkzeug explizit genannt, mit dem das AIOS gebaut wird – Demo einer praktischen Implementierung mit konkreten Beispielen (Telegram-Briefing, Daten-Dashboard, Proposals-Generator, Webinar-Launch in 7 Tagen).

• Your Phone Can Now Run Your Entire Business. Here’s How It Runs Mine.
  2.3.2026, 14:44:46

  Der Sprecher zeigt, wie man Claude Code Remote Control – eine neu veröffentlichte Funktion zum Ausführen von Claude Code vom Smartphone – nutzt, um ein AI Operating System (AIOS) für sein Unternehmen aufzubauen. Er verwaltet damit vier Unternehmen mit über 60 Mitarbeitern mobil und demonstriert drei laufende Aufgaben: einen vollständigen Marketing-Audit, einen Lead-Magnet für das Video und eine Analyse von Geschäftsmeetings aus einem Monat.

  Das zentrale Konzept ist ein AIOS – nicht ein eigenständiges Geschäftsmodell, sondern eine Abstraktionsschicht um die bestehende Geschäftstätigkeit. Der Aufbau folgt einem Schichtenmodell: Zuerst ein Context OS, das den Unternehmen Grundkenntnisse vermittelt (wer wir sind, unsere Dienstleistungen, Team, Werte). Dann ein Data OS, das Echtdaten aus verschiedenen Quellen (Google Sheets, P&L, YouTube Analytics, Google Analytics, Calendly etc.) in einer zentralen Datenbank sammelt. Anschließend ein Intel OS, das Meetingnotes von Tools wie Fireflies oder Fathom täglich erfasst. Der Sprecher lässt sich täglich einen Briefing-Report erstellen, der alle Geschäftsdaten analysiert, Meetings zusammenfasst (teilweise 70+) und strategische Empfehlungen gibt.

  Die Demo zeigt generierte PDFs mit Marketing-Reports, Call-Analysen und einer neu erstellten Landing Page als Lead-Magnet. Der wichtige Punkt: Claude Code Remote Control selbst ist nur eine Fernbedienung – ohne ein aufgebautes AIOS im Hintergrund ist sie nutzlos. Der Sprecher bietet sein Telegram-basiertes Plug-and-Play-System kostenlos an, um anderen Gründern den Einstieg zu ermöglichen, und verweist auf einen 2-Stunden-Webinar für einen vollständigen Überblick über seine Methode.

  Claude (Anthropic), Demo + Meinung/Reflexion.

Mark Kashef (3 neues Videos)

• You’ve Never Used Claude Code Skills Like This
  6.3.2026, 18:02:49

  Zusammenfassung: Multi-Model Council Skill für Claude Code

  Statt sich für ein einzelnes Sprachmodell zu entscheiden, zeigt dieses Video, wie man eine Fähigkeit nutzt, um gleichzeitig die Stärken mehrerer Modelle zu kombinieren. Der Ansatz heißt “Council” – ein Skill, der Claude Code als Haupttreiber nutzt, aber über Open Router auf andere Modelle wie Gemini und Codex zugreift.

  Der Council-Skill funktioniert über Slash-Kommandos und Trigger-Phrasen wie “get a second opinion” oder “ask Gemini”. Die zentrale Komponente ist eine Konfigurationsdatei, in der man festlegt, welches Modell für welche Aufgabe ideal ist: Codex für Bug-Fixes, Gemini für Frontend-Bewertungen, Gemini Flash für schnelle Checks. Bei der Kontextübergabe an andere Modelle werden die spezifische Problemstellung, relevante Code-Snippets und bereits versuchte Lösungen eingebunden – so erhalten die Modelle vollständige Informationen für eine holistische Meinung.

  Nach der Beratung durch die verschiedenen Modelle präsentiert Claude Code die Raw-Responses mit Modellnamen, signalisiert Zustimmung oder Ablehnung und wählt dann den praktischsten Weg, unabhängig davon, welches Modell ihn vorgeschlagen hat. Im Demo werden zwei Landing Pages für ein Boot Camp erstellt. Beim ersten wird ohne externe Meinungen gebaut, beim zweiten wird der Council-Skill eingesetzt – Gemini bewertet das Frontend, Codex die Copywriting. Das Ergebnis: Der audited und verbesserte zweite Versuch sieht deutlich professioneller aus mit besserer Typografie, Grid-Layout und detaillierteren Preismodellen. Ein zweites Szenario mit einem Analyse-Dashboard zeigt das gleiche Muster: Die externe Beratung führt zu einer Bloomberg-Terminal-ähnlichen UI, die infinit besser wirkt als die Ausgangsversion.

  Der Skill lässt sich auch auf nicht-technische Szenarien anwenden und kann sogar verschiedene Versionen des gleichen Modells (Haiku, Sonnet, Opus) vergleichen. Die Synthesis-Regeln sind zentral: Claude Code behält das Steuer und entscheidet, welche Vorschläge sinnvoll sind, statt blind umzusetzen.

  Explizite Tools/Modelle: Claude Code, Gemini 3.1 Pro, Gemini 3 Flash, Codex, Open Router. Format: Tutorial/Demo. Schwierigkeitsniveau: Mittel (Konfigurationsdatei-Bearbeitung erforderlich, aber Anleitung für Non-Technical vorhanden).

• Plan Like a Pro in Claude Code
  4.3.2026, 21:00:04

  ASCII Art für visuelle Planung mit Claude Code

  Das Video zeigt eine Technik, um mit ASCII-Art-Diagrammen Zeit und Tokens zu sparen, egal ob beim App-Bau, Slide-Deck-Planung oder System-Visualisierung — und zwar funktioniert sie im Cloud Code für technische und nicht-technische Nutzer gleich gut.

  Kernidee: Statt blind Code zu schreiben und später zu überschreiben, erstellt man zunächst eine ASCII-Art-Visualisierung als Blueprint. Das vermeidet mehrfache Iterationen und spart Tokens, besonders bei token-intensiven Aufgaben wie PowerPoint-Generierung.

  Praktische Beispiele:

  • SaaS-Dashboards: Erst ASCII-Wireframe erstellen (Sidebar, Stat Cards, Charts, Datentable), dann anpassen (z.B. Chart-Breite ändern, Farben definieren), dann als React-App umsetzen. Ergebnis: Design entspricht Erwartung, keine überraschenden Layouts.
  • Landing Pages: Wireframe mit Navbar, Hero, Social Proof, Features, Footer visualisieren, ggf. Pricing-Sektion einfügen, dann bauen. ASCII-Art verhindert vibe-codierte, unelegante Ausgaben ohne Planung.
  • PowerPoint-Decks: 10-Slide-Struktur als ASCII vorab definieren (Folien-Titel, Problem, Solution, Features etc.), dann in einem Durchgang mit PowerPoint-Skill umsetzen. Spart massiv Tokens, da nur eine finale Iteration statt fünf bis sieben nötig ist.
  • Datenbanken: ASCII-Diagramm für Tabellen (Users, Products, Purchases, Audit Logs) mit Primary Keys und Relationen zeigt Struktur verständlich — auch für nicht-technische Nutzer. Verhindert fehlerhafte Annahmen bei Tabellenbeziehungen.

  Effekt: Der Nutzer offloadet das Design-Denken vorab, Claude Code konzentriert sich dann auf Qualität statt Struktur-Entscheidungen. Iterationen werden präziser, Tokens sinken, besonders bei visuellen Projekten.

  Angebot: Prompt-Templates in der Videobeschreibung verfügbar, erweiterte Ressourcen (ASCII-Art-Skills) in einer Community.

  Claude Code wird thematisiert; das Video ist ein Tutorial-Demo-Hybrid mit praktischen Use Cases.

• I Tried Claude Code Remote Control So You Don’t Have To
  1.3.2026, 17:30:09

  Das Video behandelt Anthropics neu veröffentlichte Remote-Control-Funktion für Claude Code und zeigt drei Aspekte: Erstens wird die Einrichtung erklärt — man aktualisiert Claude Code auf die neueste Version (via claude update oder Warp Agent Mode), nutzt dann /remote im Terminal und kann entweder auf einen Link klicken oder einen QR-Code scannen, um die Terminal-Sitzung von einem mobilen Gerät oder einem anderen Computer aus zu spiegeln. Die Funktion sichert dabei nur ausgehende HTTPS-Anfragen ab und exportiert keine Credentials.

  Zweitens wird erläutert, wie Remote Control sich von einem selbstgebauten Cloud-Code-Betriebssystem unterscheidet: Remote Control ist auf ein spezifisches Projekt und Terminal begrenzt und eignet sich ideal zum Monitoring von längeren Agent-Läufen oder zur Vermeidung von Überraschungen bei Berechtigungen. Das selbstgebaute System ermöglicht dagegen Navigation zwischen verschiedenen Verzeichnissen und verkörpert eher einen persönlichen Assistenten mit durchgehendem Kontext — beide könnten sich ergänzen.

  Drittens wird praktisch gezeigt, wie man mit Remote Control eine leichte persönliche-Assistent-Variante prototypisiert: Man erstellt eine Memory-Datei (zur Speicherung von Kommunikationspräferenzen), eine Soul-Datei (zur Charakterisierung) und eine Claude.mmd-Datei (zur Instruktion), importiert gezielt Skills wie PowerPoint und CSV, und aktiviert dann Remote Control für diesen Kontext. Das Ergebnis ist ein tragbares, kontextbewusstes Werkzeug, das man von mobil nutzen kann.

  Anthropic fokussiert auf Enterprise und Developer Productivity, nicht auf Consumer-Produkte — Remote Control ersetzt quasi Remote-Desktop-Apps für Entwickler.

  Claude (Anthropic) wurde explizit thematisiert; Format: Tutorial/Demo mit Meinungsanteilen.

Matt Pocock (1 neues Video)

• The 7 phases of AI-driven development
  3.3.2026, 22:47:36

  Zusammenfassung: Seven Phases of Development with AI

  Der Creator stellt sieben Phasen vor, die beim Entwickeln mit einem AI-Coding-Assistant (in seinem Fall Claude) durchlaufen werden sollten, um qualitativ hochwertige, wartbare Software zu liefern.

  Phase 1 – Idea: Das Ausgangsproblem wird definiert – sei es eine komplette App, ein einzelnes Feature, ein Bugfix oder ein Refactor. Die Idee kann beliebig groß oder klein sein.

  Phase 2 – Research (optional): Falls die Umsetzung externe Abhängigkeiten oder schwierige Explorationen erfordert (z.B. API-Integration), wird Forschung durchgeführt und in einer research.md gecacht, damit der Agent darauf zugreifen kann ohne den Context Window zu verschwenden.

  Phase 3 – Prototyping: Der Creator iteriert mit dem AI-Agent in einem Throwaway-Prototype, um ästhetische und architektonische Entscheidungen zu treffen, bevor die endgültige Implementierung beginnt. Dies ist essentiell, um persönliche Geschmacksrichtlinien früh festzulegen.

  Phase 4 – PRD (Product Requirements Document): Basierend auf Research und Prototype wird ein Dokument geschrieben, das den Endzustand beschreibt – was der User sieht und wie sich das System verhält. Der Agent wird dabei eingespannt, um jede Designentscheidung kritisch zu hinterfragen.

  Phase 5 – Kanban Board: Das PRD wird in ein Kanban-Board mit Tickets und Blocking-Relationships zerlegt. Dies ermöglicht Parallelisierung statt sequentieller Abarbeitung.

  Phase 6 – Execution Loop: Ein Coding-Agent arbeitet die Kanban-Tickets ab – entweder sequentiell oder parallelisiert mit mehreren Agents. Der Creator nutzt dafür meistens Ralph Loops.

  Phase 7 – QA: Der Agent erstellt einen QA-Plan, ein Mensch überprüft das Ergebnis, liest den Code und erzeugt neue Tickets im Kanban. Danach wiederholen sich Execution und QA, bis das Produkt perfekt ist.

  Der Creator betont, dass diese Phasen über verschiedene Implementierungsansätze hinweg (Ralph Loops, GSD, SpecKit) universal gelten und dass dieser Prozess ein „Engineering First”-Ansatz für AI-gestützte Entwicklung ist – nicht für „Vibe Coders”, sondern für ernsthaft arbeitende AI-Engineers.

  Claude wird erwähnt, Fokus auf persönliche Methodology und Prozesse (Meinung/Reflexion + Anleitung); Tutorial/Deep-Dive-Format.

Melvynx (6 neues Videos)

• GPT 5.4 : LE PIRE MODELE DE DESIGN AU Monde (Review de GPT 5.4 VS Opus 4.6)
  6.3.2026, 07:15:56

  Das Video behandelt den neuen GPT-5.4-Modell von OpenAI, der in Codex und der API verfügbar ist. Der Sprecher testet ihn anhand mehrerer praktischer Aufgaben gegen Claude Opus.

  Wichtigste Features von GPT-5.4:

  • Unterstützung für 1 Million Token Context Window
  • Bessere Performance bei Knowledge-Work, Web-Recherche und Computer-Nutzung
  • Verfügbar in Codex (CLI) und API

  Wichtigste Erkenntnisse aus den Tests:

  1. YouTube-Thumbnail-Generator: GPT-5.4 neigt dazu, über die Anforderungen hinauszugehen und “Slop” zu generieren (überkomplexes, unerwünschtes Design), während Opus die minimalistischen Vorgaben respektiert.
  1. SpongeBob 3D-Rendering: GPT-5.4 zeigt verbesserte Shader und Logik, obwohl SpongeBob durch ein visuelles Artefakt beschädigt ist.
  1. TimeZone-Visualisierung: GPT-5.4 kreiert eine aufwändig gestylte, aber weniger intuitive Oberfläche. Opus produziert sauberen, funktionalen Code mit besserer UX.
  1. Thumbnail-Editor (Fixed Click): Opus bleibt konsistent mit den Anforderungen; GPT-5.4 fügt ungeforderte Änderungen an der Oberfläche hinzu.
  1. Codex CLI bei Bug-Fixes: Der überarbeitete Codex CLI arbeitet schneller mit besserer Farbcodierung und logischeren Tools (read, search statt Shell-Kommandos). Er löst Probleme effizient, bleibt aber langsamer als direkte Ansätze.

  Fazit des Sprechers: OpenAI-Modelle sind intelligent und lösen die meisten Aufgaben technisch korrekt, haben aber ein “weird relationship” zu Kreativität – sie respektieren Anforderungen übertrieben, machen aber gleichzeitig unerwünschte Veränderungen. Opus wird für UI/UX-Tasks bevorzugt, während GPT-5.4 eher bei Engineering-Aufgaben stärker ist.

  Explizit genannte Tools/Modelle: OpenAI (GPT-5.4), Claude Opus, Cursor, Codex CLI, Gemini-API — Demo/Review mit praktischen Vergleichstests.

• Les Modèles IA Pour Dev En 2026 : VOICI ce que je Recommande (et aussi al Silicon Valley)
  5.3.2026, 18:21:30

  Welche KI-Modelle sollte man 2024 nutzen? – Eine praktische Analyse

  Das Video behandelt die Frage, welche KI-Modelle Entwickler und Non-Developer aktuell nutzen sollten, basierend auf Erfahrungen aus San Francisco.

  Verfügbare Modelle im Überblick:

  • Chinesische Open-Source-Modelle: Kimi 2.5, Zi GLM5, MiniMax M (günstig: ~0,5-3 Dollar pro Million Input-Tokens)
  • US-amerikanische Modelle: Gemini (Pro/Flash), Claude Opus 3.5 Sonnet, GPT-4o, GPT-4 o1

  Intelligenz & Code-Qualität:

  Opus 3.5 und OpenAI Codex gelten unter Entwicklern als beste Modelle. Gemini liegt dahinter und hat weniger Kapazität bei komplexen Problemen.

  Unterschiedliche Nutzertypen:

  • Nicht-technische Nutzer/Less-Technical-Coders: Claude wird empfohlen – freundlicher Ton, einfacher zu nutzen, direkter. Opus 3.5 folgt Befehlen präzise ohne zu komplizieren.
  • Technik-fokussierte Entwickler: OpenAI Codex ist für spezialisierte, komplexe Aufgaben besser, aber weniger anfängerfreundlich.

  Budget-Strategien:

  • Kleines Budget (20€/Monat): Claude für Planung nutzen, dann mit GPT-4o Codex ausführen (da Ausführung teuer ist)
  • Großes Budget (100-200€/Monat): Opus maximalieren – so viele Tokens wie möglich mit Claude konsumieren; GPT als Fallback bei Fehlern
  • Open-Source: Kimi 2.5 erwies sich in Tests als praktisch gut (trotz moderater Benchmarks); GLM5 langsamer und weniger Code-Qualität

  Zwei Coding-Modi:

  • Pair Programming: Präzise technische Prompts → Codex besser (folgt Regeln genau)
  • Manager-Mode: Allgemeine Anforderungen ohne Technik-Details → Claude besser (kreativer, autonomer, weniger restriktiv bei Sicherheitsbedenken)

  Persönliches Fazit des Autors:

  Claude ist angenehmer zu nutzen, trotz Codex’ technischer Vorteile. Der Unterschied liegt weniger in der rohen Intelligenz als in Benutzerfreundlichkeit, Autonomie und Permissivität. Claude respektiert Workflows besser und ist weniger auf Sicherheitsregeln fixiert.

  Bonus: Der Autor kündet einen Live-Event am Sonntag an, bei dem eine vollständige App mit Claude und Cloud Code erstellt wird; Teilnehmer erhalten kostenlos Konfigurationen und Setup-Videos.

  Video behandelt Claude, OpenAI (GPT-4o, Codex), Google Gemini und chinesische Open-Source-Modelle (Kimi 2.5, GLM5); Format: Meinung/Reflexion mit praktischen Empfehlungen.

• J’AI CRÉÉ L’APP PARFAITE “Speech to Text” en 1 HEURE avec Claude Code (et tu peux aussi le faire)
  4.3.2026, 07:00:16

  Der Video zeigt, wie man mit Claude Code Open-Source-Projekte forken und anpassen kann, um maßgeschneiderte Software zu entwickeln. Der Creator hat das Speech-to-Text-Tool “Handy” geforkt und daraus “Parler” entwickelt – ein personalisiertes Pendant zu kostenpflichtigen Alternativen wie Super Whisper (15 $ monatlich).

  Das Problem mit bestehenden Tools: Kommerzielle Speech-to-Text-Apps kosten viel und basieren ohnehin auf kostenlos verfügbaren Open-Source-Modellen (Whisper, Paraquet, Moonshine). Sie begrenzen Features (wie das 2000-Wort-Limit im kostenlosen Plan) und bieten unnötige Premium-Features.

  Die neue Strategie: Handy und ähnliche Open-Source-Projekte direkt nutzen oder forken. Der Creator zeigt, wie man in Claude Code einfach ein Repository cloned, umbenennt und eigenständig erweitert – unter Beibehaltung der MIT-Lizenz-Anforderungen.

  Features von “Parler”: Automatisches Modell-Switching bei längeren Aufnahmen (von schnellem Paraquet V3 zu genauerer Whisper Turbo nach 20 Sekunden), Post-Processing-Modi (Email-Mode, Tweet-Format, Grammar-Fix) mit Tastatur-Shortcuts (Ctrl+1, Ctrl+2, etc.), Rebrand­ing mit blauer statt rosafarbener UI. Alles wurde mit “Vibe Coding” – intuitive, iterative Entwicklung mit Claude – in wenigen Stunden umgesetzt.

  Warum kein Pull-Request? Der Creator behält seinen Fork separat, da nicht alle Features für jeden relevant sind und er keine Diskussionen mit Maintainers führen möchte. Sein Tool, seine Regeln.

  Die Kernbotschaft: Mit Claude Code kann jeder jetzt schnell Nischensoftware schaffen, die genau den persönlichen Bedarf erfüllt – kostenlos, basierend auf bestehender Open-Source, ohne fremde Genehmigung.

  Claude Code, Demo/Anleitung — Demo mit praktischer Anwendung des Forking-Workflows und iterativen Vibe-Codierens zur personalisierten App-Entwicklung.

• OPUS 4.6 VS Opus 4.5 VS Sonnet 4.5 dans les CHOIX de techno : ils font n’importe quoi ?
  3.3.2026, 17:33:03

  Das Video behandelt eine Studie über die Werkzeugwahl von Claude Code und deren Konsequenzen für “Vibe Coder” (Nicht-Entwickler, die mit KI Anwendungen bauen).

  Die Forschung testete Claude-Modelle (Sonnet 4.5, Opus 4.5, Opus 4) hundertfach auf die Frage, welche Bibliotheken und Tools sie für Frontend, Backend etc. empfehlen würden. Ergebnis: KI-Modelle wählen Tools basierend auf statistischen Häufigkeiten, nicht auf tatsächlichem Bedarf. Die Default-Stack von Claude umfasst typisch Vercel, PostgreSQL, Drizzle, Next.js, GitHub Actions, pnpm, Vite, Tailwind und andere—und diese Werkzeuge gewinnen dadurch in der Praxis enorme Anziehungskraft. Unternehmen wie Vercel oder Resend profitieren massiv, weil Claude täglich ihre Tools empfiehlt, selbst wenn diese veraltet oder suboptimal sind.

  Die verschiedenen Modelle haben unterschiedliche “Persönlichkeiten”: Sonnet wählt konventionelle, populäre Tools; Opus 4.5 ist ausgewogener; Opus 4.6 bevorzugt neuere Lösungen und custom Implementierungen. Besonders auffällig ist, dass Claude Tools in Monopolstellungen empfiehlt (Stripe, Vercel, Chat CN), während in der Enterprise typischerweise andere Tools dominieren (Redis statt Custom, Prisma statt Drizzle). Die Studie zeigt auch: Neuere Modellversionen ändern ihre Vorlieben drastisch (Prisma fiel von 80% auf 0% mit Opus 4).

  Das Kernproblem: Wer nicht technisch versiert ist, kann nicht überprüfen, ob die von der KI empfohlenen Tools tatsächlich passend sind—die KI diktiert damit de facto die Technologie-Landschaft. Dies führt zu einem «Benchmark-Business» in San Francisco, wo Unternehmen versuchen, ihre Tools gezielt in KI-Empfehlungen zu platzieren.

  Claude (Anthropic) wurde als KI-Modell thematisiert; Format: Meinung/Deep-Dive.

• VIBE CODEUR : Formation pour apprendre à utiliser le terminal (c’est un cheat code)
  2.3.2026, 17:35:24

  Zusammenfassung: Terminal-Tutorial für Vibe Coder

  Das Video ist ein Tutorial zur Verwendung des Terminals als wesentliches Werkzeug für den Vibe Coder – ein Konzept, bei dem die Beherrschung von Terminal, VS Code und Git wichtiger ist als spezifisches Wissen in HTML, CSS, JavaScript oder Frameworks.

  Grundlagen und Setup:

  Für Windows-Nutzer wird WSL (Windows Subsystem for Linux) empfohlen, um Bash statt PowerShell zu verwenden, da Bash und ZSH auf macOS und Linux die relevanten Befehle enthalten. macOS-Nutzer können direkt die vorinstallierte Terminal-App nutzen. Alternative Terminal-Tools wie iTerm2 oder Ghostty werden erwähnt.

  Kernkonzepte des Terminals:

  Das Terminal zeigt den aktuellen Pfad an (z.B. ~ für das Home-Verzeichnis). Wichtige Basis-Befehle sind:

  • ls – Dateien im aktuellen Verzeichnis auflisten
  • pwd – aktuellen Pfad anzeigen
  • cd [Verzeichnis] – Verzeichnis wechseln, cd .. geht eine Ebene zurück, cd allein zurück zur Wurzel
  • mkdir [Name] – neuen Ordner erstellen
  • rm -rf [Name] – Verzeichnis löschen
  • echo – Text ausgeben

  Praktische Workflows:

  Node.js wird als wichtiges Werkzeug für Vibe Coder empfohlen (Installation über nodejs.org). Mit npm können Projekte schnell erstellt werden, etwa mit npm create vite für ein React- und TypeScript-Projekt. Der Befehl npm run dev startet einen lokalen Entwicklungsserver.

  VS Code kann mit dem Befehl code . im Terminal direkt im aktuellen Verzeichnis geöffnet werden (setzt voraus, dass die Shell-Befehle installiert sind). Das Terminal lässt sich auch direkt in VS Code öffnen und verwenden.

  Praktischer Tipp:

  Über Rechtsklick mit gehaltener Optionstaste im Finder kann der Pfad kopiert und mit cd + Einfügen schnell navigiert werden.

  Das Tutorial verfolgt den praktischen Ansatz, dass das Terminal keine abstrakte Schnittstelle ist, sondern eine alternative Ansicht auf die Dateisystem-Navigation und -verwaltung des Computers.

  Format: Tutorial (französisches Transcript, keine AI-Tools explizit erwähnt)

• 3 jours dans la vie d’un DÉVELOPPEUR à Séoul | Ep.1
  1.3.2026, 17:20:41

  Episode 1: Reise nach San Francisco – Zwischenlandung in Seoul

  Kein Transcript verfügbar – zusammengefasst nach Titel und Inhalt:

  Der Schweizer Content Creator startet eine neue Vlog-Serie über seine Reise nach San Francisco. Nach einem etwa 20-stündigen Flug (7h + 12h) mit Zwischenlandung landet er zunächst in Seoul, Südkorea – die “semi-finale Destination” seines Trips. Er nutzt die Zeit dort, um die Stadt zu erkunden: Besuch im Einkaufszentrum, Einkaufen bei Uniqlo (er ist selbstbeschriebener “Uniqlo-Maximalist”), koreanisches Streetfood und ein 75-Dollar-Wagyu-Steak-Dinner. Die Episode zeigt auch seinen ersten praktischen Umgang mit einer Koffer – normalerweise reist er nur mit Rucksack. Parallel arbeitet er in einem Creator Space und nutzt Claude (via Telegram) für Reiseplanung. Sein Hauptmotiv für den Umzug nach San Francisco: die KI-Industrie und Tech-Unternehmen, die er bewundert. Er verlässt Bali nach drei Jahren, weil ihn die Routine dort nicht mehr erfüllt. Mit nur Mac und Koffer startet er zur final leg nach San Francisco, wo er ein Coworking Space und Unterkunft hat, aber sonst keinen konkreten Plan.

  Format: Demo/Vlog, Tools erwähnt: Claude, OpenAI, Gemini — Schwierigkeitsniveau: Unterhaltung über Reiseorganisation und persönliche Reflexion, keine technische Tiefe.

MoureDev by Brais Moure

Keine neuen Videos in diesem Zeitraum.

n8n

Keine neuen Videos in diesem Zeitraum.

Nate Herk | AI Automation (6 neues Videos)

• This New Claude Code Feature is a Game Changer
  7.3.2026, 18:03:00

  Cloud Code Loop Feature: Automatisierte, projektbezogene Aufgaben

  Cloud Code hat eine neue Loop-Funktion erhalten, die es ermöglicht, wiederkehrende Aufgaben für bis zu 3 Tage automatisch auszuführen, ohne dass der Nutzer eingreifen muss. Mit natürlichsprachlichen Befehlen wie „Alle 10 Minuten mein ClickUp checken” oder „Um 10:23 Uhr mich erinnern, das Projekt zu überprüfen” lässt sich die Funktion aktivieren. Im Hintergrund werden Cron-Jobs erstellt, die in regelmäßigen Intervallen abfeuern und automatisch Meldungen oder Überprüfungen durchführen.

  Die Loop-Funktion unterscheidet sich grundlegend von der zeitgleich eingeführten Scheduled-Tasks-Funktion: Loop läuft nur innerhalb einer offenen Session, speichert sich nicht persistent und läuft maximal 3 Tage, hat dafür aber kein Catchup-Verhalten und ist überall in Cloud Code verfügbar (Terminal, Desktop-App, VS Code). Scheduled Tasks hingegen sind langlebig, können unbegrenzt laufen und haben automatisches Catchup – sind aber derzeit nur in der Desktop-App verfügbar.

  Loop wird über drei Cron-Tools gesteuert: cron_create (zum Planen), cron_list (zum Auflisten) und cron_delete (zum Stornieren). Praktische Use-Cases sind demnach kurzfristige Projekte wie dringende Email-Überwachung alle 5 Minuten, stündliche Deploy-Checks, 3-Tage-Sprints zur Fortschrittskontrolle oder kontinuierliche Logs-Überwachung während einer Iteration.

  Cloud Code Loop, Demo/Roundup – ohne externe Tools/Anbieter explizit genannt.

• Claude Code 2.0 Is Finally Here
  7.3.2026, 05:06:53

  Zusammenfassung: Scheduled Tasks in Claude Code

  Anthropic hat Claude Code um native Scheduled Tasks erweitert, die es ermöglichen, Automationen direkt im Desktop-App zu planen. Diese funktionieren nicht als deterministische Skripte, sondern als eigenständige agentic Workflows – sie können Fehler selbst beheben, Dateien im Projekt lesen und alle verfügbaren Tools nutzen. Die Workflows verbessern sich dadurch über die Zeit selbst, statt nur stets denselben Script auszuführen.

  Setup ist einfach: Entweder über den Schedule-Tab ein neues Task erstellen (Name, Beschreibung, Prompt, Modell, Modus, Ordner wählen und zeitliches Intervall festlegen) oder im Prompt /schedule eingeben. Bestehende Skills lassen sich per Prompt in Automationen umwandeln – im Beispiel „morning coffee” konnte mit einer Nachricht an Claude Code ein bestehendes Morgen-Planning-Skill in eine tägliche 6-Uhr-Automation umgewandelt werden.

  Wichtige Limitationen und Überlegungen:

  • Der Computer und die Desktop-App müssen laufen; ohne sie wird die Automation nicht ausgeführt. Claude Code prüft bis zu 7 Tage rückwärts auf verpasste Tasks und holt diese nach.
  • Tasks sind stateless – jeder Run ist eine neue Session ohne Kontext des vorherigen Durchlaufs.
  • Sicherheit: Berechtigungen müssen bewusst konfiguriert werden (z.B. Bash-Befehle zum Löschen blockieren), und Tasks sollten vor Automatisierung manuell getestet werden.
  • Derzeit nur im Desktop-App verfügbar (Terminal und IDE-Extensions sollen folgen).

  Für kontinuierliche Verbesserung empfiehlt sich eine Strategie mit einer Statusdatei pro Task, die vor jedem Run von der neuen Agent-Instanz gelesen wird. Sie enthält Infos wie letzte Laufzeit, aufgetretene Fehler und bekannte Probleme – so erhalten aufeinanderfolgende Läufe kontextuelle Kontinuität. Der Prompt kann direkt auf diese Datei verweisen und sie nach Abschluss aktualisieren. Als Benachrichtigungsmöglichkeit dienen Hooks (z.B. für Systemsounds) oder Meldungen an externe Tools wie ClickUp.

  Demo mit Skill-Verwaltung: Im Projekt sind mehrere Skills vorhanden (Content Creation, Research & Intelligence, Visual Diagrams, Operations, Meta) – alle können in Wochenautomationen umgewandelt werden. Der Terminal/VS Code können zwar bestehende Task-Dateien sehen und bearbeiten, aber nicht neue Tasks erstellen oder die Cron-Logik ändern, da diese nur in der Desktop-App lebt.

  Claude Code (Anthropic) – Demo.

• Cursor Automations Clearly Explained (worth learning?)
  6.3.2026, 20:23:28

  Cursor Automations: Trigger-basierte Cloud-Agenten für Code-Workflows

  Das Video behandelt die neue Cursor-Automations-Funktion, die trigger-basierte Cloud-Agenten für automatisierte Code-Aufgaben ermöglicht. Im Gegensatz zur Wahrnehmung, dass jedes neue AI-Coding-Tool gelernt werden muss, betont der Creator, dass fundamentale Konzepte wie Planning, Prompt Design, Tool-Orchestrierung und Evaluationen viel wichtiger sind als das Wechseln zwischen Tools.

  Cursor Automations im Detail:

  Automation laufen in Cursor-verwalteten Cloud-Sandboxen und werden durch verschiedene Trigger ausgelöst — Zeitpläne (Cron), GitHub-Events, Slack-Nachrichten, Linear-Issues oder Custom Webhooks. Bei Auslösung spint sich ein Sandbox auf, lädt das Repository und führt den Agent-Workflow aus. Das System unterstützt verschiedene Modelle (Claude, GPT 4.5, Opus, Sonnet), Speicher und MCP-Server. Typische Use Cases sind automatisierte Code-Reviews bei jedem Push, Security-Checks, Incident-Response und scheduled Maintenance.

  Vergleich zu OpenClaw und Cloud Code:

  OpenClaw ist ein persönlicher OS-Assistent mit System-Level-Zugriff auf Dateien, Apps und Browser, läuft auf der eigenen Maschine. Cursor Automations dagegen ist auf Code-Repositories und Entwickler-Tooling beschränkt. Beide nutzen Heartbeats/Crons — Agenten sind nicht 24/7 aktiv, sondern wachen zu definierten Zeiten auf. Cloud Code bietet On-Demand-Agent-Workflows in der IDE, aber für Automationen müsste man diese separat hosten (z.B. über Trigger.dev). Cursor Automations konsolidiert das: unified UI, Cloud-Hosting, einfaches Ein- und Ausschalten.

  Praktischer Workflow-Vorschlag:

  Cloud Code lokal als Builder nutzen — Code entwerfen, testen, dann zu GitHub pushen. Cursor Automations dann als „Caretaker” einsetzen — autonome Workflows, die kontinuierlich Security Audits, Reviews oder Maintenance durchführen. Das spart das manuelle Deployment in externe Services.

  Kernbotschaft:

  Der Raum entwickelt sich von „Modell um Hilfe bitten” → „KI schreibt Code” → „KI shipped Code” → „KI wartet und optimiert Code autonom.” Wichtiger als Tool-Hopping sind transferierbare Fähigkeiten wie Prompt Design und Agentenarchitektur.

  Demo und Beobachtung:

  Im Video wird eine Live-Automation gezeigt: GitHub-Trigger startet einen Agent im Sandbox, der einen Code-Review und Security-Review durchführt, einen Branch erstellt und Benachrichtigungen sendet — alles ohne manuelle Prompts nach der initialen Konfiguration.

  Behandelt: Cursor, Claude, GPT 4.5, OpenClaw, Cloud Code, Trigger.dev, GitHub Actions, N8N; Format: Demo + Meinung/Deep-Dive.

• Claude Code Skills Just Got Even Better
  5.3.2026, 17:35:59

  Das Video erklärt, warum Skills (Fähigkeiten für KI-Agenten) durch Anthropics neues Skill Creator Skill deutlich besser geworden sind, und demonstriert dann live die Erstellung eines neuen Skills.

  Was sind Skills: Text-basierte Rezepte, die Agenten anweisen, wie bestimmte Aufgaben konsistent auszuführen sind – etwa LinkedIn-Posts oder interne Kommunikation in einem spezifischen Format.

  Zwei Skill-Typen:

  • Capability Uplift Skills: Prompt-basiert, lehren Claude etwas besser zu machen (z.B. Website-Design mit besseren Fonts und Farbschemen). Diese könnten mit neuen Modellversionen an Wert verlieren.
  • Encoded Preference Skills: Sequenzielle Workflows mit spezifischen Schritten (z.B. der gezeigte “Idea Mining”-Skill, der parallel mehrere Agenten laufen lässt). Diese bleiben stabiler, da sie prozessspezifisch sind.

  Das neue Skill Creator Skill ermöglicht:

  • Skill-Erstellung: Agenten können neue Skills von Grund auf erstellen
  • Evals/Tests: Skills gegen Beispiele testen und automatisch optimieren – z.B. ein PDF-Füll-Skill, der durch Evals lernt, Text korrekt zu platzieren
  • Benchmarking: Pass-Rate, Zeitaufwand und Token-Nutzung vergleichen (mit/ohne Skill)
  • Trigger-Tuning: Skill-Beschreibungen so anpassen, dass natürlichsprachliche Befehle sie zuverlässiger aufrufen

  Live-Demo – YouTube Weekly Roundup Skill:

  Der Creator fordert den Agenten auf, einen wöchentlichen PDF-Report über seine Videos (Views, Engagement, Comments, SWAT-Analyse, Competitor Context) zu erstellen – anfangs nur mit vager Beschreibung. Der Agent stellt Klärungsfragen, erstellt einen Plan, testet iterativ mit dem Skill Creator und verbessert sich nach Feedback. Das Endergebnis: Ein professionell gestalteter Report mit Videostatistiken, Executive Summary, SWAT-Analyse, Kommentar-Analyse und Trend-Daten – alles in etwa 20 Minuten erstellt. Der Creator kann die Ausgabe bewerten und den Skill dadurch weiterschärfen.

  Zukunftsperspektive: Anthropic deutet an, dass bald eine natürlichsprachige Beschreibung (“Was soll der Skill tun?”) ausreichen könnte, damit das Modell selbst die technischen Details herausfiguriert – statt heute noch SOP, Regeln und Format explizit zu spezifizieren.

  Anthropic/Claude wird thematisiert; live Demo eines selbst erstellten Skills in Cloud Code – Demo-Format.

• Turn Claude Code Into Your Executive Assistant in 27 Mins
  5.3.2026, 12:46:03

  Das Video zeigt, wie man mit Claude Code einen persönlichen Executive Assistant aufbaut, der täglich wiederkehrende Aufgaben automatisiert und parallel mehrere Sub-Agenten ausführt. Der Demonstrator zeigt vier gleichzeitig laufende Agenten: einen Morning-Coffee-Skill für Tagesplanung basierend auf Kalender und Prioritäten, einen Research-Sub-Agent für Inhalte (LinkedIn-Post und Twitter-Carousel), einen Pulse-Check für Team-Status und einen Visualisierungs-Agent. All das läuft in unter zwei Minuten ab – während die manuelle Ausführung etwa 25 Minuten dauern würde.

  Der Aufbau folgt vier Phasen: (1) Home geben – Visual Studio Code mit Claude-Code-Extension installieren, ein Projektverzeichnis erstellen und eine Claude.md-Datei als zentrale Konfigurationsdatei anlegen, die Claude Code bei jedem Aufruf liest und weiß, wo alle Informationen gespeichert sind. (2) Leben geben – Ein Interview durchlaufen, das automatisch Kontextdateien für „me” (Profil), „work” (Business), „team” (Mitarbeiter) und „priorities” (aktuelle Ziele) erstellt; dabei wird auch eine Ordnerstruktur mit Templates, Projekten, Decisions-Log und References angelegt. (3) Hände geben – Konkrete Skills und Sub-Agents bauen: Das Beispiel zeigt einen Research-Skill, der die Perplexity-API nutzt und Berichte erstellt, sowie einen günstigeren Research-Agent mit dem Haiku-Modell statt Opus. (4) Wachsen lassen – Den Assistant täglich nutzen, Skills iterativ verbessern, alle Custom-GPTs und Prompts als Skills migrieren und das Projekt auf GitHub pushen für Versionskontrolle und Zugriff von überall.

  Kernpunkt: Das System funktioniert, weil Claude.md nur eine schlanke Brain-Datei ist, die auf spezialisierte Dateien verweist, statt alles inline zu laden – so bleibt der Tokenverbrauch niedrig, während der Agent Zugriff auf komplette Kontexte hat. Die YAML-Front-Matter in Skills und Agenten ist Best Practice. Der Zugang ist kostenpflichtig (Claude-Abonnement erforderlich) und erfordert API-Keys für externe Services wie Perplexity. Die größte Stärke: Jedes generierte Artefakt (Research-Berichte, Inhalte, Decisions) bleibt im Projektordner und macht den Assistant über Zeit immer intelligenter.

  Claude Code, Perplexity API, Sub-Agents, Skills, GitHub-Integration; Tutorial mit praktischem Aufbau.

• The NEW Nano Banana 2 + Claude Code = $10k Websites
  3.3.2026, 23:53:51

  Zusammenfassung: Professionelle animierte Websites mit CloudCode in 30 Minuten

  Der Creator zeigt einen vollständigen Workflow zum Erstellen einer Apple-ähnlichen Produktlandingpage mit CloudCode in Visual Studio Code – von der Videoerzeugung über die Website-Generierung bis zur Cloud-Deployment.

  Vorbereitung & Setup:

  Man installiert die CloudCode-Extension in VS Code (erfordert Anthropic Pro/Max-Plan) und lädt sich zwei kostenlose Markdown-Skills herunter: einen “Front-End Design Skill” und einen “Video to Website Skill”. Diese Skills definieren die Best Practices für animierte 3D-Websites und sind der Schlüssel zum Prozess.

  Video-Erstellung:

  Statt echte 3D-Animationen zu programmieren, nutzt man AI-Bildgeneratoren (hier: NanoBanana 2 via key.ai) um Start- und Endbild eines Produkts zu erstellen, dann ein AI-Video-Tool (Kling 3.0), um diese Frames zu animieren. Der Creator gibt Claude die beiden Bilder und erhält einen optimierten Video-Prompt zurück, der dann in Kling umgesetzt wird.

  Website-Generierung:

  Man lädt das Video in CloudCode und gibt einen einfachen Prompt ein (z.B. „Erstelle eine moderne Produktlandingpage für dieses Video”). CloudCode arbeitet im Plan-Mode und fragt nach Produktname, gewünschten Sektionen und Präferenzen, erstellt dann einen detaillierten Plan und extrahiert ~120 WebP-Frames aus dem Video via FFmpeg. Jeder Frame wird mit einer Scroll-Position verknüpft – beim Scrollen werden die Frames wie Stop-Motion sequenziell gerendert. CloudCode schreibt HTML, CSS und JavaScript und testet die Website lokal auf localhost.

  Iteration:

  Man kann direktes Feedback geben (z.B. „Feature 2 erscheint zu spät”), CloudCode erstellt einen neuen Plan und fixt das Problem. Der Skill verbessert sich dabei mit jeder Iteration, wenn man seine Änderungen dokumentiert.

  Deployment:

  Nach lokalen Tests verbindet man CloudCode mit GitHub (via CLI-Auth), CloudCode erstellt ein neues Repository und pushed den Code-Basis. Man importiert das Repo in Vercel, das automatisch deployt. Wichtig: Die Video-Frames werden zunächst aus dem Repo ausgeschlossen – man muss CloudCode anweisen, sie einzuschließen, damit die Animation auf Vercel funktioniert. Nach erneutem Deployment ist die Website auf einer echten Domain live und responsive auf Mobilgeräten.

  Geschäftspotenzial:

  Der Creator schlägt vor, diesen Prozess als Service anzubieten – Demo-Websites für lokale Unternehmen oder Nischen in ~1–2 Tagen bauen und für 5.000–10.000 USD verkaufen, plus monatliches Hosting und Wartung als rekurrente Revenue.

  Benutzerdefinierung:

  Man kann den Skill jederzeit anpassen, wenn man die Standard-Animationsstil nicht mag. Der Kern-Mechanismus – Video zu Frames zu scrollgesteuerte Animation – ist flexibel und funktioniert mit beliebigen Video-Inhalten (Produkt-Dekonstruktion, Text, Bewegungen etc.).

  Explizit thematisierte Tools: CloudCode (Visual Studio Code Extension), Anthropic (Claude), GitHub, Vercel, NanoBanana 2, Kling 3.0, key.ai, FFmpeg — Format: Tutorial/Demo mit tiefgehendem praktischem Workflow.

NeuralNine (2 neues Videos)

• Why I Go To Tech Meetups & You Should Too…
  6.3.2026, 17:00:25

  Zusammenfassung: Meetups und Networking

  Das Video ist eine lockere, persönliche Reflexion über die Bedeutung von Meetups und Tech-Networking. Der Creator argumentiert, dass Meetup-Besuche für jeden in der Tech-Branche wertvoll sind – egal ob Gründer (die Co-Founder, Investoren oder Kunden finden können), Jobsuchende, Freelancer oder Angestellte, die ihre Fähigkeiten erweitern wollen. Der zentrale Gedanke ist das Konzept des „Positional Chess”: Man sollte nicht mit einer konkreten Agenda zu Meetups gehen (z.B. um einen Kunden zu akquirieren), sondern sich neugierig und offen in Räume begeben, wo gute Dinge passieren können – Opportunitäten ergeben sich oft erst später und organisch.

  Als praktische Richtlinien empfiehlt er, ohne Erwartungshaltung hinzugehen, offen für Menschen und Inspiration zu sein, und mit der Zeit auch selbst Vorträge zu halten, um als Autorität wahrgenommen zu werden und dadurch Networking-Chancen zu verbessern. Konkrete Kanäle sind Meetup.com, Luma (für Events), LinkedIn, X sowie lokale Clubs, Communities, Discord- oder WhatsApp-Gruppen. Die Kernbotschaft: Vernetzen zahlt sich aus, egal ob als Angestellter, Gründer oder Freelancer – oft zeigen sich die Früchte erst nach Jahren.

  Das Video ist eher Meinungsäußerung als Tutorial oder Deep-Dive und basiert auf persönlicher Erfahrung (ca. 15 besuchten Meetups).

• Coding A Linux Soundboard From Scratch in Python
  2.3.2026, 18:38:04

  Zusammenfassung: Customizable Soundboard für Linux

  Das Video zeigt den Bau einer Linux-Soundboard-Anwendung, mit der man über Tastaturkürzel Sounds durch das Mikrofon des Systems abspielen kann – nützlich für Discord, Videospiele oder Aufnahmetools wie OBS.

  Kernkonzepte:

  • PulseAudio & pactl: Das Projekt nutzt den Befehl pactl (PulseAudio control), um Sinks (Sound-Sammler), Sources (Mikrofone, ggf. virtuell) und Module zu verwalten.
  • Setup-Komponenten:
  • Ein virtueller Sink (module-null-sink) wird erstellt, um Sounds zentral zu sammeln.
  • Ein virtueller Microphone wird via module-remap-source erzeugt, der den Sink monitort.
  • Ein module-loopback wird geladen, um das physische Mikrofon in den Sink zurückzuführen, damit Sprache und Sound-Effekte zusammen verfügbar sind.

  Implementierung in Python:

  Das Skript nutzt subprocess zum Automatisieren der pactl-Befehle. Beim Start wird geprüft, ob die virtuellen Geräte bereits existieren; falls nicht, werden sie angelegt. Der Benutzer wählt dann aus verfügbaren Quellen das Eingabe-Mikrofon aus, das in den Sink geloopt werden soll.

  Keyboard-Input & Berechtigungen:

  Mit dem Paket evdev wird auf Tastaturevents zugegriffen. Dies erfordert spezielle Berechtigungen (Gruppe input und eine udev-Regel), weshalb der Autor ein Setup-Skript bereitstellt. Die Steuerung erfolgt über Super-Taste + Klammern (Auswahl wechseln) und Apostroph/Semikolon (Play/Stop).

  Sound-Playback:

  Die Pakete soundfile und sounddevice laden WAV-Dateien aus einem sounds-Verzeichnis und geben sie über die virtuelle Soundkarte aus – hörbar in allen Anwendungen, die das virtuelle Mikrofon als Eingabe nutzen.

  Das Projekt funktioniert als lauffähiges Prototype; der Autor plant eine TUI-Version und nutzte Claude zur Code-Implementierung.

  Demo: Das Video zeigt die Anwendung live in Audacity und OBS, wo die Beep-Sounds erfolgreich wiedergegeben werden.

  Claude wurde explizit für die Code-Implementierung erwähnt; Tutorial mit praktischer Demo (Linux/PulseAudio, mittleres Niveau).

Nic Conley (1 neues Video)

• OpenClaw vs Claude Cowork | Setup, Limits & Which One Is Right For You
  6.3.2026, 16:03:30

  OpenClaw vs. Claude Code: Social Media AI Agent Showdown

  Der Creator baut mit beiden Systemen einen vollautomatischen AI-Social-Media-Agenten für TikTok auf – um zu testen, ob OpenClaw wirklich besser ist oder ob Claude Code (mit neuer Scheduled-Task-Funktion) gleichzieht.

  Setup & Vorbereitung:

  Beide Agenten bekommen Zugang zur „Larry Skill” (ein Framework für Social-Media-Agenten), die Replicate-API (für Google Nano Banana Pro – Bildgenerierung), und Post.is (Social-Media-Scheduler mit Analytics). Die App, die beworben werden soll: T-Max, eine iOS-App für natürliche Testosteron-Optimierung.

  OpenClaw-Weg:

  Wird auf einer Hostinger-VPS deployed (KVM2-Plan, ~$150 für 2 Jahre über Nick10-Code). Über Telegram wird der Agent („Social Sammy”) erreichbar gemacht. Nach ~35 Minuten ist die erste vollständige TikTok-Slideshow live – mit Before/After-Szenarios, KI-generierten Bildern, echtem App-Screenshot und Text-Overlays. Der Agent speichert Instruktionen, löst Fehler selbst (falsche Bildauflösung), erstellt automatisch Captions und plant autonome Posts für 9 Uhr morgens mit Analytics-Tracking nach 12 Stunden. Kosten: ~$3–5 in API-Credits.

  Claude Code-Weg:

  Desktop-App, keine VPS nötig. Der Agent führt auf Aufforderung 15 Minuten Browser-Research durch (TikTok durchsuchen, Content-Strategie entwickeln). Macht dann automatisch eine Slideshow, postet sie – aber ohne vorher zu fragen, was der Creator davon hält. Gleicher Screenshot-Upload-Fehler wie OpenClaw, aber Code wirkt nicht so selbstständig: Es fordert den User auf, den App-Screenshot selbst ins Folder zu legen statt ihn aus dem Chat zu übernehmen wie OpenClaw. Code-Plan kostet $20/Monat. Wahrscheinlich ähnliche oder leicht niedrigere API-Kosten (~$5).

  Scheduled Tasks – das Kernproblem:

  OpenClaw postet am nächsten Morgen automatisch um 9:02 Uhr völlig autonom. Claude Code-Tasks laufen nur, wenn der Computer aktiv ist – nicht im echten Hintergrund. Das ist der Gamechanger: OpenClaw fühlt sich wie ein echter AI-Employee an, der nachts arbeitet. Code ist eher ein Workflow-Tool, das Automation simuliert, aber nicht autonomous läuft.

  Fazit:

  OpenClaw gewinnt für echte Autonomie und Agentic-Verhalten. Code ist sicherer (da lokal, kein VPS-Risiko) und schneller zum Starten, aber kein echter Agent – eher eine Automation-Anwendung. Der Creator würde OpenClaw für solche 24/7-Szenarien wieder wählen.

  Plattformen & Tools: OpenClaw, Claude Code (Claude 3.5 Sonnet Backend), Hostinger VPS, Replicate (Nano Banana Pro), Post.is, Telegram, TikTok-API — Deep-Dive Tutorial/Demo mit direktem Vergleich, Anfänger bis intermediate Schwierigkeit.

Nick Saraev (2 neues Videos)

• AI Agents Full Course 2026: Master Agentic AI (2 Hours)
  8.3.2026, 05:01:31

  Zusammenfassung: AI-Agenten – Umfassender Kurs

  Dieser Kurs behandelt praktische Techniken zur Verwendung von AI-Agenten in persönlichen und geschäftlichen Kontexten, nicht theoretische Grundlagen oder spezifische Plattformen. Der Instructor betreibt ein Unternehmen, das über 4 Millionen Dollar pro Jahr mit AI-Agenten generiert.

  Kern-Inhalte

  Demonstration: Fünf parallele AI-Agenten mit eigenen Chrome-Browsern füllen automatisch Kontaktformulare auf Websites aus und führen wirtschaftlich wertvolle Aufgaben durch.

  Agent-Workflow-Loop (beständig anwendbar): Der Loop besteht aus drei Schritten – Observation (Agent liest Kontext, Dateien, Tool-Ergebnisse), Reasoning (Agent plant nächste Schritte) und Action (Agent ruft Tools auf, bearbeitet Dateien). Der Loop wiederholt sich, bis eine „Definition of Done” erreicht ist, dann wird das Ergebnis ausgegeben.

  Plattformen: Codeex (OpenAI), Claude Code (Anthropic) und Anti-Gravity (Google/Gemini) werden jeweils kurz Setup und Stärken/Schwächen erläutert – alle sind ähnlich leistungsfähig (Unterschiede nur wenige Prozentpunkte). Claude hat beste Interpretierbarkeit, Gemini beste Frontend-Design-Fähigkeiten, GPT beste Backend-Programmierung.

  Selbstmodifizierende System-Prompts (agents.mmd / claude.mmd / gemini.mmd): Eine Datei am Anfang des Kontexts enthält eine wachsende Liste gelernte Regeln. Wenn der Agent korrigiert wird, aktualisiert er diese Datei – beim nächsten Session liest er die Regeln und vermeidet Fehler proaktiv.

  Multi-Agent-MCP-Orchestration: Ein Manager-Agent (z.B. Claude) delegiert Tasks an spezialisierte Agenten (Gemini für Frontend, Codeex für Backend), führt die Ergebnisse zusammen.

  Video-to-Action-Pipelines: Gemini versteht Videos nativ, extrahiert Schritt-für-Schritt-Anleitungen und sendet sie an Claude, der diese in reale Aktionen umsetzt (z.B. N8N-Workflows bauen nach YouTube-Tutorial).

  Stochastische Multi-Agent-Consensus: Mehrere (z.B. 10) Agenten erhalten die gleiche Frage mit leicht variierten Prompts parallel, alle zusammen durchsuchen mehr des „Suchraums” möglicher Antworten als ein einzelner Agent – Mode und Median werden berechnet, Consensus-Ideen plus Outlier-Ideen entstehen.

  Agent-Chat-Rooms: 5 Agenten mit unterschiedlichen Persönlichkeiten (z.B. Systemdenker, Pragmatiker, Skeptiker) debattieren ein Problem in einem gemeinsamen chat.json, erarbeiten nuancierte, hochwertige Lösungen durch Dialog statt Parallelisierung.

  Sub-Agent-Verification-Loops: Ein Agent implementiert, ein zweiter Agent reviewt das Output (mit frischem Context, keine Bias), ein dritter Agent korrigiert – damit höhere Qualität durch unvoreingenommene Bewertung.

  Prompt-Contracts: Vor einer Task zwingt ein Skill den Agenten, ein Mini-Vertrag zu generieren (Ziel, Constraints, Output-Format, Fehler-Bedingungen) – definiert „Definition of Done” präzise.

  Reverse-Prompting: Agent stellt dem User 5 Fragen, bevor er implementiert – surfaced versteckte Annahmen, verbessert One-Shot-Rate.

  Kontext-Management & Token-Effizienz: Context-Fenster sind begrenzt (200K–1M Token), Qualität sinkt bei mehr Tokens. Statt alles einzuladen, nutzen Agenten Tools (read, grep, web fetch, bash) um selektiv Informationen zu laden. YAML-Front-Matter bei Skills speichert nur Metadaten, nicht den Full-Skill. Icebergs-Technik: 10–30% für ständig zugänglichen Context (Memory, Local claude.md, aktive Tasks), 70–90% als Tools-basierter On-Demand-Zugriff.

  Modell-Auswahl & Cost-Optimization: 60/30/10-Rule – 60% der Tasks mit günstigen Modellen (Haiku, Flash), 30% mit Mid-Tier (Sonnet), 10% mit Premium (Opus). Router-Agent (Premium) delegiert. Batch-APIs bieten rabattierte Preise für verzögerte Verarbeitung.

  Multi-Agent-Chrome-MCP: Orchestrator spawnt 10+ parallele Chrome-Instanzen, jede mit eigenem MCP-Server und Workspace, alle Agenten füllen Forms/scrapen Websites parallel – statt 2–3 Min pro Form nun dutzende parallel in gleicher Zeit.

  Anwendete Plattformen & Tools: Claude Code, Codeex (OpenAI), Anti-Gravity/Gemini, MCP (Model Context Protocol), N8N (Workflow-Builder), Skills als Repeatable Workflows — Format: Deep-Dive Tutorial mit Demos, für Anfänger ohne Programmier-Erfahrung zugänglich gestaltet, aber fortgeschrittene Architekturen (Orchestration, Verification Loops, Context Optimization) behandelt.

• CLAUDE SKILLS FULL COURSE: Automate Your Work (2026)
  2.3.2026, 23:09:11

  Zusammenfassung: Skills für AI-Agenten im Business

  Der Creator betreibt ein Geschäft mit über 4 Millionen Dollar Jahresgewinn, das er primär durch AI-Agenten und sogenannte „Skills” verwaltet. Skills sind im Grunde die Weiterentwicklung von Standard Operating Procedures (SOPs) für AI-Agenten – statt Checklisten für Menschen sind sie strukturierte Anweisungen für KI-Systeme.

  Fünf praktische Business-Skills, die der Creator verwendet:

  1. Lead Follow-up-Automation: Durchsucht alle Emails und Gesprächshistorien, identifiziert Leads in verschiedenen Pipeline-Stadien und sendet automatisch personalisierte, beiläufig klingende Follow-ups mit Kontext aus bisherigen Konversationen – alles in einem Durchgang, statt manuell jede Person anzuschreiben.
  1. Thumbnail-Generator: Erzeugt mehrere Varianten einer bestimmten Bildkomposition (z.B. eines bestimmten Schauspielers) durch Gesichtserkennung und realistische Überlagerung, um die beste Variante auszuwählen.
  1. Lead-Scraping von LinkedIn Sales Navigator: Erstellt automatisch Google Sheets mit gefilterten B2B-Leads (nach Jobtitel, Standort, Senioritätsebene, Branche) inklusive Email-Adressen direkt von LinkedIn Sales Navigator innerhalb weniger Minuten mit hoher Zustellbarkeit.
  1. Cold-Email-Kampagnen-Generator: Automatisiert das Schreiben von Cold-Email-Kampagnen basierend auf Kundendetails – dupliziert bestperformende vorhandene Kampagnen, schreibt sie für die neue Nische um und richtet alles in der Email-Plattform ein (vorher 30–60 Minuten, jetzt Minuten).
  1. Website-Builder: Erstellt hochwertige, personalisierte Websites basierend auf Anforderungen, deployt sie auf Netlify und ermöglicht es, diese als Lead-Magnet oder Outreach-Tool zu versenden – besonders wertvoll, weil Prospects solche Tools meist nicht haben.

  Bonus-Skills (persönliche Aufgaben):

  • WeWork-Buchung: Automatisiert tägliche Desk-Bookings für die nächsten 30 Tage durch HTTP-Requests im Browser
  • Amazon-Shopping-Assistent: Vergleicht Produkte (z.B. Zahnseide) nach Preis und Effektivität, erstellt personalisierte Kaufempfehlungen

  Wie man Skills erstellt:

  Skills werden als Markdown-Dateien (.md) organisiert. Der Process: (1) Besorgt sich die kostenlose skillspec.md aus dem Link in der Videobeschreibung, die die vollständige Skill-Definition und Struktur enthält. (2) Trägt diese als claude.md in den Workspace ein (wird automatisch vorangestellt). (3) Beschreibt die gewünschte SOP dem Agent in natürlicher Sprache (Voice oder Text). (4) Der Agent erstellt die skill.md mit Frontmatter (zusammengefasste Metadaten in drei Bindestrichen), detaillierter Anleitung, Zielen und zugelassenen Tools. (5) Agent testet den Skill end-to-end. (6) Bei Laufzeit-Problemen repariert der Agent die Skill automatisch selbst.

  Struktur im Dateisystem:

  Skills liegen versteckt unter .claude/skills/[skill-name]/skill.md (auf macOS mit Shift+Cmd+. sichtbar). Optional können zusätzliche Dateien wie Python-Skripte und API-Token im Ordner liegen.

  Wichtiges Konzept – Skill Matching & Progressive Disclosure:

  Der Agent scannt die Skill-Beschreibungen und lädt nur die relevante skill.md ins Kontext-Fenster, wenn sie aufgerufen wird. Das spart Tokens und Kosten – ein Sicherheitsmechanismus, der Effizienz und Output-Qualität erhöht.

  Demo: Inbox-Cleaner-Skill (Step-by-Step)

  Der Creator demonstriert live das Erstellen eines Skills, der ungelesene Emails durchgeht, automatisch generierte/Service-Emails identifiziert und als gelesen markiert, während personalisierte, Custom-Emails hervorhebt. Der Agent plan automatisch den Build, schreibt das Skript, extrahiert 97 unwichtige Emails aus mehreren tausend – alles in wenigen Sekunden. Der Nutzer kann das Verhalten anpassen (z.B. „1.000 Emails statt 100″), ohne den Skill neu zu schreiben.

  Drei weitere Live-Builds:

  1. Meeting-Notes-to-Action-Items: Verarbeitet Transkripte, extrahiert Entscheidungen, offene Fragen, Kontaktinformationen – reines SOP ohne Code.
  2. Invoice-PDF-to-JSON-Extractor: Nutzt Python-Skript zur strukturierten Extraktion von Vendor, Summe, Datum, Zeilenposten, Steuern.
  3. Content-Repurposer: Konvertiert ein YouTube-Transkript parallel in Tweet-Threads, LinkedIn-Posts und Newsletter-Entwürfe – zeigt Template- und Parallel-Processing-Möglichkeiten.

  Kritische Einsicht zu Skills-Priorisierung:

  Viele Demo-Videos zeigen glamouröse Backend-Automatisierungen, verfehlen aber den Punkt. Erfolgreiche Businessnutzer konzentrieren sich auf Frontend-Tasks: Lead-Akquisition, Lead-Generierung, Sales-Verbesserung, Sales-Closing – nicht auf Komplexität um der Komplexität willen. Skills für Content-Repurposing, Lead-Scraping, automatisierte Posting-Systeme und Expense-Tracking bringen ROI. Skills zum Bauen von anderen Skills oder AGI-Frameworks nicht. Der Fokus: Praktische Use-Cases, die echtes Geld verdienen.

  Das Video behandelt Claude Code (mit Anthropic-APIs), Gemini und generische Agent-Plattformen; zeigt konkrete Business-Skills von Grund bis zur Implementierung — Demo mit Schwerpunkt auf praktische Anwendbarkeit für kleine und mittlere Unternehmen.

Niklas Steenfatt (2 neues Videos)

• Wow!!
  5.3.2026, 15:02:45

  Der Creator zeigt eine Live-Demo von Horizons, einem neuen Tool von Hostinger, das es ermöglicht, komplette Webanwendungen nur durch einen Textprompt zu erstellen. Im Gegensatz zu bisherigen Lösungen baut Horizons vollständige Fullstack-Apps inklusive Frontend, Backend, Datenbank und Benutzerverwaltung – ohne dass der Nutzer manuell Server-Konfigurationen, Credentials oder Terminal-Befehle eingeben muss.

  Als praktisches Beispiel erstellt der Creator einen Schengen-Visum-Tracker für seine Freundin: eine App, mit der Nutzer ihre Aufenthaltstage in Europa eintragen können (vergangene und geplante), die dann automatisch berechnet, wie viele Tage sie innerhalb eines 180-Tage-Fensters im Schengen-Raum verbracht haben, und eine animierte Grafik anzeigt, die den aktuellen Status visualisiert. Die App enthält Benutzerkonto-Verwaltung, responsive Design und Test-/Production-Datenbanken.

  Der gesamte Prozess dauert etwa 3–4 Minuten: Horizons generiert nicht nur die Anwendung, sondern auch eine Landing Page, erstellt automatisch Benutzer- und Datenbanktabellen, und die App kann direkt veröffentlicht werden. Der Creator kann sie über eine Domain (im Demo-Fall kostenlos dabei) online stellen. Die fertige App wird von seiner Freundin direkt getestet und funktioniert ohne Probleme. Der Creator betont, dass dies ein Durchbruch für Nicht-Programmierer ist – nicht für professionelle Entwickler – und ermöglicht es jedem, Geschäftsideen technisch umzusetzen.

  Hostinger Horizons (vollstack KI-App-Builder), Demo-Format.

• OpenClaw hat mein Leben verändert (5 krasse Beispiele)
  1.3.2026, 17:08:55

  Zusammenfassung: OpenCore – 5 echte Use Cases jenseits des Hypes

  Der Creator kritisiert zunächst die populären, aber nutzlosen OpenCore-Anwendungen wie Morning Briefings oder Task-Manager-Dashboards — Dinge, die man auch in Kalender-Apps oder durchs Fenster sehen kann. Nach anfänglicher Euphorie und Ernüchterung hat er fünf substanzielle Use Cases identifiziert:

  1. Workflow Automation: OpenCore automatisiert repetitive Aufgaben deutlich einfacher als klassische Tools wie n8n — etwa Rechnungen in Datenbanken einzuordnen, YouTube-Posts überwachen oder wöchentliche Zusammenfassungen schreiben. Seine Faustregel: n8n für skalierte, eng definierte Prozesse (sicherer, zuverlässiger); OpenCore für weniger kritische, “menschlicher anfühlende” Vorgänge. Der Vorteil: Das Sprachmodell entscheidet selbst, welche Schritte nötig sind — man muss nicht alles exakt vordefinieren.

  2. Systematische Internetrecherche: Der Assistent kann gezielt Subreddits, spezifische Twitter-Accounts, Blogs und komplette YouTube-Videos durcharbeiten. Der Creator nutzt dafür Skills wie Reddit-Scanning, Grok-API-Integration und YouTube Data API sowie Superdata zum Transkribieren. Das Resultat: täglich maßgeschneiderte Briefings zu KI-Themen (nicht morgens, und ohne Wetter/Emails).

  3. WordPress-Verwaltung: OpenCore kann WordPress-Inhalte und technische Änderungen automatisiert durchführen — Plugins aktualisieren, Fehler beheben, sogar komplexere technische Aufgaben lösen. Der Creator gibt dem Bot SSH-Zugriff auf den Server und nutzt Staging-Environments für Sicherheit: Der Bot macht Änderungen auf der Staging-Version, sendet Bescheid (z.B. via Telegram), und nach Freigabe werden diese live geschaltet.

  4. Vibe Coding — durchgehende App-Entwicklung: OpenCore bedient per SSH die Codeium CLI und arbeitet rund um die Uhr an Projekten weiter, während der Creator schläft. Feedback kommt per Sprachnachricht übers Telegram — viel flüssiger als ständiges Warten auf GPT-Antworten. Der Creator entwickelt derzeit so eine echte App, die später echten Umsatz generiert.

  5. Telegram-gesteuerte Kontrolle aller Tools: Statt jedes Mal ChatGPT zu öffnen, steuert der Creator über Sprachnachrichten sein Notion, recherchiert im Internet, prüft YouTube-Stats oder spricht mit der KI. Die Messaging-App macht es unbürokratischer und macht mehr Spaß.

  Fazit: OpenCore ist kein neues KI-Modell, sondern kombiniert einfach bestehende LLMs mit Tool Calling, Agentic Loops und Cronjobs — aber das Ergebnis fühlt sich “wie pure Magie” an. Der Creator betont, dass OpenCore von der Open-Source-Community kommt (nicht von Big-Tech), und der realistischere Pitch ist: “Ich kann alle meine Tools per Sprachnachricht bedienen” statt “KI-Team macht dich übers Nacht zum Milliardär.” Bonus: Es ist okay, wenn Tools Spaß machen — auch kreative Dinge wie täglich von der KI gemalte historische Bilder haben Wert.

  Demo/Meinung zu OpenCore mit praktischen Walkthroughs (SSH, WordPress-Staging, Telegram-Integration, Codeium-Automatisierung), Schwerpunkt auf Workflow-Automation und Developer Use Cases.

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

Keine neuen Videos in diesem Zeitraum.

Productive Dude (2 neues Videos)

• Claude Code Tutorial: 21 Essential Tips (Beginner to Pro!)
  6.3.2026, 15:00:07

  21 Tipps zum App-Entwickeln und Deployment mit Claude Code (2026)

  Das Video richtet sich an Anfänger und Nicht-Tech-Profis, die ihre Idee mit KI-Unterstützung in 24 Stunden umsetzen möchten. Der Autor teilt konkrete Erfahrungen aus seinem Community-Projekt (z.B. Nutzer, die $1.500 Upfront für ihre App erhalten haben) und gliedert die Tipps in drei Bereiche.

  Anfänger-Tipps (1–7)

  1. Warp Terminal nutzen statt alter Terminal-Tools – kostenlos, mit Tab-Management und Command-Search
  2. Terminal-Grundbefehle lernen: cd (Change Directory), mkdir (Make Directory), ls (List)
  3. Projects-Ordner erstellen zur Organisation
  4. Diktierfunktion nutzen (Whisper Flow) statt manuelles Tippen von Prompts
  5. Starter Suite installieren: Paketmanager (Brew/Choco/Winget), Git, GitHub, ASDF, Node/npm, VS Code – dafür gibt es einen Step-by-Step-Guide auf der Website
  6. Erstes Projekt erstellen (Demo: “Recall” – eine KI-Memory-App)
  7. App planen: Mit Claude (nicht Claude Code) und einem Whiteboard-Tool (Excalidraw) die Architektur skizzieren; Claude liefert Stack-Optionen und ein Architektur-Diagramm

  Wichtig: Nicht alles auf einmal mit Claude bauen – Inkrementelle Entwicklung nutzen (Homepage → Login → Sidebar → Schritt für Schritt).

  Entwicklungs-Tipps (8–14)

  1. Claude das Projekt scaffolden lassen – Umgebung vorbereiten, ohne sofort Code zu schreiben; mit Web-Search für aktuelle Stack-Infos
  2. Claude zeigen, wie man das Projekt startet – exakte Befehle und Localhost-Link erhalten
  3. Tunnel zum Public-Facing Domain via Ngrok: Port 4000 → custom Domain (z.B. recall.ngrok.app), sodass APIs zugänglich sind
  4. Konsistenz-/Style-Seite bauen: Claude generiert 10 verschiedene Designs (Farbschemas, Fonts, Dropdowns etc.), man wählt eines (z.B. “Paper Stack”), Claude erstellt dafür einen Tailwind-Prompt; dann /style-Route anlegen, um alle Komponenten zu sehen
  5. Claude Fehler beheben lassen: z.B. Browser-Dropdowns stylen, Scrollbar-Breite anpassen – Claude kann die Live-App im Browser überprüfen
  6. Environment-Variablen einrichten: Zwei Typen – Feature Flags (z.B. Style-Page nur lokal sichtbar) und API-Keys/Credentials; .env.example (öffentlich) vs. .env (geheim); Feature Flags in Code implementieren, um Funktionen je nach Umgebung zu aktivieren/deaktivieren
  7. Git-Versionierung: Main-Branch als Trunk, separate Branches (z.B. “login”, “search”) pullen Main, ändern lokal, dann zurück mergen; Initial-Commit mit Claude erstellen; .env-Datei ins .gitignore

  Deployment-Tipps (15–21)

  1. Hosting-Anbieter wählen: Simple APIs/Voice Agents → Railway; Static Sites → Netlify; Production → AWS; für Elixir/Phoenix → Fly.io; Claude kann Optionen abwägen
  2. CLI-Tool des Hosts nutzen (z.B. fly für Fly.io): Claude kann damit die App auf der Plattform deployen; fly help zeigt alle Befehle
  3. GitHub Actions für Auto-Deployment: Einfacher Workflow, der bei Git-Version-Tag-Bump auslöst (nicht bei jedem Push zu Main); Fly API Secret in GitHub hinterlegen, Claude gibt die genauen Schritte
  4. Production-Environment-Variablen setzen via CLI und Claude; lokal testen in .env, dann via Kommando in Produktionsumgebung hochladen
  5. Kleine Verbesserungen während Entwicklung: Neue Branches (z.B. “homepage-improvements”), kleine Änderungen machen, committen, Version bumpen, mergen, GitHub Action triggern
  6. Waitlist-Seite bauen: Formular mit ausreichend Feldern, um gute Kandidaten zu identifizieren; kostenlosen Zugang für erste 10 Nutzer geben, beobachten, Feedback sammeln; dann auf Annual-Plan mit speziellem Preis (z.B. $1.500 Upfront) umsteigen
  7. Go-to-Market-Strategie: Cold Emails (Tools: Instantly + Apollo); LinkedIn Demos + Networking; Facebook-Gruppen-Posts; YouTube-Videos wie dieses

  Fazit des Autors: Mit dieser Vorgehensweise können Anfänger ihren ersten zahlenden Kunden innerhalb von Tagen bis Wochen bekommen.

  Explizit erwähnte Tools/Anbieter: Claude Code, Warp (Terminal), Brew, Choco, Winget, Git, GitHub, ASDF, Node, npm, VS Code, Whisper Flow, Excalidraw, Ngrok, Tailwind, Railway, Netlify, AWS, Fly.io, GitHub Actions, Instantly, Apollo — Format: Tutorial/Anleitung mit Schritt-für-Schritt-Demo — für absolute Anfänger konzipiert.

• 6 Essential AI Tools for 2026 (don’t fall behind)
  4.3.2026, 17:23:33

  Die sechs besten AI-Tools 2026

  Das Video stellt sechs Werkzeuge vor, die der Creator nach eigenen Angaben nach hunderten Stunden Recherche zusammengestellt hat:

  11 Labs – Ein Sprach-Tool zum Klonen der eigenen Stimme mit weniger als 10 Sekunden Audio, um Voiceovers für Präsentationen, Hörbücher oder Videos zu generieren. Zusätzlich bietet 11 Labs vorgefertigte Stimmen, Sound-Design und einen Musik-Generator. Der Creator nutzt den $22/Monat Creator-Plan.

  Claude Code – Ein Terminal-basiertes Interface zu Claude, das lokale Tools ermöglicht. Der Creator nutzt es etwa zur Analyse von Kontoauszügen, zum Erstellen von Websites für Kunden oder zum Abrufen von YouTube-Transkripten über sein selbst gebautes YTR-Tool. Er zahlt $200/Monat für den Claude Max-Plan.

  Whisper Flow – Eine Transkriptionssoftware, die Mikrofon-Audio in Echtzeit bereinigt und in beliebige Text-Felder (z.B. ChatGPT, Dokumenteditoren) einfügt; erreichbar via F5-Tastenkombination. Kostet $15/Monat.

  N8N – Eine No-Code-Automation-Plattform mit Drag-and-Drop-Workflows. Der Creator nutzt sie für Content-Automatisierung (KI-generierte Kurzvideos), Blog-Automatisierung und verkauft diese Automationen an Kunden. N8N ist open-source und kann kostenlos lokal oder auf günstigen Servern gehostet werden.

  Open Router – Ein Aggregator für 627 AI-Modelle mit Zugang zu neuesten Releases (z.B. Google Gemini 3.1 Pro Preview). Funktioniert auf Pay-as-you-go-Basis mit Gutschriften.

  Lerty.ai – Ein Tool des Creators, das mehrere AI-Agenten zentralisiert verwaltet. Es ermöglicht Custom-Datenbanken, Datei-Uploads, Dashboards und Integration mit anderen Tools wie N8N. Lerty kann für persönliche Nutzung, Agenturen und Kunden-Automationen konfiguriert werden und bietet verschiedene Abo-Stufen sowie ein Invite-only-Programm mit Zugang zu privatem Slack.

  Der Creator bietet zusätzlich Kurse auf foundations.io und eine Community an.

  Thematisiert: 11 Labs, Claude (Anthropic), Whisper Flow, N8N, OpenAI (erwähnt kritisch), Google Gemini, Open Router, Lerty.ai; Format: Roundup.

Sebastien Dubois (3 neues Videos)

• This Obsidian Plugin Lets You Go Back in Time Through Your Notes ⏰
  3.3.2026, 13:35:55

  Time Machine Plugin für Obsidian

  Das Time Machine Plugin erweitert Obsidians integrierte File Recovery-Funktion, die automatisch Snapshots von Notizen erstellt. Während das Core Plugin diese Versionen als Liste anzeigt und nur Vollwiederherstellungen oder Datenkopien ermöglicht, bietet Time Machine eine verbesserte Timeline-Ansicht zum Navigieren durch frühere Versionen — mit dem entscheidenden Vorteil, dass einzelne Änderungen aus einem Snapshot wiederhergestellt werden können, statt die gesamte Note zurückzusetzen.

  Ein zusätzliches Merkmal ist die Git-Integration: Das Plugin kombiniert File Recovery-Snapshots mit Git-Commits in einer einzigen Timeline, falls Git verwendet wird. Nutzer können so Änderungen wahlweise von den automatischen Snapshots oder von ihren Git-Versionen zurückzuholen. Die Timeline wird mit verschiedenen Notizen geladen und zeigt ihre jeweilige Änderungshistorie — praktisch für den schnellen Zugriff auf frühere Versionen ohne die Standard-Recovery-UI von Obsidian zu nutzen.

  Das Plugin richtet sich an Nutzer, die Wert auf flexiblere Versionsverwaltung legen oder bereits Git für ihre Notiz-Repositories einsetzen.

  Demo eines Obsidian-Community-Plugins.

• How I Track and Connect Every Book I Read in Obsidian
  3.3.2026, 09:30:09

  Obsidian-System zum Verwalten von Büchern und Lesenoten

  Der Creator zeigt sein Obsidian-System zur Verwaltung von Büchern und zum Erfassen von Lesenoten. Das Herzstück ist eine Obsidian-Datenbank, die alle Noten mit dem Tag „type/book” filtert und mehrere Ansichten bietet: eine Listen-Ansicht für aktuell gelesene Bücher mit Metadaten wie Autor, Seitenzahl und Lesebeginn; eine Karten-Ansicht mit Buchcover-Bildern für etwa 200 erfasste Bücher; und eine Tabellen-Ansicht zum Sortieren, Filtern und Bewerten nach Status (gelesen, möchte lesen, möchte erneut lesen).

  Jeder Bücher-Eintrag ist eine eigenständige Note, die nicht nur Metadaten enthält, sondern auch die während des Lesens aufgezeichneten Erkenntnisse. Der Mehrwert liegt darin, dass diese Noten durch Links mit anderen Noten im Obsidian-Vault verbunden sind und so ein Wissensgraph entstehen. Besonders wertvoll ist es, zentrale Ideen aus den Büchern als separate Noten zu erfassen – wie beispielsweise das Konzept, dass positive Emotionen ein aktiver Bestandteil von Resilienz sind – um diese später in verschiedenen Kontexten aufrufen und mit anderen Themen verknüpfen zu können. Dies unterscheidet sich grundlegend von reinen Highlights in Papierbüchern oder unverbundenen Notizen.

  Der Creator erwähnt, dass solche strukturierten Wissensbasen auch mit KI-Tools zusammenarbeiten können, indem man dem KI-Modell Zugriff auf diese Noten gibt und ihr damit hochwertige Kontextinformationen liefert – etwa für Empfehlungen zum nächsten Buch oder Hinweise auf Lücken in den bisherigen Erkenntnissen.

  Format: Tutorial (Meinung/Reflexion) – keine AI-Tools/Modelle explizit genannt.

• Publish to Social Media Directly from Obsidian — Typefully Plugin v3
  3.3.2026, 08:51:12

  Type Fully Obsidian Plugin – Demo

  Der Creator zeigt sein selbst entwickeltes Type Fully Plugin für Obsidian, das es ermöglicht, Notizen direkt aus Obsidian zu Type Fully zu publishen und auf verschiedene Social-Media-Netzwerke zu verteilen.

  Installation und Setup: Das Plugin wird über die Community Plugins in Obsidian installiert. Nach der Installation trägt man seinen API-Key ein (den man von Type Fully erhält) und aktiviert/deaktiviert dann in den Einstellungen die gewünschten Plattformen zum Veröffentlichen.

  Publish-Funktionen: Durch Rechtsklick auf eine Note oder Textauswahl kann man entweder die aktuelle Auswahl oder die ganze Note zu Type Fully als Draft senden. Alternativ nutzt man die Kommandopalette (Ctrl+P), um auf ein Dashboard zuzugreifen, das alle Drafts, Posts, die Warteschlange und geplante Beiträge anzeigt.

  Management: Aus dem Plugin heraus kann man Drafts bearbeiten, Plattformen auswählen, sofort publishen oder neue Drafts erstellen und für bestimmte Zeitpunkte planen. Im Dashboard sieht man bereits veröffentlichte Posts und kann die Scheduling-Zeiten konfigurieren.

  Der Creator betont, dass das Plugin seinen Workflow vereinfacht – er kann Gedanken in seiner Obsidian-Wissensdatenbank sammeln und von dort aus direkt zur Veröffentlichung entscheiden, ohne die App zu wechseln.

  Type Fully Plugin für Obsidian, Demo.

Simone Rizzo (3 neues Videos)

• GPT-5.4 spiegato bene: cosa cambia davvero
  6.3.2026, 12:07:24

  Zusammenfassung: GPT-5.4 – Die wichtigsten Neuerungen

  OpenAI hat GPT-5.4 freigegeben. Die wichtigsten Features sind:

  Native Desktop-Automation: Das Modell kann erstmals nativ Desktop-Interfaces steuern – klicken, scrollen, Formulare ausfüllen. In der Demo werden CSV-Daten automatisiert in ein Formular eingetragen, was komplexe Workflows über mehrere Anwendungen hinweg ermöglicht.

  1 Million Token Context Window: Die Input-Kapazität wurde massiv erhöht.

  Verbesserte GUI-Navigation: Beim Benchmark OSW Verified erreicht GPT-5.4 eine Erfolgsquote von 75% – besser als Menschen (72,4%) und deutlich über der Vorgängerversion (47,3%).

  Streaming während des Denkens: Man kann dem Modell Nachrichten schreiben, während es noch logisch rechnet, ohne auf die Completion zu warten.

  Tool Search: Ein neuer Mechanismus, der automatisch relevante Tools auswählt, statt alle Tool-Definitionen im Prompt zu laden – spart etwa 50% Tokens bei gleicher Genauigkeit.

  Knowledge Work Benchmarks: Auf dem GDP-Val-Benchmark erreicht GPT-5.4 Pro 69,2% Win Rate gegen Industrie-Experten (über 44 verschiedene reale Office-Tasks: Präsentationen, Tabellenkalkulationen, Orderbearbeitung, Kalenderplanung).

  Coding & Design: Deutliche Verbesserungen bei GUI-Design und Spielentwicklung; auf dem agentic-tool-coding-Benchmark steigt die Performance auf 54,6% (vorher 47%), mit höherer Genauigkeit bei weniger Tool-Aufrufen.

  Preisgestaltung: Standard-Version $2,50/$15 pro Million Tokens (Input/Output), Pro-Version deutlich teurer ($30/$180).

  Independent Benchmarks: Auf Artificial Analysis teilt sich das Modell den ersten Platz mit Gemini 3.1 Pro Preview (allerdings mit höherer Latenz). Bei ARC-2 erreicht GPT-5.4 Pro 83,3% (Gemini 3D Pink 84,6%). Verglichen mit Claude Opus: GPT-5.4 ist bei OS World Verified (75 vs. 72), GDP Val (83 vs. 78) und Browser Comp (82 vs. 84) konkurrenzfähig – je nach Use-Case unterscheiden sich die Stärken (Claude besser bei Design und bestimmten Coding-Tasks, GPT besser bei kreativen Aufgaben und Office-Work).

  Das Modell wird schrittweise für ChatGPT und APIs freigelegt. Der Video-Autor empfiehlt, anstatt allgemeine Vergleiche zu machen, eigene Test-Sets für den persönlichen Use-Case zu erstellen, da alle Top-Modelle mittlerweile sehr ähnlich leistungsstark sind.

  Tools/Anbieter: OpenAI (GPT-5.4), Claude/Anthropic, Google Gemini – News-Update mit Benchmark-Vergleich.

• La nuova IA locale GRATUITA di Qwen 3.5 è FOLLE!
  5.3.2026, 17:42:08

  Qwen hat eine neue Familie von Sprachmodellen in verschiedenen Größen veröffentlicht – von 0,8 Milliarden bis 9 Milliarden Parametern – die auf Consumer-Hardware wie Smartphones, Edge-Geräten und normalen Laptops ohne GPU laufen. Das Flaggschiff Qwen 3.5 mit 9 Milliarden Parametern belegt nur 10 GB RAM und erreicht Performance-Level, die mit GPT 4 Omni (120 Milliarden Parameter) vergleichbar sind – eine 13-fach größere Variante. Diese Modelle sind multimodal, verarbeiten also Text und Bilder, und nutzen eine neue Architektur namens Gated Deltanet plus Gated Attention Hybrid, die linear anwachsenden Speicherbedarf ermöglicht und nativ 256.000 Input-Token verarbeitet. Qwen erzielte diese Effizienz durch Destillation von einem 397-Milliarden-Parameter-Mixture-of-Experts-Modell. Die GGUF-Varianten ermöglichen sogar die Ausführung auf nur 6 GB RAM auf einem Mac.

  Die schlechte Nachricht: Forschungsteams innerhalb von Qwen verlassen das Unternehmen, da sie sich mit der Produktverantwortung nicht einig sind. Alibaba, das Mutterunternehmen, plant offenbar, Qwen stärker als Produkt zu positionieren und weniger in Open-Source-Forschung zu investieren – was bedeutet könnte, dass Qwen künftig keine kostenlosen Open-Source-Modelle mehr veröffentlicht. Bisher war die kostenlose Verfügbarkeit der Grund für Qwens Popularität unter Forschern und Entwicklern.

  Demo mit Ollama und Anwendung: Im Video wird gezeigt, wie man Modelle über die Terminal-Kommandozeile mit Ollama herunterladen und starten kann – beispielsweise das kleinste Modell direkt im Terminal nutzen oder über die Ollama-App auswählen. Auf einem Mac mit 24 GB einheitlichem RAM laufen sogar 27-Milliarden-Parameter-Modelle flüssig.

  Thematisiert: Qwen / offene Modelle — News-Update mit erheblichen technischen Implikationen.

• Ho insegnato ad un LLM a creare oggetti 3D
  4.3.2026, 15:27:40

  Rizzo Mesh – Ein Projekt zum Fine-Tuning von Large Language Models für 3D-Objektgenerierung

  Das Video präsentiert Rizzo Mesh, ein didaktisches Projekt zur Demonstration, wie man ein großes Sprachmodell (LLM) durch Fine-Tuning darauf trainiert, 3D-Objekte zu generieren. Der Ansatz nutzt das textbasierte OBJ-Dateiformat als Brücke: Anstatt dass das Modell direkt 3D-Geometrie erzeugt, produziert es Text in OBJ-Syntax (Vertices mit Koordinaten und Faces, die sie verbinden), der anschließend zu visualisierbaren 3D-Objekten konvertiert wird.

  Technische Optimierungen: Um die Trainingseffizienz zu erhöhen, wurden zwei Schlüsseltechniken angewendet – Quantisierung (Umwandlung von Floating-Point-Koordinaten in Integer-Werte, was die Tokenmenge etwa halbierte) und Low-Poly-Konvertierung (Vereinfachung hochdetaillierter Modelle zu Versionen mit weniger Vertices und Faces). Dadurch sank die durchschnittliche Dateigröße von ca. 7.700 auf ca. 4.700 Token pro Objekt.

  Dataset-Erstellung: Das Projekt nutzte ~50.000 3D-Objekte aus öffentlichen Quellen (z.B. Thingiverse). Für jedes Objekt wurde ein Rendering erstellt, dieses in mehreren Blickwinkeln fotografiert und durch das Multimodal-Modell Gemini automatisch beschrieben (Captioning). Diese Beschreibungen bildeten die Grundlage für die Trainings-Paare (Nutzer-Input: „Erstelle ein 3D-Objekt eines Stuhls” → Modell-Output: quantisierte OBJ-Syntax). Das finale englischsprachige Dataset kombinierte 3D-generative Tasks mit generischen Benchmark-Tasks (MMLU, SV Bench), um die vorhandenen Fähigkeiten des Modells zu bewahren.

  Training & Deployment: Das Training erfolgte auf einer GPU (H200 mit 140 GB VRAM) mittels LoRA (effizientes Adapter-Training). Nach ca. 49 Stunden und ~300 Dollar an Cloud-Kosten wurde ein Basismodell aus der Gemma-Familie angepasst. Das trainierte Modell wurde auf Hugging Face hochgeladen, in das GGUF-Format konvertiert und auf Q4-Quantisierung reduziert, sodass die 8-Milliarden-Parameter-Variante nur noch 4,92 GB Speicher benötigt und auf einem Laptop (MacBook) lokal lauffähig ist.

  Frontend & Demonstration: Mit LM Studio wurde der Modell lokal als OpenAI-kompatibler Server bereitgestellt. Über Claude Code wurde eine HTML/JavaScript-Web-App generiert, die die Live-Generierung visualisiert – Vertices und Faces werden sukzessive auf dem Bildschirm aufgebaut und können als OBJ-Datei exportiert werden. Die Demo zeigt, dass das Modell erkennbare Formen (Stühle, Pyramiden, Würfel) erzeugt, wenn auch nicht perfekt.

  Wichtige Einschränkung: Das Projekt ist ein Proof-of-Concept-Training mit reduzierter Datenmenge und begrenzte Epochen. Es erzeugt nur Meshes ohne Texturen oder Materialien und ist nicht vergleichbar mit State-of-the-Art-Modellen wie denjenigen von Trelis oder Microsoft, die auf Diffusions-Modellen basieren.

  Das Projekt zeigt Gemini als Haupt-AI-Tool zur automatischen Caption-Generierung sowie LoRA für effizientes Fine-Tuning; es ist ein Tutorial/Demo-Format mit Schwerpunkt auf die praktische Implementierung eines Fine-Tuning-Workflows.

Tech With Tim (3 neues Videos)

• Blitzy Is The Best Coding Platform I’ve Ever Used – Full Walkthrough & Results
  7.3.2026, 13:01:29

  Zusammenfassung: Blitzy – Ein AI-Coding-Agent für Enterprise-Entwicklung

  Der Creator stellt Blitzy vor, einen AI-Coding-Agent, der sich grundlegend von iterativen Tools wie Cursor oder Claude Code unterscheidet. Statt schneller Back-and-Forth-Interaktionen mit dem Nutzer arbeitet Blitzy nach einem anderen Ansatz: Man schreibt einmalig ein detailliertes Spezifikations-Prompt, das Blitzy dann über mehrere Tage hinweg bearbeitet – orchestriert durch tausende kooperativ arbeitende AI-Agenten von verschiedenen großen LLM-Anbietern.

  Workflow und Praxisbeispiel:

  Der Creator nutzte Blitzy über zwei Monate an einer großen, „vibe-codierten” Student-Management-Anwendung. Der Prozess bestand aus:

  1. Code-Basis-Ingestion: Blitzy erzeugt ein mehrere hundert Seiten langes technisches Spezifikations-Dokument und versteht die komplette Architektur.
  2. Dokumentation: Optional, aber empfohlen – Blitzy dokumentiert den Code inline und erstellt Readme-Dateien, was die Grundlage für komplexere Aufgaben bildet.
  3. Refactoring: Ein Prompt mit genauen Zielen (Modularität, Separation of Concerns, Code-Organisation). Blitzy generiert einen Agent Action Plan zur Genehmigung, arbeitet dann ab und liefert einen großen Pull Request (21.000+ Zeilen) mit anschließend zu validierenden Aufgaben.
  4. Neue Features: Der Creator ließ eine komplette Course-Platform bauen – wieder als Backend- und Frontend-PR, insgesamt 61.000 Zeilen Code über ca. 3–4 Wochen.

  Zeitersparnis & Qualität:

  Das Team (3 Personen) hätte geschätzt 150 Stunden Arbeit investieren müssen; mit Blitzy nur etwa 6 Stunden für Validierung, Test und Deployment. Der Code ist hochwertig, erreicht etwa 95 % Zielzustand – kleine Bugs und fehlende Verbindungen (20–30 Min. Debugging) sind zu erwarten. Alle Änderungen laufen live auf der Website.

  Pricing: Kostenlos zum Erkunden; Concept Validation ab 50K, Structured Pilot ab 250K – klar für Enterprises gedacht, nicht für Einzelne.

  Kernvorteil laut Creator: Beseitigung des nervigen, zeitraubenden iterativen Prompting. Stattdessen arbeitet man einmal gründlich an einem detaillierten Prompt, vertraut dem System mehrere Tage, und erhält ein fertiges (validierungsreifes) Ergebnis. Das erlaubt dem Entwickler, seine Zeit auf Architektur und Design statt auf repetitive Code-Schreiberei zu verwenden.

  Limitationen: Nicht als vollständiger Ersatz für Entwickler konzipiert; manuelle Nachvalidierung nötig. Das Tool ist zu komplex und teuer für kleine Teams oder Individual Developer.

  Blitzy (Enterprise-Tool mit orchestrierten AI-Agenten) – Demo/Erfahrungsbericht.

• My Honest Thoughts on AI and the Job Market in 2026 (No Hype)
  5.3.2026, 13:00:52

  Software-Entwicklung 2026: Fünf fundamentale Verschiebungen

  Der Sprecher beschreibt fünf große Veränderungen in der Softwareentwicklung, die seine Sicht auf die Branche grundlegend verändert haben:

  1. Code wird nicht mehr geschrieben, sondern reviewed. Die neuen KI-Modelle produzieren so schnell und in solchen Mengen Code, dass die Bottleneck nicht mehr die KI-Qualität ist, sondern die menschliche Fähigkeit, den generierten Code zu verstehen und zu überprüfen. Der Sprecher warnt: Wenn man 10.000-Zeilen-Pull-Requests nicht wirklich nachvollzieht, verliert man das tiefe Verständnis der Codebase. Das wird zum Problem, wenn später Bugs auftauchen. Anfänger leiden besonders darunter, weil sie massenhaft Code generieren, ohne zu verstehen, was sie tun.

  2. Der Skill-Gap verbreitert sich dramatisch. Entwickler, die KI nutzen, sind deutlich produktiver als jene, die das nicht tun. Ein guter Entwickler mit KI-Tools schlägt einen großartigen Entwickler ohne diese Tools beim Output. Erfahrene ältere Entwickler, die sich gegen AI-Tools sträuben, fallen zurück – unabhängig von ihrer technischen Expertise. Gleichzeitig können Anfänger mit AI-Tools, obwohl technisch weniger versiert, massive Produktivität erreichen. Der entscheidende Unterschied ist jetzt: Wer die Industrie-Trends kennt und die Tools nutzt, macht schneller Fortschritte als wer sich auf fundamentale Konzepte konzentriert.

  3. Junior-Entwickler haben ein ernstes Problem. Die Erwartungen an Einsteiger sind massiv gestiegen. Jobs, die früher Grunt-Work waren (Unit-Tests schreiben, einfache Features umsetzen), werden jetzt von KI gemacht. Das bedeutet: Juniors müssen jetzt auf dem Level von Mid- oder Senior-Entwicklern vor 5–6 Jahren arbeiten, haben aber keine praktische Erfahrung. Es gibt weniger Junior-Positionen, höhere Konkurrenz, und erfolgreich sind nur jene, die etwas Bedeutsames gebaut haben (App mit Nutzern, Startup, Top-Uni-Abschluss) oder die das richtige Gleichgewicht zwischen fundamentalem Lernen und AI-Adoption gefunden haben.

  4. Der Hiring-Prozess ist broken. Die Realität des Jobs – Code-Review, mit KI-Agenten arbeiten, Prompts schreiben, Workflows aufbauen – hat nichts mit dem Interview-Prozess zu tun, der nach wie vor auf Leetcode-Fragen, Whiteboard-Sessions und klassischen System-Design-Interviews setzt. Das ist ein bizarres Mismatch: Man kann produktiv sein und großartige Apps bauen, wird aber nicht eingestellt, weil man nicht monatelang Algorithmen-Probleme trainiert hat.

  5. Soft Skills und Business Knowledge werden entscheidend. Da jeder jetzt 20.000 Zeilen Code pro Tag generieren kann, verschiebt sich der Wert auf: Kommunikation, die Fähigkeit, Business-Impact zu vermitteln, Zusammenarbeit, Entscheidungsfindung über das, was gebaut werden soll. Technisch weniger talentierte Entwickler mit starken Soft Skills, guter Kommunikation und Business-Verständnis sind jetzt wertvoller als früher. Alle Entwickler müssen jetzt zu Hybrid-Rollen werden – Teil Software-Engineer, Teil Product Manager.

  Fazit: Der Beruf verschwindet nicht, aber die Aufgaben verändern sich radikal. Wer ernsthaft in dieser Branche bleiben will, muss ständig lernen, die Trends verfolgen und sich anpassen – das ist jetzt kritischer als je zuvor. Der Sprecher betont: Er könnte sich täuschen, aber das ist seine ehrliche Beobachtung aus den letzten Monaten.

  Claude (Opus und verwandte Modelle) wurde erwähnt, ebenso ein Partnertool namens Whisper Flow für Voice-to-Text – Meinung/Reflexion, tiefgehend analysierend zu technischen Arbeitsmarkttrends.

• 4 AI Prompt Patterns You NEED To Know (in Genspark)
  2.3.2026, 12:16:40

  Zusammenfassung: Prompt Patterns für bessere KI-Ergebnisse

  Der Creator zeigt vier zentrale Prompt-Muster, die mit jedem KI-Tool funktionieren und konsistent bessere Ergebnisse liefern als vage Fragen. Vorweg werden allgemeine Best Practices erläutert: Platzierung von Instruktionen am Anfang oder Ende, Verwendung von Delimitern, strukturierte statt lange Prompts, konkrete Beispiele, explizite Nennung von Dingen, die die KI nicht tun soll, und iteratives Verbessern statt Neustart.

  Speed Layer: Nutze Sprachdiktat statt Tippen (4–10x schneller), um schnell zu iterieren. Das Tool Speakley formatiert gesprochene Prompts automatisch. Der Creator zeigt, wie man der KI aufträgt, fehlende Informationen zu erfragen, statt mit unvollständigen Annahmen zu arbeiten.

  Persona Handoff: Gib der KI eine Expertenrolle mit Erfahrung, nicht nur eine Aufgabe. Ein Pitch-Deck-Berater mit Serie-A-Erfolgsgeschichte liefert bessere Ergebnisse als die generische Anfrage „make a deck”.

  Input Flip: Gib eine Referenz statt von Null zu starten – AI transformiert besser als es erschafft. Demo: Ein generisches Coffee-Shop-Design wird durch Referenz-Links und gegebene Bilder deutlich konsistenter und hochwertiger. Der Creator demonstriert auch Video-Generierung aus den erstellten Design-Assets.

  Constraint Box: Mehr Beschränkungen erzwingen Spezifität statt Generik. Statt „analysiere Daten” heißt es: „Surface nur drei actionable Insights, visualisiere Trends, flagge Anomalien, plain English, kein technisches Jargon” – dies führt zu zielgerichteten Dashboards statt generischer Analyse.

  GenSpark (ein All-in-One-Workspace mit Chat, Agents, Sheets, Docs) wird als Demo-Tool genutzt, wobei der Creator explizit betont, dass die Muster überall funktionieren.

  Tools/Anbieter: GenSpark, Speakley; Format: Demo & Tutorial mit Live-Beispielen.

TheAIGRID (7 neues Videos)

• AI News – New Models From Google & OpenAI , AI Drama & Humanoids In Factories
  8.3.2026, 01:22:09

  AI News Roundup – Woche mit Google-, OpenAI- und Anthropic-Drama

  Google-Releases: Nano Banana 2 (Googles zweite Image-Generation, kostenlos im Gemini Pro Plan) bringt erweiterte Details, präzises Text-Rendering, 4K-Upscaling, Aspect-Ratio-Kontrolle und Subject Consistency. Notebook LM erhielt ein Cinematic Overview Upgrade mit Animationen und Motion Graphics (nur für Google Ultra Plan-Nutzer, $200-250/Monat, dauert Stunden zur Generierung). Gemini 3.1 Pro wurde als natives multimodales High-Reasoning-System für komplexe Professional- und Developer-Tasks veröffentlicht, mit 1-Million-Token-Kontext, Function Calling und Google Search Grounding – ein starker Konkurrent für Multimodal-Arbeiten (Video, Audio, Bilder).

  OpenAI GPT 5.4 Pro: Das aktuell „smarteste Modell der Welt”, verfügbar in ChatGPT Pro und Enterprise via API. Brilliert bei Edge Cases (Frontier Math, Computer Use, wissenschaftliche Probleme), verbessert aber auch Standard-Conversationen gegenüber dem problematischen 5.2er.

  Microsoft Copilot Tasks: Beschrieben als „To-Do-Liste, die sich selbst erledigt” – in limitierter Research Preview. Nutzer beschreiben in natürlicher Sprache, das System plant und führt aus (E-Mails tracken, Wohnungen suchen, Syllabus in Studienpläne umwandeln), mit Consent-Guardrails vor Geldausgaben/Nachrichten. Antwort auf die Agentic-AI-Welle, ausgerichtet auf Mainstream-Nutzer statt Developer.

  Perplexity Computer: Generalpurpose Digital Worker mit orchestriertem Multi-Model-Ansatz (Claude Opus 4.6 als Reasoning Engine, Gemini, Nano Banana, Grok, GPT 5.2 für spezialisierte Tasks). Läuft monatelang, baut Websites, Web-Apps, Datenanalysen. $200/Monat auf Perplexity Max, 10.000 Credits + 20.000 Bonus-Credits. Ideal für nicht-technische Power-User.

  Anthropic-Drama: Anthropic lehnte es ab, Claude für Massenüberwachung und autonome Waffen bereitzustellen. Nach öffentlicher Statement von Dario Amodei folgte Trump-Post: US-Regierung stoppt sofort alle Anthropic-Technologie, 6-Monate-Phase-Out mit Straf-Drohung. Ein historischer Präzedenzfall.

  QuickGPT-Bewegung: 2,5 Millionen Nutzer verließen ChatGPT wegen mehrerer Faktoren: Greg Brockman’s $25-Mio.-Spende an pro-Trump-Gruppe, ICE-Resume-Screening, Pentagon-Deal mit OpenAI (den Anthropic ablehnte). Sam Altman gab zu, zu schnell vorgegangen zu sein. Claude gewann erste Mal Mainstream-Bewusstsein (Celebrities wie Katie Perry empfahlen es).

  OpenAI-Insider-Trading: Employee wegen Prediction-Market-Insiderhandel gefeuert.

  Qwen-Team-Auflösung: Technical Lead Ling Yang (Justin) und Head of Post-Training Yu Bowen kündigten am 3. März 2026 nach geplanter Umstrukturierung (von vertikal integriert zu horizontal) – widerspricht ihrer technischen Vision.

  Robotik: Stanford FSME-Speichersystem lässt Robot-KI Physik in Echtzeit lernen (episodische + testbare Hypothesen + verifizierte Prinzipien): 23% → 76% Erfolgsrate. Physical Intelligence (Bezos/OpenAI-backed) released MEM (Multiskill Embodied Memory) mit 15-Minuten-Fokus für Küchen-Reinigung/Mahlzeiten, teilt Memory in Short-Term-Visuals + Long-Term-Narrative. Faraday Future rebranded chinesische Humanoids (FF Master ab $20.000). BMW deployete erste Humanoid in europäischer Fabrik.

  Quellen: Google (Gemini 3.1 Pro, Nano Banana 2, Notebook LM), OpenAI (GPT 5.4 Pro), Microsoft, Perplexity, Anthropic, Physical Intelligence, Stanford-Robotik, Faraday Future.

  Format: News-Update/Roundup mit eingebettetem Company-Drama und Robotik-Segment – mittleres Schwierigkeitsniveau, breiter Überblick ohne tiefe Dives.

• Google, OpenAI & Anthropic All Reported the Same Threat
  6.3.2026, 23:59:13

  Zusammenfassung: US-AI-Labs unter Beschuss durch Distillation-Attacken

  Anthropic hat industrielle Distillation-Angriffe von DeepSeek, Moonshot AI und Miniax dokumentiert: über 24.000 betrügerische Konten generierten 16 Millionen Austausche mit Claude, um dessen Fähigkeiten zu extrahieren. Distillation ist eine legitime Trainingstechnik, bei der schwächere Modelle von stärkeren lernen — doch illizit destillierte Modelle verlieren wichtige Sicherheitsvorkehrungen, was nationale Sicherheitsrisiken schafft und das Risiko von Biowaffen-Entwicklung oder Cyber-Angriffen erhöht.

  Die Timeline ist bemerkenswert: Am 12. Februar gaben Google DeepMind und OpenAI fast zeitgleich an, Distillation-Attacken zu beobachten — eine Woche später folgte Anthropic mit konkreten Fällen. Dies fällt zeitlich mit einer Trump-Administration-Entscheidung vom 14. Januar zusammen, die den Export fortschrittlicher AI-Chips nach China unter bestimmten Bedingungen erlaubt. Die Kritik in sozialen Medien: Anthropic wirke heuchlerisch, da es selbst auf Internetdaten trainiert wurde, während es andere Labs für die Nutzung von Claude-Outputs kritisiert.

  Skeptiker argumentieren, dass 16 Millionen Konversationen marginal sind — Claude verarbeitet 25 Milliarden API-Calls monatlich — und dass solche Anschuldigungen möglicherweise Lobbying für strengere Export-Kontrollen sind. Gleichzeitig gibt es dokumentierte Hinweise auf chinesische Kopierpraxis und ein Reddit-Kommentar deutet an, dass GLM-Modelle Claude imitieren. Die zentrale Frage bleibt: Ist dies genuine nationale Sicherheit oder strategische Kommunikation?

  Der Sprecher argumentiert, dass die wahre Verwundbarkeit die öffentliche API selbst ist — wenn 0,006% des Traffics für Capability-Extraktion ausreicht, könnten Export-Kontrollen allein das Problem nicht lösen. Dies könnte das Ende von öffentlich zugänglichen Frontier-Modellen bedeuten: Eine Zwei-Klassen-KI-Zukunft mit vettiertem Zugang für Unternehmen/Regierungen und einer öffentlichen Schicht zwei bis drei Generationen hinter der Frontier.

  Explizit thematisiert: Anthropic, Google DeepMind, OpenAI, Claude, DeepSeek, Moonshot AI, Miniax, GPT-4 — Meinung/Reflexion mit investigativem Schwerpunkt.

• OpenAI’s New GPT-5.4 Pro Is Now The Smartest AI In The World.
  6.3.2026, 07:52:18

  GPT 5.4 – Überraschende Durchbrüche bei Frontier Math und realen Aufgaben

  Das Video behandelt GPT 5.4 (sowohl Standard- als auch Pro-Version mit erweitertem Reasoning) und hebt hervor, dass das Modell auf neueren Benchmarks – nicht auf gesättigten Standard-Tests – Konkurrenten wie Claude Opus 4.6 und Gemini 3.1 übertrifft.

  Benchmark-Highlights:

  Bei Frontier Math (mathematische Forschungsprobleme, die von Profis gestellt wurden) setzt GPT 5.4 Pro einen neuen Record. Besonders bemerkenswert: Ein Mathematiker berichtet, dass GPT 5.4 ein 20 Jahre altes, ungelöstes persönliches Problem mit einer eleganten Lösung gelöst hat – er vergleicht dies mit AlphaGos legendärem „Move 37″ von 2016 als Moment, in dem KI etwas genuin Übernatürliches leistet. Bei 10 Test-Läufen auf den schwierigsten Frontier-Math-Problemen erreichte das Modell 38%.

  Beim Browse Comp-Benchmark (Echtzeit-Datenabfrage aus dem Web) schlägt GPT 5.4 Pro Googles Gemini 3.1 mit ~89,3%, obwohl Google einen Suchmaschinenvorteil haben sollte.

  Beim Apex Agents Benchmark (professionelle Aufgaben wie Finanzmodellierung, Rechtsmemos, Analyse) stieg die beste Modellleistung von 24% (Januar 2026) auf 52% (sechs bis acht Wochen später) – das erste Mal über 50%, gemessen an realen Szenarien, die von Investmentbankern, Beratern und Anwälten konstruiert wurden.

  Der GDP Value Benchmark (OpenAIs interner Test an 44 Berufen, neun Branchen) zeigt, dass GPT 5.4 (Thinking) und GPT 5.4 Pro in 82–83% der Fälle menschliche Profis treffen oder übertreffen – bei 100-facher Geschwindigkeit und 100-facher Kosteneffizienz (allerdings bei Single-Shot-Versuchen ohne Iteration).

  Kosten-Problem: Input kostet $30 pro Million Tokens, Output $180 pro Million – deutlich teurer als frühere Modelle und auch teurer als Claude Opus 4.6, was die Annahme „Intelligence Too Cheap to Meter” widerlegt.

  Computer-Use-Fähigkeiten: GPT 5.4 hat native Fähigkeit zu Desktop-Navigation und Aufgabenausführung. Beim OS World Benchmark erreicht es 75% (State-of-the-Art), wobei das Modell in Echtzeit (nicht beschleunigt) Screenshots liest und Maus-/Tastaturaktionen ausführt – z.B. Daten in Rechnungsformulare eintragen.

  Kreatives Schreiben: Ranking stieg, nachdem Sam Altman zugab, dass GPT 5.2 übermäßig auf Mathematik und Code optimiert und die Sprachfähigkeit beschädigt hatte.

  Sicherheitsbedenken: GPT 5.4 Thinking wurde von OpenAI als „high”-Risiko in Cybersecurity klassifiziert – erste generelle KI, die spezifische Sicherheitsmaßnahmen erfordert. Das Modell erreichte 88% bei professionellen Capture-the-Flag-Challenges und führte in Simulationen mehrstufige Angriffe aus (Credential-Diebstahl, Lateral Movement). Damit verbunden: Jede Modellgeneration (GPT 5.2: 47%, 5.3: 80%, 5.4: 73%) ist besser geworden. Falls GPT 6 oder 7 das „kritische” Level erreicht (autonome großflächige Anschläge auf nationale Infrastruktur), könnte OpenAI unter ihrer aktuellen Richtlinie entscheiden müssen, das Modell gar nicht freizugeben – was erhebliche Fragen zu ID-Verifikation und Zugriffskontrolle aufwirft, da derzeit jeder mit API-Schlüssel GPT 5.4 erreicht.

  Anomalie: Im OPQA-Benchmark (OpenAI-interne Probleme) schnitt GPT 5.4 Thinking mit nur 4% am schlechtesten ab, schlechter als GPT 5.2 Codeex (8%), was auf Regression hindeutet.

  Thema: OpenAI, Claude (Opus 4.6), Gemini 3.1; Format: Meinung/Deep-Dive mit Benchmark-Analyse.

• GPT-5.3 Instant & Gemini 3.1 Flash Lite – OpenAI and Google’s Newest And Fastest AI Yet
  4.3.2026, 20:09:22

  Das Video vergleicht zwei neu veröffentlichte KI-Modelle: GPT 5.3 Instant von OpenAI und Gemini 3.1 Flash Light von Google.

  GPT 5.3 Instant: Der Sprecher kritisiert, dass GPT 5.2 und ChatGPT generell durch übertriebene Höflichkeit (“cringe”) und psychologisierende Antworten frustrierend waren – das Modell stellte unnötige Voraussetzungen an und versuchte ständig, den Nutzer zu “retten”. GPT 5.3 Instant behebt dies, indem es weniger paternalistisch reagiert und direkter auf die tatsächliche Nutzerabsicht eingeht. OpenAI zeigt in internen Videos, dass das neue Modell “Overcotting” reduziert – es macht weniger unnötige Sicherheitsvorkehrungen (etwa bei Scherzen oder physikalischen Fragen zu Bogenschießen) und versteht Kontext besser. Auch die Websuche fühlt sich natürlicher an, und das Modell berücksichtigt Kontext (z.B. verstehen, dass eine Wetterfrage im Kontext einer Radtour relevant ist). Limitierung: Die Reaktionston ist in nicht-englischen Sprachen wie Japanisch und Koreanisch noch steif.

  Gemini 3.1 Flash Light: Googles günstiges, schnelles Modell für Massen-Abfragen (25 Cent pro Million Input-Tokens). Es ist speziell für Content-Moderation, Übersetzungen, Datenextraktion und einfache agentische Workflows gedacht. In Benchmarks (etwa bei Multimodal-Fragen in Echtzeit) ist es deutlich schneller und genauer als Gemini 2.5 Flash. Ein Entwickler zeigt ein Foto-Analyse-Projekt, das alle Bilder einer SLR-Kamera bewertet – schneller und billiger als andere Modelle. Google positioniert sich auf der “Pareto-Frontier” – dem optimalen Preis-Leistungs-Verhältnis gegenüber anderen Modellen.

  Der Sprecher sieht Google derzeit als Gewinner im KI-Wettrüsten bei Preis-Leistung.

  OpenAI und Google thematisiert; Demo mit praktischen Use-Cases.

• Grok 5 Could Be xAI’s Biggest Breakthrough Yet – Nobody Noticed This
  3.3.2026, 16:45:01

  Das Video diskutiert Aussagen von Elon Musk und seinem Unternehmen xAI zur rekursiven Selbstverbesserung von KI-Systemen. Musk behauptete, dass Grock 4.2 (ein Vier-Agent-System) wöchentlich verbessert werden kann und starkes rekursives Intelligenzwachstum aufweisen wird. Ein co-founder von xAI, der das Unternehmen verließ, tweeted, dass rekursive Selbstverbesserungsschleifen wahrscheinlich innerhalb von 12 Monaten live gehen werden – dabei handelt es sich um Systeme, bei denen eine KI-Version sich selbst verbessert, diese verbesserte Version dann noch bessere Versionen erstellt, und so ein kompoundierender Loop entsteht.

  Der Videomacher argumentiert, dass dies keine Übertreibung ist, sondern auf echten technischen Fortschritten basiert: mehrere ehemalige xAI-Mitarbeiter sprechen öffentlich von ähnlichen Zielen (einer gründete ein Startup für selbstverbessernde KI-Agenten), und das zentrale Problem – Kontextkompression für kontinuierliches Lernen – wird von xAI, Google, Meta und anderen erforscht. Google arbeitet an “nested learning” gegen katastrophales Vergessen; Meta forscht an Methoden durch selektive Speicher-Feinabstimmung; Cursor aktualisiert sein Composer-Modell alle 90 Minuten basierend auf echtem User-Feedback. Dario Amodei (Anthropic) prognostiziert, dass Modelle in 6–12 Monaten autonome Softwareentwicklung end-to-end übernehmen könnten. Mehrere Forscher und Beobachter nennen 2026 als Jahr des Durchbruchs in kontinuierlichem Lernen; Peter Diamandis warnt, dass alle bestehenden Governance- und Sicherheitsprotokolle dann obsolet wären.

  Das Video ist kein Sachurteil, sondern eine Analyse von öffentlichen Aussagen und Dokumenten, die nahelegen, dass xAI und andere Labs tatsächlich an rekursiven Verbesserungsschleifen arbeiten – ob das Erfolg hat, bleibt offen.

  Explizit behandelt: xAI, Grock 4.2, OpenAI (GPT 5.3 Codex), Claude (Anthropic), Google DeepMind, Meta, Cursor – Format: Meinung/Reflexion (mit News-Roundup-Elementen).

• Perplexity AI Computer Tutorial With New Usecases (How To Use Perplexity AI Computer )
  2.3.2026, 23:16:06

  Perplexity Computer – Kompletter Überblick

  Perplexity Computer ist ein digitaler Agent innerhalb von Perplexity Comet, der autonom Computer-Interfaces, Browser und Apps bedient, um mehrstufige Workflows auszuführen. Er kann Hintergrundaufgaben über Stunden oder Monate durchführen, parallele Recherchen automatisieren, Browser-Aktionen ausführen, Daten extrahieren und wird primär durch die Qualität des Prompts begrenzt.

  Verfügbarkeit & Kosten: Aktuell nur im Perplexity Max Plan für $200/Monat verfügbar; mit Upgrade erhalten Nutzer derzeit 10.000 zusätzliche kostenlose Credits. Credits fallen je nach Task-Typ an (Textverarbeitung günstiger, Video-Bearbeitung teurer).

  Connectors & Integrationen: Die Connector-Funktion verbindet Apps wie Google Drive, OneDrive und Notion, damit der Agent auf Daten zugreift und diese verändert. Zusätzlich verfügt Perplexity über vorgebaute Standard-Integrationen (z.B. ElevenLabs), die auch ohne manuelle API-Konfiguration funktionieren.

  Shared Memory: Der Agent speichert persistent über Sessions hinweg Namen, Rollen, Vorlieben und Projekte und kann semantisch frühere Gesprächsinhalte durchsuchen.

  Parallele Verarbeitung: Mehrere Agenten arbeiten gleichzeitig an verschiedenen Teilaufgaben, was die Gesamtdauer reduziert. Man kann zudem weitere Tasks parallel starten, während eine läuft.

  Praktische Use Cases im Video:

  • YouTube-Inhaltstrategie: In 5 Minuten wurden drei unterirdische KI-Produkt-Releases recherchiert, clickable Titles generiert und Thumbnail-Bilder erstellt
  • B2B-Leadgen für lokale Unternehmen: 20 Klempnerbetriebe in London identifiziert, Google-Rezensionen gescannt, Lead-Scoring (1–10) durchgeführt und in Excel exportiert – ebenfalls in ~5 Minuten
  • Real-Time-Dashboards: Automatisch Web-Apps mit Live-Daten (z.B. Schiffsbewegungen via APIs) erstellen
  • Datenvisualisierungen: GIFs von Aktiencharts generieren, animierte Horizontal-Bar-Chart-Rennvideos aus Datenbeständen
  • Video-Bearbeitung: YouTube-Clips finden, herunterladen, zuschneiden, mit Untertiteln versehen (z.B. DSS-Tesla-Clips für TikTok)
  • Bild- & Carousel-Generierung: Social-Media-Inhalte mit Templates und automatischer Layout-Anpassung erstellen

  Zeitplanung: Tasks können als Cron-Jobs mit schedule-Befehl automatisiert werden (z.B. täglich 9 Uhr UK-Zeit), was das Tool von einer reaktiven Anwendung zu einem konsistent arbeitenden „digitalen Mitarbeiter” macht.

  Native Skills: Deep Research Mode (100+ Zitate), Live-Web-Browsing ohne Knowledge Cutoff, Dateiverarbeitung (PDF, Spreadsheets etc.), Datenanalyse & Code-Ausführung, Markdown/HTML-Dokumentgenerierung, Bild- & Video-Generierung aus Text, E-Mail-Management (Inbox-Zusammenfassung, Antwort-Entwürfe).

  Design-Vorteile: Im Vergleich zu Tools wie Claude/OpenClaw oder Cursor ist keine manuelle Skill-Installation nötig – alle Tools sind im Standard-Sandbox vorhanden, was die Komplexität für Anfänger deutlich reduziert.

  Demo eines Perplexity Computer (Anbieter: Perplexity), Format: Deep-Dive mit Live-Beispielen.

• Google’s AGI Plan Just Got Clearer (Demis Hassabis Explains)
  1.3.2026, 21:04:19

  AGI-Definitionen und Tests – Zwischen Innovation und Skeptizismus

  Das Video diskutiert, wie man echte Künstliche Allgemeine Intelligenz (AGI) testen könnte und ob aktuelle Benchmarks dafür überhaupt aussagekräftig sind.

  Deisabes’ AGI-Test: Der Kernvorschlag ist radikal – man sollte ein KI-System mit Wissensstichtag 1911 trainieren und schauen, ob es die Allgemeine Relativitätstheorie wie Einstein 1915 herleiten könnte. Das würde echtes wissenschaftliches Denken von ersten Prinzipien beweisen, nicht bloß Mustererkennung in bestehenden Daten. Die Kritik: Einstein hatte Jahre fokussierte Arbeit, physikalische Intuition aus Experimenten und bekannte Gleichungen zur Verfügung – das KI-System würde all diesen Kontext brauchen.

  Das Problem mit Benchmarks: Der ARC-AGI-Leaderboard zeigt beeindruckende Verbesserungen (von 5–10% auf 80% in Monaten), aber laut Forschung von Melanie Mitchell können Modelle viele Aufgaben durch Spurious Correlations lösen – etwa durch arithmetische Muster in den Zahlencodes statt echtem Verständnis. Wenn KI-Modelle eine ARC-Aufgabe korrekt lösen, können sie die Lösung nur 70% der Zeit richtig erklären; Menschen schaffen das 90% der Zeit. Das erinnert an Hans, das „mathematische” Pferd von 1904, das unbewusste Mimiken auslas. Die Kernkritik: Accuracy allein bedeutet nichts – warum das Modell recht hatte, ist genauso wichtig wie ob.

  Was noch fehlt nach Deisabes: Zwei bis drei große Durchbrüche seien nötig – kontinuierliches Lernen, besseres Gedächtnis, längere oder effizientere Kontextfenster, besseres langfristiges Reasoning und Planning. Ob Scale allein reicht oder fundamentale neue Innovationen nötig sind, ist offen.

  LLMs: Sackgasse oder Komponente? Yan LeCun behauptet, LLMs sind ein Dead End zu AGI – sie sind nur riesige Retrieval-Systeme ohne echte Problemlösungskompetenz. Deisabes widerspricht: LLMs werden wahrscheinlich eine Schlüsselkomponente bleiben, nicht die einzige.

  Multimodalität als Schlüssel: Der CEO von Figure Robotics und andere argumentieren, AGI braucht Vision, Audio, Propriozeption und echtes Verständnis der physischen Welt – nicht nur Text. Vision-Language-Action-Modelle von Robotik-Unternehmen könnten näher an AGI führen, weil sie echte Weltmodelle zur Navigation der physischen Realität aufbauen müssen.

  AGI als Spektrum, nicht Moment: Yoshua Bengio betont, dass AGI kein definierbarer Punkt ist, sondern ein Spektrum von Fähigkeiten. KI wird wahrscheinlich nie gleichzeitig in allen Bereichen menschlich-intelligent sein.

  Zukunftsszenario: Falls AGI bis 2050 realisiert wird, könnte die Welt sich so radikal verändern wie in 10.000 Jahren Menschheitsgeschichte, nicht wie in den letzten 25 Jahren – durch KI-Automatisierung aller intellektuellen Aktivitäten.

  Explizit thematisiert: Deisabes, Yan LeCun, Yoshua Bengio, Melanie Mitchell, Figure Robotics (Helix-Modell), ARC-AGI-Benchmark — Format: Meinung/Reflexion mit News-Elementen.

Theo – t3․gg (5 neues Videos)

• It’s finally here.
  7.3.2026, 03:32:44

  Der Creator hat zusammen mit Julius das Open-Source-Projekt T3 Code entwickelt und veröffentlicht – ein kostenloses Desktop- und Web-basiertes Tool für die AI-gestützte Entwicklung, das als Alternative zu Codeex gedacht ist. Die Inspiration kam aus Frustration mit Codeex-Performance-Problemen und dem Wunsch nach einem offenen, erweiterbaren System.

  Kernfunktionen von T3 Code:

  • Parallele oder sequenzielle Projektthreads ermöglichen effizienteres Arbeiten
  • Work-Tree-Workflows (von Julius entwickelt) isolieren verschiedene Aufgaben in eigenen Umgebungen
  • One-Click-Integration mit GitHub: automatische Commit-Generierung, Push und PR-Erstellung
  • Desktop-App plus Web-Version via npx t3 (alpha) ohne Installation
  • Command-Palette für schnelle Navigation zwischen Threads (Command Shift O)
  • Terminal-Integration per Command J für jeden Work-Tree

  Architektur-Unterschied zu Konkurrenten:

  T3 Code nutzt die offiziellen Harnesses (Tool-Sets) der AI-Labs statt eines eigenen Systems – derzeit Codex CLI, mit geplanten Integrationen für Claude, Cursor CLI, Open Code und Gemini. Das ermöglicht, dass bestehende Abos dieser Plattformen direkt im Tool funktionieren.

  Technische Details:

  Electron wurde für beste Cross-Platform-Performance gewählt. Das Projekt startete als Experiment aus Neugier und wurde schnell zu vollwertiger Software. Die GitHub-Historie (877 Commits) zeigt offen den Entwicklungsprozess inklusive massiver Agentic-Engineering-Iteration. Das Tool ist noch Alpha, verzichtet bewusst auf externe Beiträge (nur detailliertes Feedback erwünscht), aber der Plan ist, das später zu öffnen. Platform-Support: Windows, macOS, Linux (App Image, weitere Formate geplant).

  Positionierung:

  Kostenlos und quelloffen ohne aktuelle Monetarisierungspläne – könnte in Zukunft Abos für gebündelte Modelle + Harnesses anbieten, aber das ist nicht prioritär. T3 Code ist ein separates Projekt, nicht Teil von T3 Stack.

  Der Creator berichtet, dass die Produktivität durch das Tool immens gestiegen ist – sein Teammate Julius soll laut Entwickler-Dashboard über 1.000+ Stunden Code pro Woche (stark geschätzte Metrik) generiert haben.

  Demo-Highlights: Blaue Input-Highlight-Anpassung in Echtzeit, GitHub-Integration mit automatischem PR-Workflow, nahtlose Thread-Navigation.

  Relevante AI-Tools: Codex, Claude, Cursor, Open Code, Gemini; Projekt-Format: Demo + Meinung/Reflexion, Schwerpunkt auf Architecture und Open-Source-Philosophie — für Entwickler mit AI-Agent-Erfahrung nachvollziehbar.

• gpt-5.4 is really, really good
  6.3.2026, 09:55:17

  Zusammenfassung: GPT 5.4 – Umfassende Analyse und Bewertung

  Der Creator hat GPT 5.4 über eine Woche getestet und liefert eine detaillierte Analyse des neuen Modells von OpenAI. Das Video behandelt Leistung, Preisgestaltung, praktische Anwendung und vergleicht das Modell mit Konkurrenten.

  Modellvarianten & Strategie: OpenAI hat GPT 5.4 Thinking veröffentlicht (nicht aber 5.4 Instant oder 5.4 Codex). Der Creator vermutet, dass Codex als separate Modellvariante auslaufen könnte, da die Basis-Fähigkeiten von 5.4 bereits Codex-spezifische Verbesserungen integriert haben.

  Kernverbesserungen: 5.4 bietet bessere Kontextverwaltung (1 Million Token-Limit), effizientere Reasoning-Token-Nutzung, verbesserte Tool-Nutzung mit Tool Search, signifikante Verbesserungen bei Browser- und Computer-Use-Aufgaben, und bessere Reaktion auf Nutzer-Interrupts während des Reasoning. Vision ist massiv verbessert, besonders bei Computer-Use-Szenarien.

  Benchmarks & Kosten: Bei MMLU und anderen Standard-Tests zeigt 5.4 Verbesserungen, aber die höchsten Performance-Gewinne beim Creator’s eigenem Skatebench V2 sieht Gemini 3.1 Pro Preview (97%), gefolgt von GPT 5.4 High (82%). Die Preise stiegen: 5.4 kostet jetzt $2,50 pro Million Input-Tokens (vorher $1,75) und $15 pro Million Output-Tokens (vorher $14). 5.4 Pro ist deutlich teurer ($30/$180), performt aber in einigen Tests schlechter als Standard 5.4.

  Praktische Nutzung – Stärken: Der Creator testete komplexe Aufgaben wie die Migration eines großen React-Codebases. 5.4 schrieb detaillierte Pläne, führte diese über lange Sessions durch und zeigte bessere Kontextkomprssion. Die Lösung des schwierigen Goldbug-Kryptographie-Rätsels in unter 17 Minuten (andere Modelle schafften das nicht) zeigt das Potenzial von 5.4 Pro bei hochkomplexen Problemen.

  Praktische Nutzung – Schwächen: Frontend-Design ist nach wie vor schwach – GPT 5.4 erstellt weiterhin unnötig komplexe, card-lastige UIs, während Claude Opus sofort erkannte, dass das bestehende Framework (Recharts) für das gewünschte UI-Design nicht geeignet war und die Implementierung neu aufbaute. Eine Regression bei Prompt-Injections in Function Calls (Funktion-Rückgabewerte) wurde registriert: 5.4 fällt nun in ~2% der Tests für derartige Injections herein, während 5.1 das nie tat. Die Persönlichkeit im Chat ist besser als frühere GPT-Modelle, aber nicht so angenehm wie Claude oder Gemini.

  Steuerbarkeit & Prompting: 5.4 ist das bisher am besten steuerbare Modell – es folgt System-Prompts präzise, ohne über sie nachzudenken. OpenAI veröffentlichte detaillierte Prompting-Guidance mit spezifischen Hinweisen für Tool Routing, Workflow-Abhängigkeiten, Reasoning-Effort-Auswahl und irreversible Aktionen. Der Creator betont, dass explizite Struktur-Vorgaben (z.B. „Return exactly the selections requested”) besser funktionieren als bei Gemini.

  Verfügbarkeit: Das Modell ist in ChatGPT verfügbar. Der Creator erwähnt auch T3 Chat ($8/Monat für 5.4 Nutzung) und kündigte T3 Code an, für das es eine frühe Browser-Version gibt (erfordert Cursor CLI). Der Codex-Desktop-App funktioniert weiterhin.

  Gesamteindruck: 5.4 ist laut Creator ein „ernstes Modell”, das für die meisten Aufgaben andere Optionen überflüssig macht – außer bei Frontend-Design, wo er weiterhin Opus oder Gemini nutzt.

  Tools/Modelle: OpenAI (GPT 5.4, Claude Opus, Gemini), Cursor, n8n (nicht explizit genannt, aber als Beispiel-Framework für Agentic Workflows erwähnt) – Format: Deep-Dive + Meinung/Reflexion.

• The drama never ends…
  5.3.2026, 11:45:25

  Zusammenfassung: Der Konflikt zwischen OpenAI und Anthropic um militärische KI-Verträge

  Der Creator behandelt den eskalierenden Konflikt zwischen OpenAI und Anthropic um ein Verteidigungsministeriums-Abkommen (Department of War). Anthropic hatte sich geweigert, seine Modellgewichte dem Militär zur Verfügung zu stellen, ohne dass dieses Policy-Einschränkungen akzeptiert – speziell Verbote für autonome Waffen und Massenüberwachung von US-Bürgern. Das Verteidigungsministerium lehnte dies ab. Kurz nach Anthropics Frist kündigte OpenAI-CEO Sam Altman dann an, einen Deal mit dem Ministerium geschlossen zu haben.

  Der Creator erklärt den technischen Unterschied: Anthropic hätte die Modelle und Gewichte übergeben, wodurch das Ministerium diese lokal betreiben könnte – ohne dass Anthropic die Nutzung kontrollieren könnte. OpenAI hingegen behält seine API und damit eine Kontrollschicht, um unsichere Anfragen zu blockieren oder umzuleiten. Theoretisch bedeutet dies mehr technische Sicherheit.

  Altman argumentiert, dass er deeskalieren wollte und verhindert, dass das Ministerium Anthropic zerstört – was langfristig auch OpenAI schaden würde (durch Monopolisierung). Der Creator sieht jedoch auch politische Motive: Trump hatte Anthropic als „linke Verrückte” denunziert und das Ministerium unter Druck gesetzt; Altman hätte dies nutzen können, um schnell einen Deal zu sichern.

  Dario Amodei (Anthropic-CEO) nennt Altmans Statements „straight up lies” und „Safety Theater” – er argumentiert, dass die Einschränkungen nur für Angestellte da seien, nicht um Missbrauch zu verhindern. OpenAI hatte in seinem Blog-Post behauptet, dass „Massenüberwachung” nach geltendem Recht nicht erlaubt sei – aber der Creator weist darauf hin: Gesetze ändern sich; eine künftige Executive Order könnte dies legalisieren. Das löste massive Uninstalls von ChatGPT aus; Claude wurde daraufhin die Nr. 1-App in den USA.

  Der Creator kritisiert Altman scharf: nicht aus Bosheit, sondern aus Dummheit – ein massives Missverständnis der politischen Realität und der Raubtier-Natur des aktuellen Regimes. Er betont, dass private Unternehmen das Recht haben müssen, zu wählen, welche Services sie anbieten – und dass der Staat nicht Tech-Firmen zwingen darf, Technologie bereitzustellen, die sie ablehnen. Gleichzeitig versteht er Altmans Sorge um Anthropics Überleben (Ökosystem-Argument), hält aber die Umsetzung für „pathetic” und destruktiv.

  Am Ende: Anthropic verhandelt nun selbst wieder mit dem Pentagon – was suggeriert, dass Altman vielleicht ehrlich meinte, ähnliche Deals für alle Anbieter zu ermöglichen. Der Creator bleibt unzufrieden und betont, dass das Verteidigungsministerium kein ehrlicher Akteur ist.

  Anmerkung: OpenAI, Anthropic und Claude wurden thematisiert; Format: Meinung/Reflexion mit News-Elementen.

• I can’t believe nobody’s done this before…
  4.3.2026, 09:46:32

  Zusammenfassung: OpenAI wechselt zu Websockets – Warum das ein massiver Shift ist

  OpenAI hat seine APIs von REST-Calls auf Websockets umgestellt. Während das trivial klingen mag, bringt es massive Effizienzgewinne: 90+ Prozent weniger Bandbreite und 20–30% schnellere Ausführung, besonders bei agentengesteuerten Workflows mit vielen Tool-Calls.

  Das Kernproblem der bisherigen Architektur: Wenn ein KI-Agent ein Tool aufruft (z.B. zum Auslesen eines Verzeichnisses), pausiert die Generation komplett. Der Agent ist „stateless” – er hat keine Erinnerung. Sobald das Tool-Ergebnis vorliegt, muss der gesamte Kontext (System-Prompt, alle bisherigen Messages, alle Tool-Call-Results) wieder zum API gesendet werden, damit das Modell weitermachen kann. Bei einem langen Agent-Run mit hunderten Tool-Calls bedeutet das: Der komplette Kontextverlauf wird dutzende Male neu übertragen – oft nur für wenige neue Tokens als Output.

  Das bisherige System war stateless: Jeder Request trifft potenziell einen anderen API-Server, der alles von vorne prüfen muss (Authentifizierung, Caching, Berechtigung). Einen persistenten Cache zentral zu speichern wäre nicht skalierbar. Websockets lösen das elegant: Sie garantieren, dass alle Requests während einer Session denselben API-Server treffen. Dieser Server kann nun State halten – er weiß, wer du bist, was bisher passiert ist, welcher GPU-Cache bereits geladen ist. Deshalb muss nur noch das Neue gesendet werden (die neue Tool-Call oder Message), nicht wieder der ganze Kontext. Das senkt nicht nur Bandbreite und Latenz dramatisch, sondern auch die Anzahl der Datenbankabfragen und Caching-Operationen.

  OpenAI hat die Response-API auch vollständig open-source gemacht (Open Responses Standard), inspiriert von ihrer Responses API – ein Standard, der auf Claude, Gemini und andere Anbieter übertragbar ist. Das Websocket-Feature ist darin noch nicht implementiert, wird aber erwartet. Der Sprecher betont: Dies ist nicht für simple Chat-Apps relevant (wo selten mehrere schnelle Follow-ups nötig sind), aber transformativ für Agent-Heavy-Workflows mit vielen Tool-Calls.

  Das Video ist letztlich ein Appell an die Nerds unter den Entwicklern: Wir sind noch so früh in der KI-Integration, dass wir grundlegende Architektur-Fragen neu durchdenken können – von Netzwerk über APIs bis zur State-Verwaltung. Deep Tech und First-Principles-Denken sind nicht tot, sondern gerade jetzt wichtiger denn je.

  Explizit thematisiert: OpenAI, Claude/Anthropic, Gemini; Format: Deep-Dive/Opinion mit technischem Tiefgang (Zielgruppe: Entwickler mit Interesse an Backend-Architektur).

• I’m so f***ing tired of Obsidian.
  3.3.2026, 03:34:49

  Der Creator betreibt seinen gesamten YouTube-Kanal über Notion – Inhaltskalender, Themen, Recherche, Aufträge, Sponsorings und alles andere wird darin verwaltet. Nach mehreren Notion-Ausfällen (Ladeprobleme, das System war heute offline) erhielt er wieder massiv Kommentare, dass er zu Obsidian wechseln sollte. Der Creator argumentiert dagegen, dass diese Empfehlungen fundamental falsch verstanden, was er mit Notion macht.

  Sein Setup ist hochkomplex: Ein Kanban-Board mit Themen, eine Kalenderansicht, verknüpfte Datenbanken für Sponsorings und ein Automationssystem, das Aufgaben automatisch seinem Editor zuweist und Felder aktualisiert, wenn er Themen zwischen Status wechselt (z.B. von „zu aufnehmen” zu „aufgenommen”). Sechs Personen arbeiten gleichzeitig in derselben Datenbank – echte Echtzeit-Zusammenarbeit ist essentiell. Notion erlaubt eine Mischung aus strukturierten Eigenschaften (Release-Datum, Owner, Kanal) und freier Form (Notes, To-Do-Listen, eingebettete Screenshots, Links). Diese Flexibilität ist zentral für die unstrukturierte Natur von Content-Produktion. Die Kalenderansicht lässt sich trivial umschalten – zwischen Veröffentlichungsdatum, Aufnahmedatum usw.

  Das Kernproblem mit Obsidian: Es ist nicht wirklich Open-Source (weit verbreiter Missverständnis – über 70% des Publikums wussten das nicht), und es ist fundamentaliter nicht für Teamzusammenarbeit gebaut. Obsidian Sync funktioniert kaum zwischen Desktop und Handy, und Multi-User-Setups erfordern Git-Commits und Terminals – unrealistisch für ein Team mit Non-Entwicklern. Obsidian richtet sich an Einzelnutzer mit persönlichen Notizen, nicht an Geschäftsabläufe. Der Creator kritisiert die „Why don’t you just?”-Mentalität: Die Commenters kennen die versteckte Komplexität nicht, sehen einfach jemanden kämpfen und vermuten, die Lösung sei trivial. Sie wollen sich moralisch überlegen fühlen, indem sie Open-Source/Local-First-Tools empfehlen, ohne zu verstehen, dass der Creator bewusst zwischen Flexibilität, Kontrolle und Teamfunktionalität abwägt.

  Notion ist teuer (1.000 Dollar/Jahr) und fragil – die Architektur fühlt sich wie ein „Kartenhaus” an, mit merkwürdigen UX-Quirks (Kalender scrollt infinit nach unten, aber sperrt oben). Der Creator hat mehrmals Custom-Apps gebaut, könnte es wieder tun – aber Notions Flexibilität lohnt sich hier wirklich. Er betont: Die Wertschöpfung liegt nicht in den Dokumenten selbst, sondern in den Beziehungen zwischen ihnen – das ist nicht trivial in lokalen Dateien codierbar, es braucht ein Produkt mit Infrastruktur dahinter. Alternative-Bau-Ansätze sind von Dritten vorgestellt worden, aber das Team bleibt bei Notion, weil es funktioniert. Am Ende: Bitte hört auf, Obsidian zu empfehlen.

  Explizite Tools/Modelle: Notion, Obsidian, Claude (erwähnt kurz: Claude Code zur Fehlerbehebung), G2I (Sponsor). Format: Meinung/Reflexion.

Tim Carambat

Keine neuen Videos in diesem Zeitraum.

Unsupervised Learning

Keine neuen Videos in diesem Zeitraum.

WorldofAI (7 neues Videos)

• Claude Code Just Got ANOTHER MASSIVE Upgrade with /Loop – Automate AI Coding!
  8.3.2026, 07:53:40

  Cloud Code Loop Feature – Automatisierte Agenten-Aufgaben

  Cloud Code hat ein neues Loop-Feature erhalten, das wiederkehrende Aufgaben für bis zu 3 Tage automatisieren kann. Die Funktion verwandelt Claude von einem manuell genutzten Tool in einen 24/7-Agenten: Man kann beispielsweise regelmäßig gemergete PRs prüfen und automatisch Changelogs zusammenfassen lassen.

  Funktionsweise: Der /loop-Befehl führt Prompts in regelmäßigen Intervallen aus (Syntax: z.B. /loop every 15 minutes). Ohne Angabe läuft die Loop standardmäßig alle 10 Minuten. Die Funktion unterstützt auch natürlichsprachliche Befehle für Erinnerungen und kann andere Cloud-Code-Befehle wiederholt ausführen. Es sind bis zu 50 Tasks pro Session möglich.

  Limitierungen: Loops laufen nur, solange die Cloud-Code-Instanz offen ist (session-basiert), persisten nicht nach Neustarts und verfallen nach 3 Tagen. Dies verhindert vergessene Loops, die Tokens verschwenden.

  Praktische Anwendungsbeispiele: PR-Überwachung mit automatischer Fehlerbehebung, automatische Zusammenfassungen getaggter Slack-Posts oder tägliche AI-News-Updates. Das Feature wird mit bestehenden Cloud-Code-Skills kombinierbar, um vollständig autonome Workflows zu schaffen.

  Vergleich zu Cloud Code Desktop: Während Loop eine leichte, in-session Lösung ist, bietet die Cloud Code Desktop-App mit ihren lokalen Schedule-Tasks eine persistentere Alternative mit besserer UI und echter Persistenz über Restarts hinweg.

  Tools/Anbieter: Claude (Anthropic), Cloud Code (erstellt von Boris), Mammoth AI (Sponsor); Format: Tutorial/Demo mit Meinungskommentar.

• Claude Code + NotebookLM = GOD MODE! Can Build and Automate EVERYTHING!
  7.3.2026, 10:05:31

  Zusammenfassung:

  Das Video zeigt, wie man Notebook LM (Googles kostenloses KI-Forschungs-Tool) mit Claude Code kombiniert, um einen optimalen Entwickler-Workflow zu schaffen. Nach Installation von Claude Code und dem Notebook LM MCP-Server authentifiziert man sich über Google und verbindet beide Tools über die MCP-Konfiguration.

  Der Workflow funktioniert so: Man gibt Notebook LM Dokumentationen, Codebasen oder UI-Referenzen, das Tool recherchiert und generiert strukturierte Zusammenfassungen – danach nutzt Claude Code diese Erkenntnisse, um echten, funktionierenden Code zu implementieren. Das Video zeigt zwei konkrete Beispiele: (1) Ein Notebook zu Python Async Patterns erstellen, das relevante Quellen sammelt und zusammenfasst, woraufhin Claude Code einen lauffähigen Code mit diesen Patterns generiert. (2) Ein Notebook zu Shadcn UI-Komponenten erstellen, das die neuesten Components identifiziert und Best Practices extrahiert – Claude Code nutzt diese dann um ein vollständiges Next.js CRM-Dashboard zu bauen.

  Zusätzlich kann Notebook LM auch Erklärvideo generieren (mit cinematic Audio), was für Team-Onboarding oder Projekt-Dokumentation nützlich ist. Der Vorteil: Man lagert zeitintensive Recherche auf das kostenlose Gemini-Modell aus und spart damit Tokens bei der Code-Generierung. Die Tools sind über CLI, VS Code Extension oder Desktop-App zugänglich.

  Explizit thematisierte Tools: Notebook LM, Claude Code (mit Anthropic/Opus erwähnt), Gemini, Shadcn UI, Next.js — Tutorial/Demo-Format.

• Claude Code Just Got A MASSIVE Upgrade! New Agent Skills, Ultra Think, Voice Mode, & More!
  6.3.2026, 08:09:24

  Claude Code: Neue Features und Updates

  Anthropic hat Claude Code, seinen terminal-basierten KI-Coding-Agent, mit mehreren bedeutenden Updates ausgestattet. Die Hauptverbesserungen sind:

  Agent Skills und Skill Creator: Ein überarbeiteter Skill Creator ermöglicht softwareartige Tests für KI-Agent-Fähigkeiten ohne Code-Schreiben. Er nutzt eingebaute Eval-Generierung mit Benchmarking und Multi-Agent-Tests, um Regressionsfehler zu erkennen und Skill-Beschreibungen zu verbessern. Ein Beispiel zeigt, wie ein PDF-Skill verbessert wurde, um Non-fillable Forms korrekt zu handhaben, indem Textkoordinaten extrahiert wurden.

  Ultra Mode: Zurückgekehrt für Opus 4.6 und Sonnet 4.6, erweitert das Reasoning-Budget und ermöglicht längeres Denken vor Antworten – besonders hilfreich für komplexe Code-Aufgaben, Debugging und Multi-Step-Workflows.

  Remote Control: Neu für alle bezahlten Pläne, ermöglicht Kontrolle von Claude Code vom Smartphone aus – zum Starten von Tasks, Überwachung und Verwaltung von Builds unterwegs.

  Voice Mode: In Rollout für etwa 5% der Nutzer, lässt sich per /voice-Kommando aktivieren und transkribiert Spracheingaben direkt in Claude Code.

  Weitere Features: Ein neuer Claude-API-Skill erkennt die Programmiersprache und lädt relevante Dokumentation automatisch. Ein Sub-Agent „Claude Code Guide” beantwortet Fragen zur CLI, dem Agent SDK und Cloud API. Der /simplify-Befehl analysiert Code-Änderungen auf Duplikate und Code-Qualitätsprobleme und wendet Fixes an. Ein neues Slack-Plugin verbindet Claude Code direkt mit Slack für Nachrichten-Suche und Dokumentenerstellung.

  Video-Typ & Tools: Demo mit Meinung, Claude (Opus, Sonnet, Haiku) und Claude Code explizit thematisiert.

• GPT-5.4 Is INSANE! OpenAI’s BEST Model Yet! 1 Million Context & Excels at Coding! (Fully Tested)
  5.3.2026, 07:17:00

  GPT 5.4 Early Access – Erste Tests und Einschätzungen

  Das Video behandelt frühen Zugang zu einem angeblichen GPT-5.4-Checkpoint namens “Galacopus”, der laut Ankündigung möglicherweise diese Woche oder nächste Woche offiziell gelauncht werden könnte. Der Ersteller hat das Modell in verschiedenen Aufgaben getestet.

  Erwartete Features des Modells: Ein 1-Million-Context-Window (als Antwort auf Gemini und Claude mit ähnlichen Kapazitäten), ein neuer “Extreme Reasoning Mode” mit zusätzlicher Rechenleistung für tieferes Denken, verbesserte Performance bei langfristigen Tasks, besseres Memory über Multi-Step-Workflows hinweg sowie starke Unterstützung für Agents und Automation.

  Getestete Fähigkeiten (Frontend-Development & Creative): Der Ersteller forderte das Modell auf, einen browserbasierten macOS-Klon zu erstellen – das Modell lieferte funktionale Anwendungen ab. Bei einem Minecraft-Klon erzeugte GPT 5.4 spielfähigen Code mit Block-Platzierung, Terrain-Generierung und Höhlen; nach einem Re-Prompt kamen Animationen und Crafting-Mechaniken hinzu. Eine Crop-Tool-UI wurde in einem Shot mit beeindruckender UI/UX generiert.

  Schwachstellen: Bei einer komplexen React-SaaS-Landing-Page schnitt Opus 4.5 besser ab als GPT 5.4. Ein auffälliges Problem: Das Modell erzwingt einen konsistenten visuellen Design-Stil auf alle Generationen (z.B. beim VS-Code-Explorer und Step-Interface), während Konkurrenzmodelle wie Gemini 3.1 Flash flexibler bleiben. Der Ersteller lobt die Genauigkeit, fehlende Faulheit und geringere Halluzinationen im Vergleich zu Gemini.

  3D-Generierungen: Ein 3D-Room mit funktionalen Orbit-Controls wurde erfolgreich erstellt, mit Tag/Nacht-Toggle und realistischer Beleuchtung. Externe Tests (auf Twitter) zeigen beeindruckende SVG-Generierungen wie PS5-Controller und prozedural generierte Städte.

  Fazit des Erstellers: Das Modell überzeugt durch Output-Kohärenz und Zuverlässigkeit bei Skalierung, weniger durch rohes Wissen – jedoch mit dem Caveat des erzwungenen UI-Stils, den der Ersteller hoffentlich vor dem offiziellen Release verändert sieht.

  Das Video thematisiert OpenAI (GPT 5.4), Anthropic (Claude/Opus 4.5), Google (Gemini), und erwähnt Mammoth AI als Sponsor für API-Vereinheitlichung – Format: Demo mit gesammelten Benchmark-Tests.

• Gemini 3.1 Flash-Lite Is Google’s FASTEST & Cheapest Model Ever! Decent At Coding! (Fully Tested)
  4.3.2026, 08:31:35

  Google hat das Gemini 3.1 Flash Light Modell gelauncht, ein schnelles und kosteneffizientes Modell aus der Gemini-3-Serie, spezialisiert auf hochvolumige Developer-Workloads. Es kostet $0,025 pro 1 Million Input-Token und $0,50 pro 1 Million Output-Token, läuft mit 363 Token pro Sekunde und ist 2,5x schneller als Gemini 2.5 Flash bei der Time-to-First-Token sowie 45% schneller bei der Output-Geschwindigkeit. Das Modell erreicht 1.400 ELO auf der Arena Leaderboard, 86,9% auf GPQA und 76,8% auf MMLU Pro; es verfügt über ein einstellbares „Thinking Level” zur Kontrolle der Reasoning-Tiefe.

  Der Video demonstriert das Modell in mehreren praktischen Tests: Bei Frontend-Generierung zeigte es beeindruckende Ergebnisse mit funktionalen Komponenten, 360-Grad-Produktviewern und besserer Output-Qualität als Gemini 3.1 Pro in manchen Bereichen. In der CLI mit Kilo Code erstellte es ein macOS-ähnliches Betriebssystem mit 35 Sekunden Generierungszeit für 8 Cent. Ein 3D-Rennspiel mit Hügelanimationen und 2D/3D-Illusions-Mathematik funktionierten gut; der F1-Donut-Drift-Test fiel dagegen schwach aus. Bei autonomen Agenten-Aufgaben über die Kilo-Code-VS-Code-Extension recherchierte und strukturierte das Modell Daten in CSV-Dateien, versendete E-Mails und brauchte dafür nur 4 Cent. Ein Minecraft-Klon war funktionsfähig aber rudimentär. Bei Long-Form-Text (Lord-of-the-Rings-Essay) zeigte das Modell bessere Struktur und Flusss als Gemini 3 Flash.

  Das Fazit: Das Gemini 3.1 Flash Light ist ein unterschätztes, kosteneffizientes Modell mit sehr schneller Token-Geschwindigkeit, besonders stark bei Frontend-Entwicklung und hochem Durchsatz, das seinen Preis übererfüllt — zugänglich via Google AI Studio, API, Open Router und Kilo Code.

  Google Gemini 3.1 Flash Light / Demo-Video mit praktischen Coding-Tests.

• Gemini Super Agents: Supercharge AI Agents To Do Anything! (Opensource)
  3.3.2026, 03:48:24

  Zusammenfassung: Gemini Super Agent mit AirV für volles Kontext-Bewusstsein

  Das Video zeigt, wie man einen hochperformanten KI-Agenten baut, indem man ihm vollständigen Kontext über mehrere Datenquellen hinweg bereitstellt. Das zentrale Problem: Standard-AI-Agenten arbeiten “blind” und halluzinieren, weil ihnen der aktuelle Kontext fehlt. Die Lösung ist AirV, eine Open-Source-Plattform, die Apps, Datenbanken und Dokumente in durchsuchbare Wissensebenen für Agenten umwandelt.

  Setup und Konfiguration:

  AirV läuft entweder selbstgehosted (lokal, privat) oder als verwalteter Service (Cloud). Nach dem Klonen des Repositories und Start-Befehl (cd air, Build-Befehl) verbindet man Datenquellen als “Collections” mit “Sources” – das sind Live-Verbindungen zu Apps wie GitHub, Notion, Linear, Slack und Postgres. Die Daten werden durch Embedding indexiert und bleiben kontinuierlich synchronisiert.

  Integration mit Gemini in Anti-Gravity:

  AirV ist nativ in Google’s Anti-Gravity IDE eingebaut (ohne SDK-Setup nötig). Man aktiviert es über die MCP-Server-Einstellungen, gibt API-Key und Collection-ID ein, und der Agent hat sofort Zugriff auf alle verbundenen Quellen. Das Beispiel zeigt: Eine Frage wie “Warum wurde der Authentication-Flow letzte Woche geändert?” kann ohne AirV nicht beantwortet werden (Agent hat keinen Kontext), mit AirV zieht der Agent automatisch die relevanten Slack-Diskussionen, Notion-Docs und GitHub-Commits heran und liefert eine vollständige, begründete Antwort.

  Praktischer Mehrwert:

  Mit allen Quellen (Code-Repos, Dokumentation, Aufgabenverwaltung, echte Team-Diskussionen) kann der Agent Multi-Step-Tasks wie Codeanalyse, Projektplanung oder Implementierung sachgerecht durchführen – statt zu halluzinieren. Die Traces zeigen, welche Quellen abgerufen wurden.

  Explizit genannte Tools: Gemini 3 / Gemini Pro, AirV (Open-Source), Anti-Gravity (IDE), MCP-Server; weitere integrierbare Apps: GitHub, Notion, Linear, Jira, Slack, Postgres, Cursor, VS Code. — Format: Tutorial/Demo mit Live-Setup.

• NEW Claude Code & OpenCode KILLER! This Just Fixed 90% of AI Coding! (Open Source)
  2.3.2026, 07:13:01

  CodeBuff: Ein offener AI-Coding-Agent mit Multi-Agent-Architektur

  CodeBuff ist ein Open-Source-AI-Coding-Agent (Apache-2.0-Lizenz), der sich durch eine Multi-Agent-Koordination von klassischen Ansätzen unterscheidet. Statt auf ein einzelnes Modell zu verlassen, setzt CodeBuff spezialisierte Sub-Agenten ein, die parallel arbeiten und kontinuierlich durch verschiedene Evaluationen verfeinert werden. Nach internen Tests ist CodeBuff bis zu dreimal schneller als Claude Code und produziert dabei höherwertige Code – in einem Benchmark-Beispiel brauchte Hot Code 20 Minuten für eine Aufgabe, CodeBuff nur 6:45 Minuten, und die Claude-Version enthielt noch einen Bug.

  Installation und Setup: CodeBuff wird per npm install installiert und mit dem Befehl codebuff im Terminal gestartet (GitHub-Login erforderlich). Das Tool bietet eine interaktive Terminal-UI mit Maus-Support. Optional kann man eine Knowledge.md-Datei initialisieren, um den Agenten Projekt-Kontext zu geben, sowie MCP-Server und Custom Skills konfigurieren.

  Modi und Pricings: Es gibt vier Betriebsmodi – Free Tier (Minimax M2.5), Default (Opus 4.6 mit Code-Review), Max (Opus 4.6 mit parallelen Multi-Prompt-Editoren, schreibt mehrere Lösungen und wählt die beste) und Plan Mode (für Planungs- und Implementierungstasks). Zahlungsmodelle bieten unterschiedliche monatliche Token-Kontingente: $100-Tier = 1x, $200 = 3x, $500 = 8x Nutzung.

  Demo: Der Agent plante und baute ein AI-Agent-Monitoring-Dashboard in etwa 12 Minuten (Max Mode). Mehrere Sub-Agenten arbeiten parallel an Backend, Frontend und verschiedenen Features; jede Agent-Instanz ist sichtbar mit Diffs und Code-Review-Summaries. Das System bietet Workspace-Initialisierung, Agent-Pausen/Starts, Neural-Mesh-Topologie-Visualisierung und Ausführungshistorien.

  CodeBuff demonstriert damit nicht nur Speed, sondern ein konzeptuell neues Modell: ein Team von spezialisierten AI-Agenten statt einem Universalmodell – glatte Developer-Experience mit freier Basis-Tier.

  CodeBuff (Opus 4.6), Demo.

Zubair Trabzada | AI Workshop (2 neues Videos)

• STOP Building AI Agents. Do THIS Instead.
  5.3.2026, 13:24:45

  Zusammenfassung: Skills statt Agents – Die Zukunft der AI

  Die Kernthese: Anthropic warnt vor dem Übertrend der AI-Agenten und positioniert stattdessen „Skills” als das eigentliche Zukunftsmodell. Der Grund: Agenten sind zwar intelligent, aber generalistisch – sie fehlt spezialisierte Expertise für konkrete Aufgaben.

  Das Problem mit klassischen Agenten: Ein brillanter Agent kann zwar komplexe Probleme lösen, weiß aber nicht, wie dein Unternehmen arbeitet, kennt deine Workflows nicht und merkt sich nicht, was letztes Mal funktioniert hat. Die aktuelle Lösung – einen separaten Agent für jede Aufgabe bauen – ist nicht skalierbar.

  Was sind Skills: Im Kern sind Skills Markdown-Dateien mit Anleitungen, die Claude Domain-Expertise beibringen – wie ein Playbook für neue Mitarbeiter. Eine Skill kann eine einfache 5-Minuten-Datei sein (z.B. „So schreiben wir Blog-Posts”) oder komplexe Workflows mit Python-Skripten und Templates umfassen. Der entscheidende Vorteil: Skills werden „progressively disclosed” – Claude lädt nicht alle Skills gleichzeitig, sondern zieht nur die relevante Anleitung, wenn sie gebraucht wird. So können hunderte oder tausende Skills zur Verfügung stehen, ohne den Kontext zu überlasten.

  Wer kann Skills erstellen: Im Gegensatz zu früheren Lösungen brauchst du kein Developer-Wissen. Ein Recruiter kann eine Skill schreiben, die Claudes Einstellungsprozess lehrt, ein Finanzer optimiert Report-Erstellung, ein Anwalt trainiert Claude auf Vertragsanalyse.

  Praktisches Projekt – GEO-Audit mit Claude Code: Der Kanal-Betreiber demonstriert ein GEO-Audit-System (Generative Engine Optimization), das aus 12 verschiedenen Skills besteht. Nach dem Befehl analysiert Claude-Code parallel mehrere Sub-Agenten (wie Unterauftragnehmer auf einer Baustelle) für ein Ziel-Website (calendly.com). Das System erzeugt einen umfassenden Report mit Executive Summary, Score-Breakdown für verschiedene AI-Plattformen (ChatGPT, Perplexity, Gemini), Key Findings und eine priorisierte Aktionsplan. Einzelne Skills lassen sich auch isoliert aufrufen (z.B. nur Citability-Analyse). Claude-Code erkennt automatisch, welche Skill-Anleitung relevant ist, auch wenn man nur Freitextanfragen stellt.

  Die zentrale Einsicht: Skills transformieren AI von universeller Intelligenz zu organisierter Expertise – vergleichbar mit der Fachbibliothek eines Experten, der nur das Nachschlagewerk greift, das er gerade braucht. MCP-Server (externe Datenanbindungen) sind die „Hände”, Skills sind die „Erfahrung”.

  Anthropic Claude, praktisches Demo mit Code-Beispielen und Anwendungsfall; die Meinung/Reflexion liegt klar bei Anthropic – Demo.

• I Built An Entire AI Marketing Team With Claude Code In 16 Minutes
  3.3.2026, 13:35:48

  Das Video zeigt ein kostenloses AI-Marketing-Tool, das auf Basis von Claude Code aufgebaut wurde und Marketing-Agenturen-Funktionen automatisiert. Das Tool besteht aus 15 verschiedenen Befehlen (Skills), die Websites analysieren, SEO-Audits durchführen, Konkurrenten scannen, E-Mail-Sequenzen generieren und professionelle PDF-Reports erstellen.

  Kern-Funktionalität:

  Der Hauptbefehl /market audit führt fünf parallele Sub-Agenten aus, die gleichzeitig Content-Analyse, Conversion-Optimierung, SEO-Bewertung, Konkurrenzforschung und Strategie-Entwicklung durchführen. Das System analysiert automatisch den Business-Typ der Website, erstellt eine Gesamtbewertung (z.B. 64/100) und liefert einen strukturierten Report mit kritischen Fehlern, Erkenntnissen nach Priorität und Aktionsplänen.

  Installation:

  Visual Studio Code muss heruntergeladen und die Cloud Code Extension installiert werden. Dann wird ein Installations-Kommando aus dem GitHub-Repository kopiert und in das Terminal eingefügt – danach sind alle 15 Skills sofort verfügbar. Das Tool generiert automatisch auch hochwertige PDF-Reports (nicht nur Text-Output).

  Geschäftsmodell:

  Der Presenter zeigt am Beispiel einer Med-Spa, wie man diese kostenlosen Reports an lokale Unternehmen verschicken kann, um Klienten zu akquirieren. Die Reports enthalten konkrete, prioritäre Fehler (z.B. Preis-Inkonsistenzen, fehlende Meta-Daten), die für Geschäftsinhaber verständlich sind und zum Verkauf von Monthly-Retainer-Services (2.000-5.000 Dollar) führen können. Einzelne Skills wie /market competitors können auch isoliert genutzt werden.

  Weitere Skills:

  Das Tool enthält neben Audit auch dedizierte Befehle für Konkurrenzanalyse, Funnel-Analyse und andere Marketing-Funktionen, alle basierend auf Markdown-Dateien (skill.md), die Claude spezifische Anweisungen geben.

  Claude Code via GitHub (Markdown-basierte Skills, keine Coding-Kenntnisse nötig) — Demo/Tutorial.

---

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